Spis treści
Co to jest RAG?
RAG (retrieval-augmented generation, generowanie wspomagane wyszukiwaniem) to technika, w której model językowy przed odpowiedzią wyszukuje informacje w zewnętrznym źródle i opiera odpowiedź na znalezionych fragmentach.
Rozwiązuje dwa podstawowe ograniczenia dużych modeli językowych: ich wiedza kończy się na dacie treningu (knowledge cutoff) i nie obejmuje danych, których nigdy nie widziały, np. wewnętrznych dokumentów firmy. Pojęcie spopularyzowała publikacja zespołu Facebook AI Research z maja 2020 roku.
Uwaga na skrót: samo „rag” w polskiej wyszukiwarce ma też inne znaczenia, dlatego warto używać pełnej nazwy albo „RAG AI”.
Jak działa RAG?
1. Podział na fragmenty
dokumenty lub strony dzieli się na mniejsze części (chunking)
2. Embeddingi
każdy fragment zamienia się na wektor, czyli liczbowy zapis znaczenia
3. Wyszukiwanie
pytanie użytkownika też zamienia się w wektor i system znajduje najbliższe znaczeniowo fragmenty
4. Generowanie
model językowy dostaje pytanie razem ze znalezionymi fragmentami i na ich podstawie pisze odpowiedź
Kluczowe pojęcia z tego procesu opisuję osobno: chunking, embeddingi i wyszukiwanie wektorowe. W praktyce systemy często łączą wyszukiwanie wektorowe z klasycznym wyszukiwaniem po słowach, żeby nie pominąć dokładnych nazw i liczb.
RAG w wyszukiwarkach AI
Wyszukiwarki AI działają na podobnej zasadzie, tylko ich „bazą dokumentów” jest indeks internetu. AI Overviews i AI Mode według Google wysyłają wiele powiązanych wyszukiwań (query fan-out), a potem budują odpowiedź na znalezionych stronach. Podobnie działają ChatGPT z wyszukiwaniem, Perplexity i Copilot.
Opieranie odpowiedzi na zewnętrznych źródłach nazywa się też groundingiem, czyli ugruntowaniem. Google Cloud udostępnia np. ugruntowanie odpowiedzi Gemini w wynikach wyszukiwarki Google.
RAG a fine-tuning
RAG
dostarcza wiedzę w momencie pytania
Fine-tuning
doucza model na własnych danych
Co zmienia
RAG
kontekst, który model dostaje przy odpowiedzi
Fine-tuning
sam model, jego wagi
Aktualność
RAG
łatwo aktualizować: wystarczy podmienić dokumenty
Fine-tuning
nowa wiedza wymaga ponownego douczenia
Źródła odpowiedzi
RAG
można pokazać, z których fragmentów skorzystał
Fine-tuning
trudno wskazać, skąd pochodzi informacja
Do czego najlepszy
RAG
wiedza firmowa, dokumentacja, aktualne dane
Fine-tuning
styl, format, specjalistyczne zadania
Dla firm, które chcą, by asystent AI odpowiadał na podstawie ich dokumentów, ofert czy procedur, RAG jest zwykle prostszy i tańszy niż fine-tuning. Wystarczy przygotować dobrze uporządkowane dokumenty i system, który je przeszukuje.
Co RAG oznacza dla Twoich treści?
- Fragmenty zamiast stron. System wybiera kawałki tekstu, więc każda sekcja powinna mieć sens sama w sobie.
- Odpowiedź na początku. Zasada BLUF: najpierw konkretna odpowiedź, potem szczegóły.
- Jednoznaczne nazwy. Pełna nazwa firmy, produktu czy usługi w tekście, a nie „u nas” czy „ten model”.
- Dostępność dla botów. Strona, której bot AI nie może pobrać, nie trafi do żadnej bazy. Sprawdź robots.txt i ustawienia blokad.
Te zasady są częścią tego, co nazywa się GEO, czyli optymalizacją pod wyszukiwarki generatywne.
Komentarz Sebastiana – konsultanta SEO i AI
Sebastian Baryś · freelancer SEO i Google Ads
RAG to pojęcie techniczne, ale wyjaśnia coś bardzo praktycznego dla marketingu: dlaczego wyszukiwarki AI cytują fragmenty stron, a nie całe strony. System szuka kawałków tekstu, które najlepiej odpowiadają na pytanie, i na nich buduje odpowiedź. Jeśli Twoja odpowiedź jest rozmyta w długim wstępie, system jej po prostu nie wyciągnie.
Dlatego w tekstach dla klientów pilnuję, żeby każda sekcja odpowiadała na jedno pytanie i miała sens bez reszty strony. To ta sama zasada, którą stosuję w tym słowniku: krótka definicja na początku, nagłówki jako pytania, konkrety zamiast ogólników.
Powiązane pojęcia
Jak RAG łączy się z innymi pojęciami ze słownika:
- RAG łączy LLM z wyszukiwaniem LLM (duży model językowy)
- RAG używa embeddingów i wyszukiwania wektorowego
- RAG ogranicza halucynacje Halucynacje AI
- RAG bywa mylony z fine-tuningiem
FAQ – najczęstsze pytania
Co to jest RAG?
RAG (retrieval-augmented generation, generowanie wspomagane wyszukiwaniem) to technika, w której model językowy przed odpowiedzią wyszukuje informacje w zewnętrznym źródle, np. w dokumentach firmy albo w internecie, i opiera odpowiedź na znalezionych fragmentach. Dzięki temu może korzystać z aktualnej i specjalistycznej wiedzy.
Po co stosuje się RAG?
Żeby model nie musiał polegać wyłącznie na tym, czego nauczył się podczas treningu. RAG pozwala odpowiadać na podstawie aktualnych danych, wewnętrznych dokumentów firmy i konkretnych źródeł, które można pokazać użytkownikowi. Ogranicza też ryzyko zmyślania faktów, choć go nie eliminuje.
Kto wymyślił RAG?
Pojęcie spopularyzowała publikacja „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” zespołu z Facebook AI Research (Patrick Lewis i współautorzy), opublikowana w maju 2020 roku. Pokazała, że połączenie modelu językowego z przeszukiwaniem bazy tekstów daje bardziej rzeczowe odpowiedzi.
Czy ChatGPT używa RAG?
Gdy ChatGPT wyszukuje w internecie albo korzysta z dołączonych plików, działa na zasadzie podobnej do RAG: najpierw pobiera fragmenty, potem na ich podstawie odpowiada. Podobnie działają AI Overviews, AI Mode, Perplexity i Copilot. Szczegóły implementacji każdej firmy nie są publiczne.
Czym różni się RAG od fine-tuningu?
RAG dostarcza modelowi wiedzę w momencie pytania, bez zmieniania samego modelu, więc łatwo ją aktualizować. Fine-tuning, czyli douczanie, zmienia sam model na podstawie własnych danych i lepiej sprawdza się przy nauce stylu czy formatu niż przy przekazywaniu faktów, które często się zmieniają.
Czy RAG eliminuje halucynacje?
Nie, ale może je ograniczyć. Model nadal może źle zrozumieć fragment, połączyć informacje z różnych źródeł w błędny sposób albo dodać coś od siebie. Jakość odpowiedzi zależy też od tego, czy system znajdzie właściwe fragmenty.
Źródła
Chcesz, żeby AI wyciągało z Twojej strony właściwe odpowiedzi?
Sprawdzę, jak systemy AI widzą Twoje treści, i przebuduję kluczowe strony tak, żeby odpowiedzi na pytania klientów były łatwe do znalezienia i zacytowania.
Sebastian Baryś
Odpowiadam osobiście, bez pośredników