ENATIV Logo
ENATIV
Powrót
© 2026 ENATIV
ProjektyOfertaBaza wiedzyKontakt
kontakt@enativ.pl
  1. Baza wiedzy
  2. ›
  3. AI
  4. ›
  5. RAG

RAG

Retrieval-augmented generation: model czyta fragmenty dokumentów przed odpowiedzią. Kiedy ma sens, gdzie zawodzi.

AI

Kategoria
AI

W praktyce

RAG polega na tym, że model przed odpowiedzią dostaje fragmenty Twoich dokumentów, zamiast polegać na pamięci. Sięgam po niego, gdy odpowiedzi mają stać na danych, które się zmieniają, i da się wskazać źródło. Gdy wiedzy jest mało i rzadko się zmienia, wklejam ją do promptu i nie buduję indeksu.

Czym jest RAG?

RAG, czyli retrieval-augmented generation, to podejście, w którym model językowy dostaje razem z pytaniem informacje dobrane do tego pytania. Termin pochodzi z pracy badawczej z 2020 roku, która łączyła wiedzę zapisaną w parametrach modelu z zewnętrzną pamięcią, przeszukiwaną w trakcie odpowiedzi. Prościej: model dostaje konkretne informacje istotne dla zapytania.

Dobór informacji zwykle opiera się na embeddingach, czyli zapisie sensu tekstu jako wektora, w którym podobne treści leżą blisko siebie. Dokument dzieli się na fragmenty, każdy zamienia na embedding i zapisuje w bazie obsługującej wektory, na przykład w PostgreSQL z rozszerzeniem pgvector. Przy pytaniu system szuka najbliższych fragmentów i dokłada je do promptu. Embeddingi to jedna z metod: kontekst może pochodzić z dowolnego źródła. Całość działa po stronie serwera, na przykład w trasie API w Next.js, bo dokumenty i klucze nie mogą trafić do przeglądarki.

Jak do tego podchodzę

Zaczynam od ustalenia, czy RAG w ogóle jest potrzebny. Każdy element potoku trzeba potem utrzymywać, więc buduję go dopiero wtedy, gdy prostsze wyjście nie wystarcza.

  1. Najpierw prostsze wyjście

    Sprawdzam, czy wiedza zmieści się w prompcie. Jeśli to kilka stron, które zmieniają się raz na jakiś czas, wklejam je w całości i nie buduję indeksu. Fine-tuning zostawiam na zmianę stylu i formatu odpowiedzi, bo wiedzę łatwiej zmienić w dokumencie niż w modelu.

  2. Fragmenty z podanym źródłem

    Dokument tnę według jego struktury, czyli nagłówków i akapitów, a nie co stałą liczbę znaków. Do każdego fragmentu dopisuję, skąd pochodzi. Im większe wejście embeddingu, tym gorsza jego jakość, więc fragmentem nie może być cała strona.

  3. Pytania testowe i odświeżanie

    Zbieram pytania, na które znamy odpowiedź, i sprawdzam, czy właściwy fragment trafia do promptu. Osobno ustalam, kto odświeża indeks po zmianie dokumentu, bo stary fragment będzie znajdowany, dopóki ktoś go nie usunie.

Kiedy tak, a kiedy nie

RAG pasuje do pytań, na które odpowiedź leży w dokumentach, a nie w wiedzy ogólnej modelu.

Sprawdza się, gdy

  • Baza wiedzy, regulaminy albo dokumentacja, które zmieniają się częściej niż model.
  • Dokumentów jest za dużo, żeby zmieściły się w jednym prompcie.
  • Odpowiedź ma wskazać źródło, żeby człowiek mógł ją sprawdzić.
  • Użytkownicy mają widzieć różne dokumenty, więc dostęp trzeba filtrować, zanim fragment trafi do modelu.

Nie sprawdza się, gdy

  • Wiedzy jest kilka stron i rzadko się zmienia: wystarczy wkleić ją do promptu.
  • Pytania dotyczą liczb z bazy, na przykład stanu zamówienia: to zadanie dla narzędzia, które pyta bazę wprost.
  • Dokumenty są sprzeczne albo nieaktualne: RAG tylko wyciągnie ten bałagan szybciej.
  • Chodzi o ton i format odpowiedzi, nie o wiedzę: zaczynam od promptu.

Gdy model ma wywoływać zapytania do Twojego systemu zamiast czytać dokumenty, używam narzędzi w AI SDK. Gdy celem jest wyszukiwanie, a nie odpowiedź tekstem, buduję wyszukiwarkę semantyczną.

Często zadawane pytania

Zaczynam od najprostszego rozwiązania. Gdy wiedza mieści się w prompcie, wklejam ją w całości, bez indeksu. Gdy dokumentów jest dużo albo często się zmieniają, dobieram fragmenty, czyli RAG. Aktualizacja wiedzy zapisanej w samym modelu to otwarty problem, więc fine-tuningu nie używam do podawania faktów, tylko do stylu.
Najczęściej zawodzi wyszukiwanie fragmentów, nie sam model. Fragment bywa ucięty w pół zdania, a indeks pamięta starą wersję dokumentu. Pytanie może też używać innych słów niż tekst. Dlatego najpierw patrzę, jakie fragmenty trafiły do promptu. Jeśli nie ma wśród nich właściwego, poprawianie samego promptu niczego nie zmieni.
Sam z siebie nie wskazuje. Do każdego fragmentu dopisuję źródło, a modelowi każę odpowiadać na podstawie dostarczonych fragmentów i przyznać, gdy ich brak. Wtedy odpowiedź może podać dokument. Instrukcja w prompcie to wskazówka, nie gwarancja, więc sprawdzam to pytaniami testowymi, także takimi, na które odpowiedzi w dokumentach nie ma.
Każdy fragment zapisuję z identyfikatorem dokumentu i datą zmiany. Po edycji usuwam stare fragmenty i dodaję nowe, zamiast dopisywać je obok, bo wtedy model dostaje dwie sprzeczne wersje. Odświeżanie wpinam w miejsce, w którym dokument i tak jest zapisywany, żeby nie zależało od niczyjej pamięci.

Na tej stronie

  • W praktyce
  • Czym jest RAG?
  • Jak do tego podchodzę
  • Kiedy tak, a kiedy nie
  • Często zadawane pytania

Powiązane hasła

  • RAG
  • Vercel AI SDK
  • PostgreSQL
  • Next.js

W ofercie

  • Integracja AIRozwiązania AI, chatboty i inteligentna automatyzacja dla Twojego biznesu.
  • Wyszukiwarka Semantyczna i AI Q&AWyszukiwarka, która rozumie intencję użytkownika, z odpowiedziami opartymi o Twoje treści, w nowej aplikacji, obecnej lub w CMS.
  • AI w Obsłudze KlientaAsystenci AI w czacie, e-mailu i helpdesku: sugerowane odpowiedzi, triage zgłoszeń i chatbot na stronę z przekazaniem do człowieka.
  • Wdrożenie AI w FirmieWdrożenie Claude, ChatGPT Enterprise, Copilot lub Gemini dla zespołu oraz asystent wiedzy z zachowaniem uprawnień użytkowników.

Asystent ma odpowiadać z Twoich dokumentów?

Napisz, jakie dokumenty macie i jak często się zmieniają. Powiem, czy wystarczy wkleić je do promptu, czy potrzebny jest indeks. Co wchodzi w ofertę, sprawdzisz na stronie [[service:ai|Integracji AI]].

Opisz swój projekt