RAG — это способ научить ИИ отвечать по документам вашей компании, а не по общим знаниям из интернета. Перед ответом система ищет в базе знаний подходящие фрагменты — регламенты, прайсы, инструкции, договоры — и передаёт их языковой модели. Модель формулирует ответ только на их основе и показывает, из какого документа он взят.
Расшифровка — retrieval-augmented generation, то есть генерация, дополненная поиском. Саму модель при этом не переобучают. Обновили прайс — ИИ отвечает уже по новому прайсу. Это главное отличие RAG от попыток «дообучить» нейросеть на данных компании.
Ниже объясняем, как устроена RAG система, что класть в базу знаний ИИ, как быть с документами на узбекском и русском, с правами доступа и устаревшими файлами, и где у технологии реальные ограничения.
RAG — это простыми словами
Представьте экзамен с открытой книгой. Обычная языковая модель отвечает «по памяти»: знает много, но про ваш прайс и внутренние правила ничего не знает и может уверенно выдумать. RAG даёт ей открыть нужную страницу перед ответом.
Поэтому у RAG ИИ два преимущества: ответы привязаны к вашим документам, и их можно проверить по ссылке на источник. Именно на этом обычно строят ИИ ассистентов для сотрудников и ботов, которые отвечают клиентам по правилам компании.
Как устроена RAG система
1. Сбор документов
Сначала определяют источники: папки в Google Drive, регламенты в Word и PDF, справочники из 1С, карточки товаров с сайта, статьи из Notion или Confluence, закреплённые сообщения Telegram-канала. Для каждого источника решают, как часто его перечитывать.
2. Извлечение текста
Из файлов достают чистый текст. Если документ — скан или фото, нужен OCR (распознавание текста). Таблицы, печати и рукописные пометки распознаются хуже всего, поэтому важные сканы лучше заменить текстовыми оригиналами.
3. Разбиение на фрагменты
Длинные документы режут на фрагменты (chunking) — обычно по разделам и абзацам. Слишком мелкие куски теряют контекст, слишком крупные засоряют ответ лишним. К каждому фрагменту сохраняют название документа, раздел, дату и права доступа.
4. Эмбеддинги и векторный поиск
Каждый фрагмент превращают в эмбеддинг — набор чисел, который отражает смысл текста. Эмбеддинги хранят в векторной базе. Когда приходит вопрос, его тоже превращают в эмбеддинг и ищут фрагменты, близкие по смыслу, даже если слова не совпадают.
Смысловой поиск плохо находит артикулы, номера договоров и точные названия, поэтому его часто дополняют обычным поиском по словам. Такой гибридный поиск надёжнее для бизнеса.
5. Ответ с цитатами
Найденные фрагменты вместе с вопросом передаются модели с инструкцией: отвечай только по этим текстам, указывай источник, а если ответа нет — так и скажи. Пользователь видит ответ и ссылку на документ и может проверить его за минуту.
База знаний ИИ: что положить в неё
Хорошо подходят документы, которые часто ищут и редко читают целиком: внутренние регламенты, должностные инструкции, условия доставки и возврата, описания услуг, технические инструкции, ответы на типовые вопросы клиентов.
Хуже подходят данные, которые меняются каждый час: остатки на складе, статусы заказов, курсы валют. Их правильнее брать напрямую из 1С или CRM через API в момент вопроса, а не хранить копией в базе знаний.
Узбекский и русский в одной базе
В компаниях Узбекистана документы обычно смешанные: договор на русском, приказ на узбекском латиницей, старый регламент на кириллице, а вопрос сотрудник задаёт на смеси языков. Что помогает:
- многоязычные эмбеддинги, которые сопоставляют вопрос на одном языке с документом на другом;
- гибридный поиск — для терминов, которые пишут по-разному;
- словарь синонимов для ключевых понятий компании на двух языках и в двух алфавитах;
- тестовый набор из реальных вопросов сотрудников, на котором проверяют качество до запуска.
Честно: поиск по узбекскому тексту пока обычно работает слабее, чем по русскому. Это решается тестированием и настройкой, а не выбором «самой умной» модели.
Права доступа
Бухгалтерии нужны одни документы, продавцам другие, а зарплатная ведомость не нужна никому, кроме нескольких людей. Права в RAG системе проверяются на этапе поиска: пользователь просто не получает фрагменты, к которым у него нет доступа. Полагаться на инструкцию модели «не показывай секретное» нельзя — она может её нарушить.
Отдельно решают, какие документы вообще можно передавать во внешнюю модель, а какие требуют модели на собственном сервере. При работе с персональными данными стоит заранее свериться с требованиями законодательства Узбекистана.
Актуальность документов
Самая частая проблема RAG — не технология, а старые файлы. Если в папке лежат прайс 2024 года и прайс 2026 года, ИИ может процитировать любой из них. Что нужно:
- у каждого раздела базы есть ответственный сотрудник;
- устаревшие версии удаляются или помечаются как архив;
- источники переиндексируются автоматически по расписанию;
- в ответе видна дата документа.
Честные ограничения RAG
- Поиск может не найти нужное. Если фрагмент не попал в выдачу, модель его не увидит. Поэтому система должна уметь сказать «не нашёл», а не додумывать.
- Сводные вопросы. «Сколько мы продали за квартал» или «перечисли все договоры с просрочкой» — это не RAG, а запрос к базе данных или отчёт из 1С.
- Ошибки не исчезают полностью. RAG заметно снижает выдумки, но не убирает их до нуля. Ссылка на источник нужна именно для проверки.
- Сложные таблицы и схемы после разбиения на фрагменты теряют структуру и требуют отдельной обработки.
Как внедрить RAG в компании
- Выберите одну задачу: например, ответы сотрудникам по внутренним регламентам.
- Соберите и почистите документы для неё, назначьте ответственных.
- Составьте 30–50 реальных вопросов с правильными ответами — это ваш тест.
- Запустите пилот на небольшой группе и разберите ошибки.
- Подключите следующие источники и каналы: Telegram-бот, сайт, CRM.
Если документы — это входящие накладные и счета, которые нужно разбирать и сверять, смотрите статью про автоматизацию документооборота с ИИ.
RAG от SyncLab
Мы строим RAG системы под конкретные задачи: базу знаний для сотрудников, бота для клиентов, поиск по договорам и инструкциям — с разграничением прав, автообновлением документов и поддержкой узбекского и русского. Это часть услуги внедрение ИИ и AI агентов. Если база знаний должна жить внутри вашей CRM или ERP, подключаем направление разработки CRM и ERP. Похожий подход к разбору неструктурированных данных мы применяли в проекте Real Estate, где объявления из Telegram-каналов собираются, очищаются от дублей и анализируются с помощью ИИ.
Частые вопросы
RAG — это что простыми словами?
RAG (retrieval-augmented generation) — способ, при котором ИИ перед ответом ищет подходящие фрагменты в ваших документах и отвечает на их основе, указывая источник. Модель при этом не переобучается: меняются документы, меняются и ответы.
Чем RAG отличается от дообучения модели?
Дообучение меняет саму модель и подходит для стиля или формата ответов. RAG ничего не меняет в модели, а подставляет ей нужные документы в момент вопроса. Для ответов по регламентам, прайсам и инструкциям обычно выбирают RAG: его проще обновлять и проверять.
Работает ли RAG с документами на узбекском языке?
Да, но качество нужно проверять. Многоязычные модели и эмбеддинги понимают узбекский на латинице и кириллице, однако поиск по узбекскому тексту обычно слабее, чем по русскому. Помогают гибридный поиск, единые термины в документах и тестовый набор реальных вопросов.
Можно ли загрузить в базу знаний сканы и фотографии документов?
Можно, но сначала их нужно распознать через OCR. Качество распознавания зависит от скана: печати, рукописные пометки и таблицы часто распознаются с ошибками, поэтому важные документы лучше проверить вручную или найти их текстовые оригиналы.
Сколько стоит внедрение RAG системы?
Цена зависит от объёма и вида документов, источников, требований к правам доступа и того, где будет работать система. Отдельно оплачиваются использование модели, хостинг векторной базы и поддержка, включая регулярное обновление документов.
