Как работает «поиск по смыслам» (RAG), простыми словами

Когда вы задаёте вопрос справочнику, например «Когда приём главы?», система не просто перебирает слова в поиске, как Google. Она понимает, о чём вы спрашиваете, и ищет в ваших документах именно то, что относится к этому вопросу. Технология, которая это делает, называется RAG — Retrieval-Augmented Generation. В этой статье разберём, как она устроена и почему важна для точных ответов.

Зачем нужен RAG, если есть обычный поиск

Обычный поиск по документам работает по совпадению слов. Если вы ищете «приём», он найдёт все упоминания этого слова, даже если речь о приёме пищи, а не о приёме граждан. RAG подходит к задаче иначе: он сначала понимает смысл вашего вопроса, а потом ищет в документах отрывки, которые на этот смысл похожи.

Представьте библиотекаря, который знает, о чём каждая книга. Вы спрашиваете, где найти информацию о приёме главы. Библиотекарь не ищет слово «приём» по всем полкам — он понимает, что вам нужен раздел «График приёма граждан», и ведёт вас туда. RAG работает примерно так же, но делает это автоматически на основе ваших загруженных документов.

Без RAG модель могла бы отвечать на основе того, что она «знает» из общего обучения, а не из ваших конкретных приказов и расписаний. Именно поэтому локальный ИИ-справочник сначала ищет релевантные отрывки в ваших документах, а потом формирует ответ. Подробнее о принципах работы локального ИИ читайте в статье «Локальный ИИ: что это и почему он нужен вне облака».

Как устроена база знаний

Перед тем как отвечать на вопросы, система обрабатывает ваши документы и превращает их в базу знаний. Это происходит в несколько шагов:

1. Документы загружаются. Это могут быть приказы, расписания, регламенты, контакты, объявления. Система понимает, что это за документы и как они структурированы.
2. Текст разбивается на части. Каждый документ делится на небольшие отрывки — например, по абзацам или по логическим блокам. Важно, чтобы каждый отрывок был понятен отдельно: если в нём упоминается дата, телефон или название, это должно быть видно.
3. Каждый отрывок превращается в вектор. Это числовое представление смысла текста. Два отрезка, которые говорят о похожем, будут иметь близкие векторы, даже если в них разные слова. Например, «график приёма» и «расписание приёма» будут восприняты как близкие по смыслу.

После этого база знаний готова: система знает, какие отрывки у вас есть и как они связаны между собой по смыслу. Подробнее о том, что входит в пилот и как мы подходим к безопасности, описано на странице цен.

Как система находит ответ

Когда приходит вопрос, система проходит те же шаги в обратном порядке:

1. Вопрос превращается в вектор. Система понимает, о чём спрашивает пользователь, и превращает вопрос в то же числовое представление, что и документы.
2. Ищутся близкие по смыслу отрывки. Система сравнивает вектор вопроса с векторами всех отрывков в базе и выбирает те, которые наиболее близки по смыслу.
3. Формируется ответ. Выбранные отрывки передаются модели, которая на их основе генерирует ответ. Важно: модель видит только те отрывки, которые она сама нашла, и опирается именно на них.

Вот почему система может указать источник ответа: она знает, из какого именно документа и из какого отрывка взята информация. И если в базе нет подходящего отрывка, она честно говорит об этом, а не придумывает ответ. Подробнее о том, как это работает в администрациях, читайте в статье «Локальный ИИ для администрации района».

Почему это важно для точности

RAG решает одну из главных проблем больших языковых моделей: они могут «галлюцинировать» — уверенно рассказать что-то, что не соответствует действительности. Модель учится предсказывать следующее слово, а не проверять факты. Без доступа к вашим документам она будет отвечать на основе общего обучения, а не на основе ваших конкретных приказов и регламентов.

С RAG система сначала проверяет, есть ли в ваших документах информация по вопросу, и только потом формирует ответ. Это означает, что:

• Ответ основан на ваших документах, а не на общих знаниях модели.
• Система может указать, откуда взята каждая цифра или дата.
• Если в документах нет информации, система не придумывает, а честно говорит: «данных нет».

Для организаций, где справки должны быть точными и проверяемыми, это критически важно. Житель получает ответ, который можно проверить по документам, а не тот, который просто звучит убедительно. Подробный состав пилота описан в разделе «Что мы делаем».

Итог: RAG — основа честного ответа

RAG — это не просто технология, а подход, который делает локальный ИИ-справочник надёжным инструментом. Он позволяет системе отвечать по вашим документам, указывать источники и не выдумывать то, чего нет. Без него модель могла бы давать ответы, которые звучат убедительно, но не соответствуют вашим приказам и регламентам.

Мы настраиваем такие системы для школ, колледжей, управляющих компаний, администраций и клиник. Пилот стоит 150 000 ₽ разово и включает установку на ваше оборудование, загрузку до 50 документов, настройку одного канала для жителей и проверку на 30–50 типовых вопросах. Сопровождение — 30 000 ₽ в месяц. Подробности и условия на странице цен.