Привет! Это команда theLUMA.
Сегодня поговорим о том, что такое RAG простыми словами.
Задаёшь ChatGPT вопрос про вчерашнюю новость — модель находит источники, даёт ссылки, отвечает точно. Задаёшь вопрос из школьной программы — модель отвечает без единой ссылки, будто помнит ответ наизусть. Это не два разных ChatGPT. Это одна и та же система, которая в первом случае включила RAG, а во втором — обошлась без него.
Разбираемся, что это за механизм и почему он определяет саму суть GEO.
Что такое RAG
RAG (Retrieval-Augmented Generation, генерация с дополнением через поиск) — это способ работы языковой модели, при котором она не просто отвечает по памяти, а сначала находит подходящие документы, а затем строит ответ на их основе.
Без RAG модель отвечает так, как студент пишет экзамен без учебника перед собой: только по тому, что усвоила при обучении, и это знание фиксируется на определённый момент времени. С RAG модель ведёт себя иначе: перед ответом она «открывает учебник» — ищет актуальные документы — и уже с их учётом формулирует финальный текст.
Как это работает по шагам
- Пользователь задаёт вопрос.
- Система решает, нужен ли поиск, или достаточно уже усвоенных знаний.
- Если нужен поиск — запрос преобразуется в один или несколько поисковых запросов.
- Поисковая система находит релевантные документы.
- Из документов извлекаются подходящие фрагменты — не страницы целиком, а отдельные абзацы или предложения.
- Модель собирает финальный ответ на основе этих фрагментов, а не только по своей внутренней памяти.
- Часть систем показывает пользователю, на какие источники она опиралась.
Этот же принцип мы описывали в статье «Откуда ИИ берут ответы» — там показано, как выглядит этот процесс с точки зрения пользователя. RAG — это техническое имя того самого механизма.
Откуда взялся термин
Термин RAG предложили в академической статье 2020 года исследователи Facebook AI Research во главе с Патриком Льюисом — работа была представлена на конференции NeurIPS. Идея была узкой и конкретной: соединить два типа памяти модели — «параметрическую», то есть то, что модель усвоила при обучении, и «непараметрическую» — внешнюю базу документов, к которой модель может обращаться отдельно от обучения.
С тех пор именно этот принцип лёг в основу того, как современные поисковые ИИ-системы — ChatGPT Search, Perplexity, Google AI Overviews — вообще способны отвечать на вопросы про сегодняшний день, а не только про то, что было на момент обучения модели.
RAG и модель без RAG: в чём разница на практике
| Модель без RAG (только память) | Модель с RAG (поиск + генерация) | |
|---|---|---|
| Источник ответа | Только данные, усвоенные при обучении | Обученные знания + свежие найденные документы |
| Актуальность | Фиксирована на момент обучения | Может учитывать события вплоть до сегодняшнего дня |
| Ссылки на источники | Обычно отсутствуют | Часто присутствуют |
| Риск ошибки на новых фактах | Выше — модель может выдумать правдоподобный, но неверный ответ | Ниже, но не нулевой — качество зависит от найденных документов |
| Что нужно бренду, чтобы туда попасть | Быть представленным в обучающих данных модели | Быть доступным и находимым в момент запроса |
Последняя строка — самое важное для GEO. У бренда почти нет способа повлиять на то, что уже попало в обучающие данные модели прошлых поколений. А вот на то, найдёт ли RAG-система материал прямо сейчас, влиять можно и нужно.
Почему это должно волновать не только разработчиков
Для маркетолога или PR-специалиста RAG — это не абстрактная техническая деталь, а объяснение того, почему одни и те же принципы работают в GEO. Когда система использует RAG, у сайта бренда появляется реальный, здесь и сейчас существующий шанс быть найденным и процитированным — вне зависимости от того, был ли бренд заметен во время обучения модели.
Это же объясняет, почему мы так настойчиво говорим в других статьях про техническую доступность сайта, структуру контента и точность фактов — все они разбирались в статье про факторы цитирования в нейросетях. Каждый из этих факторов влияет именно на тот момент, когда RAG-система решает, какой фрагмент текста включить в ответ.
Мини-кейс: как это выглядит на практике
Представим производителя настольных игр. Компания вышла на рынок два года назад — после того как большинство используемых моделей закончили обучение на своих текущих данных. На вопрос «расскажи о [бренд]» без веб-поиска ChatGPT отвечает расплывчато или вовсе говорит, что не располагает информацией — потому что бренда физически не было в обучающих данных.
Но тот же вопрос с включённым веб-поиском даёт совершенно другой результат: модель находит сайт компании, страницы отзывов, статьи в игровых медиа — и отвечает подробно и точно, потому что в этом режиме она не полагается на память, а использует RAG. Для нового бренда это может быть единственный практический путь стать заметным в ответах ИИ — до тех пор, пока следующее обновление модели не включит его в обучающие данные напрямую.
Что это значит для контента бренда
- Понятная структура важнее длины. RAG-системы извлекают отдельные фрагменты, а не читают страницу целиком, — короткие, законченные по смыслу абзацы им проще использовать.
- Техническая доступность обязательна. Если краулер не может получить содержимое страницы, RAG не сможет её найти вообще, независимо от качества текста.
- Точные факты важнее общих формулировок. Извлекаемый фрагмент должен содержать конкретный, проверяемый ответ, а не рекламное вступление.
- Свежесть данных имеет значение. RAG-системы предпочитают документы, которые действительно отвечают на текущее состояние вопроса, а не устаревшую версию.
Частые вопросы
Все ли современные ИИ-системы используют RAG?
Не всегда и не для каждого запроса. Многие системы сами решают, нужен ли поиск, в зависимости от вопроса — простые и общеизвестные факты модель может дать без обращения к RAG.
Можно ли как-то узнать, использовала ли модель RAG в конкретном ответе?
Косвенно да: наличие ссылок на источники в ответе обычно означает, что сработал RAG. Отсутствие ссылок не всегда значит обратное, но это частый признак.
Заменяет ли RAG необходимость в хорошем SEO?
Нет. RAG-системе всё ещё нужно найти и правильно проиндексировать страницу — базовая техническая доступность и качество контента остаются обязательным условием.
Значит ли это, что старые и новые бренды в неравном положении?
Отчасти да применительно к обучающим данным моделей, но RAG частично выравнивает это неравенство — через живой поиск даже совсем новый бренд может быть найден и процитирован.
Стоит ли создавать контент специально «под RAG»?
Не как отдельную стратегию, а как продолжение той же логики, что и для GEO в целом: понятная структура, точные факты, техническая доступность — это работает и для RAG, и для восприятия обычным читателем.
Итог
RAG — это механизм, который соединяет то, что модель «помнит» по обучению, с тем, что она может найти прямо сейчас. Для пользователя разница незаметна: он просто получает ответ. Для бренда эта разница центральная: без RAG шанс быть упомянутым зависит от того, попал ли бренд в обучающие данные когда-то в прошлом. С RAG — от того, насколько бренд доступен и понятен системе поиска прямо сегодня.
Именно поэтому техническая доступность сайта — это не второстепенная деталь для разработчиков, а один из главных рычагов влияния на то, увидит ли модель бренд вообще.
А вы уже проверяли, отвечает ли ИИ про ваш бренд с ссылками на источники — или только по памяти?
Источники
- Lewis et al. «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», arXiv, 2020 / NeurIPS 2020
- Google Search Central. AI features and your website
