RAG простыми словами: как создать чат-бота, который отвечает по вашим документам
Понятное руководство по retrieval-augmented generation: как это работает, когда нужно, сколько стоит разработка и какие ошибки заставляют AI-ассистентов отвечать неправильно.

Спросите общую AI-модель о политике возврата в вашей компании — и она либо откажется отвечать, либо, что хуже, придумает правдоподобный ответ. Она просто не видела ваших документов. Retrieval-augmented generation (RAG) решает это: перед ответом система находит нужные фрагменты вашего контента и передаёт их модели как контекст.
Как работает RAG
- Подготовка (один раз, дальше — при каждом обновлении): документы делят на фрагменты (чанки), и каждый фрагмент превращают в числовой вектор (эмбеддинг), который передаёт его смысл. Векторы хранятся в векторной базе данных.
- Поиск: вопрос пользователя тоже превращают в вектор, и база возвращает ближайшие по смыслу фрагменты — часто в сочетании с классическим поиском по ключевым словам.
- Генерация: модель получает вопрос, найденные фрагменты и инструкции вроде «отвечай только по контексту, ссылайся на источники, скажи, что не знаешь, если ответа нет».
Когда RAG нужен, а когда нет
| Ситуация | Подходит? |
|---|---|
| Бот поддержки, отвечающий по статьям справочного центра и политикам | Да |
| Внутренний ассистент для поиска по вики, договорам, технической документации | Да |
| Ассистент продаж, отвечающий по каталогам и прайсам | Да, со свежей синхронизацией данных |
| Расчёты, статус заказа, данные аккаунта | Лучше через прямые вызовы API (инструменты), а не RAG |
| Креативные тексты без фактов о компании | Не нужен |
От чего зависит качество ответов
- Качество источников: устаревшие или противоречивые документы дают устаревшие или противоречивые ответы. Наведение порядка в базе знаний — часто половина проекта.
- Нарезка на фрагменты: слишком мелкие фрагменты теряют контекст, слишком крупные размывают поиск. Делить по заголовкам и разделам обычно лучше, чем по фиксированной длине.
- Поиск: гибридный поиск (смысл + ключевые слова) и переранжирование результатов заметно улучшают релевантность, особенно для артикулов и названий.
- Инструкции: модель должна чётко знать, что нужно держаться контекста и признавать, когда ответа нет.
- Права доступа: пользователь должен получать ответы только из документов, которые ему разрешено видеть.
Типичный технологический стек
| Слой | Варианты |
|---|---|
| Модели | OpenAI GPT, Anthropic Claude, Google Gemini или открытые модели, например Llama или Mistral |
| Эмбеддинги и векторное хранилище | pgvector в PostgreSQL, Qdrant, Pinecone, Weaviate |
| Оркестрация | LangChain, LlamaIndex или лёгкий собственный сервис |
| Интерфейс | Виджет на сайте, бот в Telegram или Slack, внутренний портал |
| Качество | Набор для оценки, логирование, кнопки обратной связи, мониторинг |
Как мы создаём RAG-ассистента
- Исследование: на какие вопросы он должен отвечать, по каким источникам и для кого.
- Аудит знаний: убираем дубли и устаревшие документы, определяем правила обновления.
- Прототип за 1–2 недели на реальных документах и реальных вопросах.
- Оценка: 50–150 тестовых вопросов с ожидаемыми ответами; измеряем точность, опору на источники и поведение «я не знаю».
- Интеграция и запуск: виджет или бот, права доступа, аналитика.
- Цикл улучшений: каждый плохой ответ из продакшена становится новым тест-кейсом.
Стоимость и конфиденциальность
Расходы на работу зависят в основном от количества вопросов и выбранной модели; для большинства малых и средних компаний они скромны по сравнению со временем сотрудников поддержки. Если данные нельзя выносить за пределы вашей инфраструктуры, весь стек можно развернуть на ваших серверах с открытыми моделями.


