RAG (Retrieval-Augmented Generation) — подход, при котором большая языковая модель получает дополнительный контекст из внешнего источника перед формированием ответа.
Упрощённо процесс выглядит так: система получает запрос → ищет релевантные документы или фрагменты → добавляет найденное в контекст модели → модель формирует ответ с учётом этого материала.
Зачем нужен RAG
Модель не обязана хранить в параметрах актуальные сведения обо всём мире. Retrieval позволяет использовать свежие или специализированные данные: документацию, корпоративную базу знаний, веб-страницы, каталоги и поисковый индекс.
RAG и поисковые системы
В генеративном поиске retrieval делает особенно важным первый этап: источник должен быть найден и признан релевантным ещё до того, как LLM начнёт писать ответ. Поэтому техническое SEO, качество документа, интент и поисковая релевантность не исчезают.
Что это означает для владельца сайта
- важный контент должен быть доступен для обхода и индексирования там, где система использует поисковый индекс;
- страница должна давать точные фрагменты ответа, но одновременно полно раскрывать тему;
- собственные факты и первичные источники повышают полезность документа как источника;
- внутренние ссылки помогают раскрыть связанные сущности и задачи пользователя.
RAG не гарантирует цитирование
Сам факт попадания документа в retrieval-контекст не означает, что интерфейс обязательно покажет ссылку или процитирует именно этот источник. Формат ответа зависит от конкретной системы.
Источник
AWS Prescriptive Guidance: Understanding Retrieval Augmented Generation.