RAG
Retrieval-Augmented Generation — архитектура AI-бота, которая ищет ответ в вашей базе документов перед тем, как сгенерировать ответ. Снижает галлюцинации.
Развёрнутое объяснение
RAG (Retrieval-Augmented Generation) — это архитектура, в которой LLM перед ответом ищет релевантные куски в вашей базе знаний и использует их как контекст. Без RAG модель отвечает «по памяти» (которая может быть устаревшей или ошибочной). С RAG — отвечает по вашим актуальным документам.
Pipeline RAG: 1) пользовательский вопрос → 2) embedding запроса → 3) поиск в vector DB → 4) топ-N кусков как контекст → 5) LLM генерирует ответ с этим контекстом → 6) опционально цитирует источники.
RAG решает три проблемы LLM: устаревшие данные (модель обучена 2 года назад), галлюцинации (модель «выдумывает» если не знает), узкая специфика (модель не знает деталей твоего бизнеса).
Где это в услугах WRAW
- Услуга ai-automation/chatbot-rag — RAG-боты для B2B и поддержки
- Дана на wraw.kz отвечает по базе знаний — это тот же принцип
Частые вопросы
Чем RAG отличается от обычного чат-бота?
Обычный — отвечает по сценариям (если-то). RAG — ищет ответ в базе документов. RAG может отвечать на нетиповые вопросы, обычный — нет.
Сколько стоит RAG?
Считаем под задачу: цена зависит от объёма базы и трафика, а расходы на токены показываем отдельной строкой.
Какие vector DB используете?
Supabase Vector (для проектов на Supabase), Pinecone (стандарт), Weaviate (для больших баз).
Связанные термины
Large Language Model — большая языковая модель. ChatGPT, Claude, Gemini — это всё LLM. Обучены на миллиардах текстов и у…
Читать →База данных, которая хранит векторы (embeddings) и быстро находит похожие. Сердце RAG-систем. Pinecone, Weaviate, Supaba…
Читать →Преобразование текста (или картинки) в вектор чисел, который представляет смысл. Похожие смыслы = похожие векторы. Основ…
Читать →Когда LLM уверенно выдумывает факты, которых не существует. «Президент KZ — Иван Петров». Главный недостаток LLM. Лечитс…
Читать →