RAG (Retrieval-Augmented Generation, генерация с дополненным поиском) — это подход, при котором языковая модель отвечает не «из головы», а на основе документов, найденных в вашей базе знаний. Перед генерацией ответа система находит релевантные фрагменты — из каталога, документации, CRM — и передаёт их модели как источник. Так ответы становятся точными, проверяемыми и привязанными к вашим данным.

Это формальное определение. Теперь по-человечески.

У языковых моделей есть два врождённых недостатка, которые убивают их пользу для бизнеса.

Первый: модель не знает ваших данных. GPT прочитал половину интернета, но понятия не имеет, какие товары у вас на складе, что написано в вашем договоре поставки и почём у вас сыворотка для волос. Второй: когда модель чего-то не знает, она не молчит — она уверенно сочиняет. Это называется галлюцинацией (про неё у нас есть отдельная статья), и в продукте это не милый баг, а прямой ущерб: ассистент, который советует клиенту несуществующий товар, хуже, чем никакого ассистента.

RAG лечит обе болезни одним движением: прежде чем модель откроет рот, система находит в вашей базе нужные фрагменты и говорит: «отвечай на основе вот этого». Модель перестаёт фантазировать, потому что ей больше не нужно — у неё перед глазами факты.

Как это работает: запрос → поиск по базе знаний → найденные фрагменты + запрос → LLM → ответ с опорой на данные.

В Sigma.AI — ассистенте продуктового маркетплейса, который мы разрабатывали, — «базой знаний» стал каталог: 1 155 рецептов и 238 нормализованных ингредиентов, каждый привязан к конкретной складской позиции. Когда покупатель пишет «что приготовить из курицы и грибов», система не спрашивает модель «придумай рецепт» — она сначала находит подходящие рецепты в базе, проверяет, какие ингредиенты есть на складе, и только потом собирает ответ.

Результат этой архитектуры покупатель видит как магию: каждый совет можно положить в корзину одним тапом, потому что за ним стоит реальный товар с реальной ценой. А владелец продукта видит как экономику: ассистент продаёт со склада, а не рассказывает абстракции.

Самый недооценённый этап здесь — не нейросети, а подготовка данных. Слово «нормализованных» выше — это недели работы: в сыром каталоге «куриное филе», «филе цыплёнка» и «грудка куриная охл.» — три разных товара, а для поиска они должны стать одним ингредиентом. RAG хорош ровно настолько, насколько хороша база под ним. Мы начинаем проекты именно с аудита данных — и иногда честно говорим заказчику, что до ассистента нужно сначала навести порядок в каталоге.

По нашему опыту, RAG — самый быстрый путь к AI-продукту, которому можно доверять: ответы опираются на ваши данные и проверяемы; знания обновляются без переобучения модели — добавили товар в каталог, ассистент узнал о нём сразу; конфиденциальные данные не нужно «зашивать» в модель — они остаются в вашей базе; и это заметно дешевле файнтюнинга, про который часто спрашивают в первую очередь, а нужен он в реальности единицам.

Не с выбора векторной базы и не со сравнения моделей. Начните с двух вопросов: на какие вопросы должен отвечать ассистент и где сейчас лежат данные для ответов. Если данные есть — первый работающий сценарий на RAG запускается за несколько недель и дальше наращивается итерациями, как это было с Sigma.AI. Если данных нет или они в хаосе — это тоже нормально: подготовка базы и есть первый этап проекта, просто теперь вы знаете об этом заранее.

Sigma.AI — ассистент продуктового маркетплейса Sigma.Market: собирает корзину из товаров, которые есть на складе.