RAG — это способ заставить ИИ отвечать по документам вашей компании, а не по общим представлениям о мире. Работает он в два шага: сначала поиск находит в базе компании нужные абзацы, потом языковая модель читает их вместе с вопросом сотрудника и формулирует ответ. Ссылка на документ появляется у ответа именно поэтому — система знает, из какого файла взяла текст.
Расшифровывается как Retrieval-Augmented Generation, по-русски — «генерация, подкреплённая поиском». Название инженерное, а идея бытовая: не заставлять модель заучивать ваши регламенты, а подкладывать ей нужную страницу в момент вопроса.
Суть: модель не знает ваших документов #
Языковая модель училась на текстах из интернета. Ваш регламент согласования договоров, положение о командировках, инструкция по приёмке товара и прошлогодний приказ об изменении тарифов в эти тексты не попадали — их нет в открытом доступе. При этом модель устроена так, что старается ответить на любой вопрос.
Спросите у неё «сколько дней на согласование договора по нашему регламенту» — она назовёт три дня или пять, напишет аккуратно и по делу. Цифра будет взята из общих представлений о том, как бывает в компаниях. Сотрудник примет её за правило своей компании и пойдёт работать по ней. Подробно этот механизм разобран в статье про галлюцинации нейросети.
Исправить это можно двумя способами. Первый — переучить модель на ваших документах, чтобы она их запомнила. Второй — ничему её не учить, а давать нужный документ в момент вопроса. RAG — это второй способ, и для компании он обычно проще: поменялся регламент — заменили файл, и ответы меняются в тот же день, модель при этом никто не трогает. Сравнение двух подходов по срокам, деньгам и обновлению — в отдельной статье RAG или дообучение модели.
Почему нельзя просто приложить все документы к вопросу #
Вопрос возникает сразу: если модель не знает документов, давайте отдадим ей их целиком. Так не получается по трём причинам.
Объём. Модель принимает за один раз ограниченный объём текста. Папка с регламентами, договорами и инструкциями компании на 200 сотрудников в этот объём не влезает.
Деньги. Платят за объём текста в запросе. Прикладывать к каждому вопросу тысячу страниц — значит платить за тысячу страниц столько раз в день, сколько у вас вопросов.
Внимание. Чем больше текста модель получила, тем хуже она находит в нём нужную строку. Это та же проблема, что у человека: в трёх абзацах ответ виден, в трёхстах страницах теряется.
Отсюда и берётся первый шаг — сначала найти небольшой нужный кусок, и только его отдать модели.
Разбор: как это работает по шагам #
С точки зрения сотрудника ничего не происходит: он пишет вопрос и получает ответ. Внутри за эти несколько секунд проходит пять шагов.
- Вопрос обычными словами. «Можно ли оплатить такси в командировке картой компании» — без ключевых слов, без выбора раздела, без кнопок.
- Поиск по базе документов. Система отбирает несколько подходящих фрагментов: обычно от трёх до десяти абзацев, иногда из разных файлов.
- Фрагменты уходят в модель вместе с вопросом. К ним приложена инструкция: отвечай только по приложенному тексту, чего в нём нет — так и скажи.
- Модель возвращает связный ответ. Её работа здесь — не вспомнить, а прочитать и объяснить человеческим языком.
- К ответу прикрепляется источник. Документ, раздел, дата версии. Если подходящего фрагмента не нашлось, ассистент не угадывает, а передаёт вопрос человеку.
Главное в этой схеме то, что модель отвечает не по памяти. Она работает как сотрудник, которому принесли нужную папку: читает то, что дали, и пересказывает это понятно.
Как документы готовят к поиску #
Документы не хранятся целыми файлами — их режут на смысловые куски размером с раздел или несколько абзацев. У каждого куска запоминается адрес: из какого файла он взят, из какого раздела, какой версии.
Ищет система не по буквам. Вопрос «сколько дней отпуска после трёх лет работы» находит абзац «дополнительный оплачиваемый отпуск за стаж», хотя ни одно слово не совпало. Это и называется поиском по смыслу, и устроен он на числовых отпечатках текста — подробно, с объяснением, откуда берутся эти числа, в статье про векторную базу и семантический поиск.
На практике хорошо работает сочетание двух поисков: по смыслу и по словам одновременно. Поиск по смыслу берёт переформулированные вопросы, поиск по словам — артикулы, номера приказов и названия форм, где важна точная буква.
Откуда у ответа берётся ссылка на документ #
Это место чаще всего понимают неправильно, а оно решает вопрос доверия.
Ссылку не придумывает модель. Ссылка — побочный результат первого шага: фрагмент нашли по известному адресу, адрес и прикрепили к ответу. То есть ассистент не «знает», откуда ответ, — он физически не может ответить иначе, чем по найденному куску, и этот кусок всегда лежит в конкретном файле.
Для руководителя это меняет суть сделки. Проверка ответа занимает десять секунд: открыли документ, прочитали абзац. Если ассистент ошибся в формулировке, это видно сразу, а не через месяц, когда по ошибочному ответу уже отгрузили товар. Ассистент без ссылок проверять нечем, и доверять ему приходится на слово.
Чем это отличается от поиска по файлам #
Обычный поиск по общей папке отдаёт список файлов, в которых встретилось слово. Дальше сотрудник сам открывает восемь документов и ищет в них абзац.
RAG отдаёт ответ. Список файлов остаётся в виде ссылки — для тех, кому нужно свериться с первоисточником. Разница в том, что работу по чтению и сопоставлению делает не человек.
Что в этой схеме ломается #
RAG — не одна кнопка, а четыре части: подготовка документов, поиск, модель, проверка ответа. Сбоить может каждая, и выглядит это по-разному: то ассистент не находит очевидное, то находит устаревшую версию регламента, то отвечает общими словами. Разбор по частям — какая за что отвечает и что в каждой чаще всего отказывает — в статье про устройство RAG-системы.
Как это устроено у нас #
Мы собираем базу знаний компании и ассистента, который отвечает сотрудникам по документам со ссылкой на источник. Что внутри:
Поиск гибридный. По смыслу и по словам одновременно, результаты объединяются. Так находятся и переформулированные вопросы, и запросы с номером приказа или артикулом.
Модель выбирается цепочкой. Сначала GigaChat, затем YandexGPT, затем зарубежная модель через ProxyAPI, затем модель внутри сети компании. Если одна не ответила или отвечает слишком долго, запрос уходит дальше по цепочке. Сотрудник сбоя не видит.
Факты сверяются перед выдачей. Ответ проверяется по найденным фрагментам. Если модель всё-таки сочинила ссылку или адрес, он исправляется, а не выбрасывается вместе со всем ответом — верная часть ответа доходит до сотрудника.
Чего нет в документах — не придумывается. Вопрос передаётся человеку. Это сознательное решение: лучше признать, что ответа нет, чем выдать правдоподобный.
Данные остаются в России. Серверы в России, персональные данные обезличиваются до отправки в модель. По умолчанию работаем на российских моделях; если документы нельзя выпускать из сети, ставим модель внутри контура компании.
Та же база потом подключается к боту для клиентов — сайт, Telegram, MAX, ВКонтакте, Авито. Клиентская часть устроена так же, только документы другие; как собирают материалы под неё, описано в статье про базу знаний для бота.
Сколько стоит и от чего зависит #
Цены на 24 октября 2026 года.
| Что | Стоимость | Срок |
|---|---|---|
| Аудит: карта документов, с какого отдела начать, оценка срока | Бесплатно | 30 минут |
| Пилот: один отдел, до 300 документов, проверка на 40 вопросах | от 150 000 ₽ | 3–4 недели |
| Внедрение: несколько отделов, права доступа, автообновление, 1С, Битрикс24, Диадок | от 500 000 ₽ | 6–10 недель |
| Сопровождение: обновление базы, контроль ответов, отчёт по вопросам | от 40 000 ₽ в месяц | — |
Цена зависит от четырёх вещей: сколько документов и в каком они виде, сколько отделов и нужны ли разные права доступа, из каких систем документы забираются автоматически, нужно ли разворачивать всё внутри вашей сети. Количество документов влияет на срок и цену, а не на результат: для старта хватает пятидесяти документов одного отдела.
Если проект на такие деньги сейчас велик, есть вариант проще — платформа по подписке: от 7 000 ₽ в месяц плюс настройка от 15 000 ₽. Базу собираем мы, запуск занимает от 3 до 10 дней. Это та же схема «найти и ответить», но без интеграций, прав доступа и развёртывания в вашей сети. Подробности корпоративного варианта — на странице услуги, и начинается он с бесплатного аудита на 30 минут.
Где это не работает #
Нет ответа в документах — не будет ответа. RAG не создаёт знание, он находит его. Если порядок согласования скидок живёт в голове коммерческого директора и нигде не записан, ассистенту неоткуда его взять. Первая часть работы в таких случаях — записать, а не внедрить.
Сводные вопросы. «Сколько у нас договоров с просроченной оплатой», «какая средняя скидка по дилерам за квартал» — это запросы к учётной системе, а не к тексту документов. Поиск по смыслу их не считает.
Противоречия. Если в двух действующих документах условия возврата разные, ассистент найдёт один из них и ответит по нему. Пока в документах нет порядка, ответы будут настолько же противоречивы, насколько противоречивы источники.
Сканы без текстового слоя. Фотография приказа, таблица картинкой, подписи на схеме — всё это для поиска пустые страницы. Такие документы нужно либо распознавать отдельно, либо заводить их содержимое руками.
Решения с ответственностью. Юридическую позицию, оценку риска, медицинское заключение ассистент не выносит. Он покажет, что написано в документе, а решение остаётся за человеком.
Голос. В корпоративном ассистенте расшифровки голосовых сообщений у нас нет: только текст.
SAP. Из коробки мы подключаем 1С, Битрикс24 и Диадок. С SAP интеграции у нас нет, и обещать её мы не будем.
И отдельно: процентов точности мы не обещаем. Критерии успеха на пилоте формулируются заранее и проверяются на сорока реальных вопросах отдела — это проверяемая вещь, в отличие от цифры в презентации.
Частые вопросы #
Что значит само слово RAG? #
Это сокращение от Retrieval-Augmented Generation — «генерация, подкреплённая поиском». Retrieval — поиск нужного фрагмента, generation — составление ответа моделью. На русском пишут и латиницей, «RAG», и как слышится, «рэг»; в документах обычно оставляют латиницу.
Чем RAG отличается от обычного поиска по документам? #
Поиск отдаёт список файлов, в которых встретилось слово, — читать и сопоставлять приходится самому. RAG отдаёт готовый ответ на заданный вопрос, а ссылку на документ прикладывает для проверки. И ищет он по смыслу, поэтому находит нужное, даже когда сотрудник сформулировал вопрос своими словами.
Нужно ли дообучать модель под нашу компанию? #
Для ответов по документам — нет. Документы меняются чаще, чем имеет смысл переучивать модель, и после каждого изменения пришлось бы повторять обучение. В схеме с поиском достаточно заменить файл в базе. Дообучение решает другую задачу — приучить модель к нужному стилю и формату ответа, а не к содержанию ваших документов.
Наши документы уйдут в чужую модель? #
Только если вы сами так решите. По умолчанию работаем на GigaChat и YandexGPT, персональные данные обезличиваются до отправки, серверы в России. Если документы нельзя выпускать за пределы компании, модель ставится внутри вашей сети — тогда наружу не уходит ничего.
У нас документы в беспорядке, нужно сначала разобрать? #
Нет, разбор — часть работы. На аудите составляется карта: что есть, что устарело, чего не хватает. Единственное, что придётся решить вам, — какая версия документа действующая, если их несколько. Это вопрос к компании, а не к подрядчику.
С чего начать, если решения пока нет? #
С аудита: он бесплатный и занимает 30 минут. На выходе — карта документов, предложение, с какого отдела начать, и оценка срока и цены. Этого достаточно, чтобы понять, стоит ли задача пилота, или в вашем случае дешевле навести порядок в документах и остановиться на этом.
