Разбор
RAG: как сделать ИИ умным в твоей конкретной области
ChatGPT не знает твои регламенты — потому что не читал их. RAG — это шпаргалка для модели из твоих документов. Объясняю на пальцах и показываю как собрать за вечер без кода.
Финдиректор холдинга на 300 сотрудников пришла с одной фразой: «ChatGPT тупой. Я не понимаю, за что вы все его хвалите».
Она задаёт ему вопрос: «Какая у нас норма списания командировочных?» ИИ выдаёт что-то общее из интернета. Она злится. И справедливо.
Откуда он знает её политику? Он её не читал. Он читал книги, форумы, документацию — но не папку «Регламенты-2025» с её Google Drive.
Я показал ей одну штуку. Через сорок минут ChatGPT начал отвечать точно, по её документам, со ссылками на пункт и параграф. «Это другой инструмент», — сказала она.
Тот же ChatGPT. Просто с RAG.
закрывает RAG — без переобучения, без миллионов
Как это работает на пальцах
ChatGPT, Claude, Gemini обучали один раз. Всё, что не попало в обучающую гору — модель не знает. Свежие новости. Внутренние регламенты. Твои заметки. Решения, принятые на встрече во вторник. Около 90% всего реально полезного для работы.
Переобучить модель под компанию — миллиарды долларов. Fine-tuning — дешевле, но даёт застывший результат: поменялся регламент — переобучай заново.
Другой путь: в момент вопроса подсунуть модели нужные куски твоих документов. Вместе с вопросом. Это RAG — Retrieval-Augmented Generation, генерация дополненная поиском.
Аналогия: умный студент на экзамене со шпаргалкой. Не списывает — подсматривает точную формулировку в нужный момент. Отвечает своими словами, но с правильной фактурой. Пятёрка.
Загрузка
Твои документы режутся на кусочки по абзацу
Embedding
Каждый кусок превращается в вектор смысла
Поиск
Вопрос → система достаёт 3–5 близких кусков
Ответ
ИИ отвечает по кускам, со ссылками
Главное следствие: почти без галлюцинаций, потому что вместо «сочини из головы» модели говорят «вот текст, опирайся на него».
Где это уже работает
Внутренние HR-ассистенты → нагрузка на поддержку −40%
Тысячи регламентов, инструкций, чек-листов. Новый сотрудник пишет боту — бот читает корпоративный портал, отвечает за 10 секунд. Один клиент получил −40% нагрузки на HR за два месяца.
Клиентская поддержка → 24/7 без выгорания
RAG-бот отвечает на уровне опытного саппорта: конкретно, со ссылкой на инструкцию, не «обратитесь в чат». Не хамит уставшему клиенту в пятницу вечером.
Юридический поиск → день → 2 минуты
Все договоры за 10 лет + судебная практика + законодательство. «Покажи контракты с неустойкой выше 10%» — ныряет, достаёт, со ссылками.
Личный ассистент по заметкам
Тысячи заметок в Notion или Obsidian — RAG превращает их в личного эксперта. «Что я думал про найм первого сотрудника?» — находит заметку трёхлетней давности. Мой любимый сценарий — живу именно так.
Как собрать своего RAG-помощника без кода
NotebookLM (Google) — бесплатно
До 50 источников: PDF, Google Docs, YouTube, сайты. Отвечает с цитатами и ссылками на конкретный кусок. Делает аудио-подкаст по твоим материалам голосом двух ведущих. Старт — 15 минут.
Claude Projects / ChatGPT Projects
Создаёшь проект, заливаешь документы — все чаты внутри учитывают их. Claude особенно силён с длинными документами — огромный контекст. Custom GPT: делишься ссылкой с командой, за 15 минут корпоративный бот.
Glean / Mendable / Dust
Подключаются к Slack, Notion, Confluence, Google Drive, Jira. Единый поисковый ассистент поверх всей корпоративной информации. Инфраструктура на которой живёт компания.
LangChain / LlamaIndex + векторная база
Pinecone, Weaviate, Qdrant — полный контроль. Своя логика разбиения, свой embedder, права доступа. Для команд с разработкой.
Задание: возьми 10 любимых книг или статей в PDF. Залей в NotebookLM. Поговори с ним полчаса. Этого достаточно, чтобы понять что такое RAG на практике.
Проверь себя
Зачем RAG, если можно переобучить модель под компанию?
Точно. Переобучение базовой модели — миллиарды долларов и месяцы. Fine-tuning дешевле, но даёт застывший результат. RAG обновляется мгновенно: изменил регламент в документе — модель сразу знает новую версию. Это главное преимущество для корпоративных задач.
Источники
- Курс «ИИ-агенты от нуля», эпизод 21 — Лёха Маркетолог (axdigital.ru)
Источники
Читайте также
Часто задаваемые вопросы
- Что такое RAG простыми словами?
- RAG (Retrieval-Augmented Generation) — это шпаргалка для ИИ. Ты заранее загружаешь свои документы, при вопросе система находит релевантные куски и подсовывает их модели вместе с вопросом. ИИ отвечает по твоим данным, а не из общего интернета.
- Зачем RAG если можно переобучить модель под компанию?
- Переобучение базовой модели стоит миллиарды и занимает месяцы. Fine-tuning дешевле, но даёт застывший результат — поменялся регламент, переобучай снова. RAG обновляется мгновенно: изменил документ, система сразу знает новую версию.
- Что такое embedding и зачем он нужен в RAG?
- Embedding — вектор чисел, описывающий смысл текста. Похожие по смыслу куски оказываются рядом в векторном пространстве. Когда ты задаёшь вопрос, система находит куски, близкие по смыслу к вопросу — даже если они написаны другими словами.
- Как попробовать RAG бесплатно без программиста?
- NotebookLM от Google — бесплатно, до 50 источников (PDF, Google Docs, YouTube, сайты). Claude Projects и ChatGPT Projects — загрузи документы, спрашивай. За полтора часа без кода получаешь рабочего ассистента по своим материалам.
- Какие задачи реально решает RAG в бизнесе?
- Внутренние HR-ассистенты (нагрузка на поддержку -40%), клиентский саппорт 24/7, юридический поиск по контрактам, медицинские истории пациентов, личный ассистент по заметкам в Notion/Obsidian. 80% корпоративных ИИ-задач покрывается RAG.
- Где RAG не работает?
- Плохо нарезанные документы → обрывки без контекста. Мусор и противоречивые версии в базе → мусорные ответы. Вопрос без нужных слов → система не найдёт. RAG — инструмент, не волшебная палочка. Качество шпаргалки определяет качество ответа.
Пока без комментариев. Будьте первым.