RAG простыми словами: как ИИ отвечает по вашим документам

Вы спрашиваете нейросеть о сроках доставки в вашей компании, и она уверенно отвечает: «3–5 рабочих дней». Звучит убедительно, только у вас доставка занимает неделю. Нейросеть не знает ваш бизнес и заполнила пробел правдоподобной выдумкой.

Чтобы нейросеть отвечала по вашим документам, используют подход под названием RAG. Если простыми словами, перед ответом программа находит в ваших документах нужный кусок текста и даёт его нейросети вместе с вопросом. Нейросеть отвечает уже не по памяти, а по найденному.

Что такое RAG и откуда это название

RAG — это сокращение от английского Retrieval-Augmented Generation, «ответ с подсказкой из найденного». Звучит сложно, но идея знакома каждому, кому на экзамене разрешали пользоваться учебником.

Если студента спросить по памяти, он может перепутать даты. Если разрешить открыть учебник на нужной странице, он прочитает и ответит точно. RAG даёт нейросети такую открытую книгу: ваши документы, причём сразу на нужной странице.

Как работает RAG: четыре шага

Шаг 1. Документы режут на кусочки. Прайс, условия доставки, регламенты делят на небольшие фрагменты, примерно по абзацу или половине страницы. Так проще найти именно тот кусок, где есть ответ.

Шаг 2. Каждый кусочек превращают в набор чисел. Специальная нейросеть читает фрагмент и записывает его смысл в виде длинного ряда чисел. Фрагменты с похожим смыслом получают похожие числа. Это делается один раз для каждого документа.

Шаг 3. По вопросу ищут похожие кусочки. Клиент спросил «сколько ехать посылке в Казань?». Вопрос тоже превращают в числа и ищут фрагменты с самыми похожими числами. Находится кусок «Доставка по России: Казань, 4–6 дней», хотя слов «ехать» и «посылка» в нём нет.

Шаг 4. Нейросеть отвечает по найденному. Ей отправляют вопрос, найденные кусочки и правило: «отвечай только по этим фрагментам, если ответа нет, так и скажи». Нейросеть пишет ответ своими словами, но опираясь на ваш текст.

Чем поиск по смыслу отличается от поиска по словам

Обычный поиск в документах ищет совпадение слов. Если клиент пишет «сколько ехать посылке», а в документе написано «срок доставки», обычный поиск ничего не найдёт.

Поиск по смыслу из шагов 2 и 3 понимает, что «сколько ехать» и «срок доставки» означают одно и то же. Поэтому RAG находит ответ, даже когда клиент формулирует вопрос совсем иначе, чем написано в документах.

Поэтому в хороших системах часто совмещают оба поиска: по смыслу для обычных вопросов и по словам для артикулов и номеров.

Где RAG помогает бизнесу

• Ответы клиентам. Консультант на сайте или в Telegram отвечает по вашему прайсу и условиям.
• Помощь сотрудникам. Новичок спрашивает, как оформить командировку, и система показывает пункт положения.
• Поиск по договорам и инструкциям. Вместо часа листания папок вопрос своими словами.
• Агенты. ИИ-агент использует RAG как свою папку с документами, чтобы действовать по вашим правилам, а не по догадкам.

Во всех этих случаях хорошая система показывает, откуда взят ответ. Тогда человек может открыть источник и проверить.

Где RAG не поможет

Если в документах нет ответа. RAG ищет только в том, что вы загрузили. Нет в документах условий возврата, значит, и правильного ответа про возврат не будет.

Если документы противоречат друг другу. В одном файле доставка 5 дней, в другом 7. Система может найти любой из них. Перед запуском документы нужно почистить.

Если вопрос требует расчёта по всей базе. «Какой товар продавался лучше всего в сентябре» — это задача для отчёта из учётной программы, а не для поиска по текстам.

Если документы устарели. RAG отвечает по тому, что загружено. Поменяли цены, обновите и документ в базе, иначе система будет называть старые.

Сколько стоит RAG

Превращение текста в числа у Яндекса стоит 0,0101 ₽ за 1 000 токенов с НДС на 5 октября 2026. Токен примерно равен трём-четырём буквам.

База из 60 статей по 8 000 знаков занимает порядка 150–200 тысяч токенов. Её обработка обойдётся примерно в 2 ₽, и делается она один раз. Вопрос каждого клиента тоже превращают в числа, но это доли копейки.

Основные расходы приходятся не на поиск, а на ответ нейросети: на моделях Яндекса от 20 копеек до 1,5 ₽ за ответ. Из чего складывается вся стоимость агента вместе с сервером, разобрано отдельно.

Как проверить, что RAG работает хорошо

Соберите 20–30 реальных вопросов клиентов, для которых вы точно знаете правильный ответ. Прогоните их через систему и для каждого проверьте две вещи:

1. Нашла ли система правильный кусок документа.
2. Правильно ли нейросеть ответила по этому куску.

Если не нашла нужный кусок, проблема в документах или в нарезке: возможно, ответ размазан по нескольким местам или сформулирован слишком расплывчато. Если нашла, но ответила неверно, нужно уточнить правила для нейросети.

Повторяйте эту проверку после каждого крупного обновления документов. Так вы узнаете об ошибках раньше клиентов.

С чего начать

Начните не с программ, а с документов. Соберите в одном месте всё, что нужно для ответов: прайс, условия, частые вопросы. Удалите устаревшее, уберите противоречия, перепишите расплывчатые места.

Дальше систему можно собрать в конструкторе автоматизаций n8n на российских нейросетях: у Яндекса есть и модели для превращения текста в числа, и модели для ответа. Где хранить эти числа, разобрано в статье про векторную базу данных. Для ответа подойдёт одна из моделей YandexGPT, начинать стоит с самой дешёвой.