RAG (генерация с поиском)

Вы спрашиваете у нейросети про кроссовки для бега по асфальту в Казани, и она не отвечает сразу, а сначала лезет в интернет. Эта схема называется RAG (Retrieval-Augmented Generation): языковая модель перед ответом ищет документы по вопросу и пишет текст, опираясь на найденное. Термин ввели Патрик Льюис и соавторы в статье «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (arXiv, 22 мая 2020, принята на NeurIPS 2020).

Что меняется

Без RAG модель отвечает из того, что запомнила при обучении. Её знания остановились на дате отсечки обучения, а детали мелких брендов, скорее всего, в них не попали. С RAG к модели добавляется поисковый шаг.

В исходной статье «память» модели дополнял векторный индекс Википедии. В продуктах, которые видит пользователь, роль индекса играет поисковая система: у ChatGPT с поиском, Perplexity, Google AI Overviews и Алисы AI это живой веб. Яндекс описывает так: Алиса AI разбирает вопрос, при необходимости делит его на подвопросы, отправляет их в обычный Поиск и использует результаты (справка Вебмастера).

Что это даёт бренду

Если ответ строится на найденных страницах, на него можно повлиять: попасть в выдачу по вопросам покупателей и быть на тех площадках, которые система читает. У модели без поиска единственный рычаг долгий и внесайтовый: чтобы о вас писали до очередного обучения. RAG снижает число выдуманных фактов, но не убирает их. Модель может неверно пересказать страницу или смешать два источника (см. галлюцинации).

Три распространённых заблуждения

«RAG есть везде». У API-версий многих моделей поиска нет, пока его не подключат отдельно. Ответ GigaChat через API, например, строится без веб-поиска (подробнее в статье про GigaChat). В LLMetr нейросети с поиском и без него показаны раздельно, а для DeepSeek есть оба режима.

«Попал в топ Яндекса или Google, значит, попал и в ответ». Система отбирает фрагменты по смыслу, а не берёт десятку выдачи целиком. Google пишет, что при построении ответа применяет «query fan-out»: запускает несколько связанных поисков по подтемам, поэтому набор ссылок шире и отличается от классической выдачи (AI features and your website).

«Одного ответа достаточно». Поисковые запросы, которые формулирует система, меняются от прогона к прогону, а вместе с ними источники. Подробнее в статье про вариативность.

Что с этим делать

Составьте список вопросов покупателей без названия вашего бренда и посмотрите, на какие страницы ссылаются нейросети. Проверьте, что нужные страницы индексируются и доступны ИИ-краулерам, которые собирают данные для поиска. Отвечайте на вопрос в тексте прямо и ранним абзацем: фрагмент выбирается по смыслу, длинное вступление мешает. И не забывайте про внесайтовые упоминания, потому что поисковый шаг читает и чужие площадки (внесайтовые упоминания).