יצירה מועשרת באחזור (RAG): הגדרה, תרחישי שימוש ודוגמאות מעשיות
יצירה מועשרת באחזור (RAG) מאפשרת לכלי AI לשלב מידע חיצוני כדי לעגן את התשובות שלהם, והמדריך הזה מסביר כיצד היא פועלת, מהם הסוגים העיקריים שלה ומהם תרחישי השימוש בעולם האמיתי, מחיפוש באינטרנט ועד מאגרי ידע ארגוניים.

RAG, או יצירה מועשרת באחזור (retrieval-augmented generation), הוא התהליך שבאמצעותו כלים מבוססי LLM ניגשים למידע חיצוני. מידע זה, שאינו כלול בפרמטרי האימון של ה-LLM, מתווסף להקשר הקלט הרלוונטי ומשמש ליצירת התשובה.
RAG הוא אחד הרכיבים החשובים ביותר במערכות AI מודרניות. כל הכלים המובילים מבוססי הסוכנים (ChatGPT, Claude, Perplexity ועוד) משתמשים בו, ויש לו מגוון רחב של תרחישי שימוש לצרכנים ולארגונים. RAG עבר כמה חידושים מאז שהפך לנפוץ לראשונה, והוא ממשיך להתפתח בדרכים מרתקות.
מהי יצירה מועשרת באחזור (RAG)?
יצירה מועשרת באחזור (RAG) היא שיטה לשיפור הפלטים של מודלי שפה גדולים (LLMs) באמצעות אספקת מידע חיצוני רלוונטי.
"צינור" RAG טיפוסי, מונח המשמש לתיאור כללי של ארכיטקטורת ה-RAG שבבסיס המערכת, כולל שני נתיבים: נתיב קליטה ונתיב אחזור. נתיב הקליטה לוקח נתונים וממיר אותם לפורמט שניתן לחפש בו. נתיב האחזור בונה בקשה על סמך ההנחיה של המשתמש ומבצע שאילתה במקור המידע.
לעיתים קרובות, מערכות RAG נבנות סביב מסדי נתונים וקטוריים. בתרחיש זה, רכיב המתזמר של כלי ה-LLM, שמנהל הנחיות משתמש, שולח שאילתות ומאחזר תוצאות מהאינדקס שניתן לחפש בו, ייצור הטמעה וקטורית. הוא משתמש בה כדי לבצע שאילתה במסד נתונים של וקטורים המייצגים את הנתונים שנקלטו. לאחר מכן הוא יוסיף את המידע שאוחזר לקלט ההקשר הקיים עבור ה-LLM, יחד עם הוראות כיצד להשתמש בו כדי ליצור פלט.
RAG אינו מתייחס אך ורק לסוג החיפוש הווקטורי הצפוף שתואר לעיל. גם מעבר על גרף ידע, חיפוש סמנטי, חיפושים במסדי נתונים מסורתיים או כל שילוב של שיטות אלה נחשבים RAG.
היתרונות של RAG
אחת הסיבות לכך ש-RAG הפך לפופולרי כל כך היא שהוא פותר שתי בעיות מרכזיות הקשורות ליצירת תשובות באמצעות LLM בלבד: הזיות וחוסר גישה למידע שאינו כלול בחומרי האימון.
בדיקת עובדות ועיגון
ל-LLMs יש מוניטין של קושי בדיוק עובדתי. לעיתים קרובות, אם הם אינם יכולים לענות על שאלה באופן אמין, הם יהזו בביטחון מלא. הדבר יכול לנבוע מכך שהמידע לא נכלל בחומרי האימון, או מכך שחומרי האימון עצמם מכילים אי-דיוקים. תהליך בדיקת העובדות מבוסס RAG כולל עיגון של תשובה במידע ממקור צד שלישי מהימן.
מידע עדכני
מודלי LLM יכולים לענות רק על שאלות בנושאים שעד לנקודת החיתוך של נתוני האימון שלהם, המכונה תאריך סיום הידע. מערכות RAG יכולות להתחבר למקורות מידע עדכניים מאוד, כמו חומרי חדשות באמצעות API של חיפוש באינטרנט, או מסדי נתונים פנימיים עם מידע מוצר עדכני. כך ניתן ליצור תגובות בנושאים שאינם מכוסים בנתוני האימון.
גישה לנתונים חיצוניים פרטיים
מערכות RAG מאפשרות לארגונים לחבר תשתית AI למקורות מידע רגיש, קנייני וייעודי לתחום, שאינם יכולים לשתף בפומבי. כלים פופולריים רבים, כמו Perplexity, כוללים כיום אפשרות להעלות נתונים חסויים ולבנות מאגרי ידע פרטיים, וזהו תרחיש שימוש ארגוני נפוץ.
סקירה של RAG והתפתחותו: סוגי הארכיטקטורה העיקריים
אף שהמונח הספציפי יצירה מועשרת באחזור הופיע לראשונה במאמר חשוב משנת 2020 בשם Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, מערכות לאחזור מידע היו בשימוש עשרות שנים קודם לכן. מנועי החיפוש המוקדמים הם דוגמה טובה לכך. עם זאת, החידוש האמיתי בתחום ה-AI היה השילוב בין הידע הפרמטרי של המודל לבין אינדקס וקטורי צפוף (המאמר השתמש בוויקיפדיה כדי לבנות אותו).
הנה סקירה של הסוגים העיקריים של RAG:
- RAG בסיסי: RAG בסיסי, המכונה גם RAG נאיבי, הוא הגרסה הפשוטה ביותר של צינור RAG. הוא פועל לפי זרימה של אחזור ויצירה, כאשר חיפוש במסד נתונים וקטורי הוא תרחיש השימוש העיקרי. הוא עדיין מתאים לבניית יישום RAG פשוט, במיוחד לשימוש פנימי מוגבל.
- RAG היברידי: שילוב של יותר מסוג אחד של RAG. בדרך כלל הכוונה לשילוב של חיפושי מילות מפתח פשוטים עם אחזור וקטורי צפוף.
- RAG מתקן (Corrective RAG): צורה של RAG שבה מודל שעבר כוונון עדין מעריך את המידע שאוחזר כדי לקבוע את מידת הרלוונטיות שלו להנחיית המשתמש.
- Self-RAG: אף שהוא דומה ל-RAG מתקן, ב-Self-RAG ה-LLM מעריך את הפלטים של עצמו ומפעיל אחזור לפי הצורך. לשם כך הוא משתמש בטוקנים ייעודיים של רפלקציה.
- RAG מבוסס סוכנים (Agentic RAG): RAG מבוסס סוכנים מתייחס לאופן שבו פלטפורמות AI מבוססות סוכנים יכולות להפעיל שיטות אחזור שונות. ה-LLM יכול להפעיל הנמקה ולבחור מבין אפשרויות RAG שונות באמצעות המתזמר.
- RAG מולטימודלי: סוג זה של RAG משלב צורות מדיה אחרות, כמו תמונות ושמע, בצינורות הקליטה והאחזור שלו.
- GraphRAG: GraphRAG משלב מעבר על גרף ידע (חיפוש ישויות) כדי לאחזר מידע. הדבר יכול להיעשות בשילוב עם אחזור וקטורי צפוף, אך לא בהכרח.
- RAG מסועף (Branched RAG): ארכיטקטורת RAG זו כוללת הרצה של מספר שאילתות אחזור בו-זמנית, לעיתים קרובות תוך שימוש בדפוסי ארכיטקטורה שונים. RAG מסועף הוא תכונה נפוצה בכלי AI שמריצים תהליכי עבודה מורכבים.
- HyDE (Hypothetical Document Embeddings – הטמעות מסמכים היפותטיים): הטמעות מסמכים היפותטיים הן תגובות שנוצרו על ידי AI ומדמות את מה שעשויה להיות תשובה אידיאלית להנחיית המשתמש. הן משמשות לחידוד שאילתת ה-RAG, וכך משפרות את הדיוק של המידע המאוחזר.
תרחישי השימוש המובילים ב-RAG, עם דוגמאות
איך RAG נראה בעולם האמיתי? אם שאלתם צ׳אטבוט AI שאלה על נושא תלוי זמן, פניתם לבוט של תמיכת לקוחות או השתמשתם בעוזר אישי למשימות מנהליות, השתמשתם ב-RAG.
דוגמאות ה-RAG המובילות בהקשרים צרכניים וארגוניים הן חיפוש באינטרנט, עוזרים אישיים (כולל בתכנות), עוזרי קוד, תמיכת לקוחות וניהול ידע ארגוני.
חיפוש באינטרנט
חיפוש באינטרנט הוא צורה נפוצה של RAG, וככל הנראה היישום הצרכני הנפוץ ביותר. כל הצ׳אטבוטים המובילים מציעים יכולת חיפוש באינטרנט, שבה ה-LLM משתמש במקורות עדכניים כדי להשלים את המידע הכלול בחומרי האימון שלו.
המתזמר בכלי ה-AI מתחבר למנוע חיפוש של צד שלישי באמצעות קריאת API, והתוצאות, בצורת קטעי טקסט, מתווספות לחלון ההקשר של ה-LLM. כך המשתמשים יכולים לגשת לאירועים אקטואליים, למחקרים עדכניים, למידע על מוצרים ולנושאים אחרים שבהם המידע משתנה לעיתים קרובות.
בפועל, בקשת ה-API עשויה להיראות כך:
{
"query": "latest US inflation news",
"max_results": 1,
"language": "en",
"country": "US"
}המידע המוחזר יכלול את המקור ואת קטע הטקסט:
{
"query": "latest US inflation news",
"results": [
{
"title": "US inflation rises slightly in latest report",
"url": "https://example.com/us-inflation-report",
"snippet": "Consumer prices increased in the latest monthly data, with
housing and energy contributing to the rise.",
"published_date": "2026-11-05"
}
]
}עוזרי AI אישיים
עוזרים אישיים משתמשים ב-RAG כדי להתחבר למקורות מידע בסביבה אישית או בסביבה ארגונית משותפת. דוגמאות למקורות מידע כוללות את הודעות האימייל, הקבצים, היומן ומסדי הנתונים של המשתמש.
מכיוון שמידע יכול להיות מאוחסן בדרכים שונות, הדרך הטובה ביותר להבין עוזרים אישיים היא כמערכות RAG מבוססות סוכנים במלואן. הם עשויים להשתמש בקריאות API, בחיפוש מילות מפתח, באחזור וקטורי צפוף או במעבר על גרף ידע, בהתאם להנחיה.
מערכות RAG ארגוניות מקודדות יותר ויותר ידע לתוך מסדי נתונים וקטוריים, כך שעוזרים אישיים ברמת החברה כולה יוכלו לאחזר אותו בקלות, ומוצרי AI ארגוניים רבים מתוכננים מתוך מחשבה על כך.
עוזרי קוד ראויים לציון גם משום שהם מייצגים תרחיש שימוש מרכזי נוסף. עוזר קוד, כמו GitHub Copilot, יכול להתחבר למאגר קוד ולתיעוד ספציפי לפרויקט כדי לאחזר קבצים, פונקציות, סמלים, הנחיות, ממשקי API והיסטוריית קומיטים רלוונטיים.
תמיכת לקוחות
תמיכת לקוחות היא תרחיש שימוש מרכזי נוסף של RAG, והאימוץ של צ׳אטבוטים מבוססי AI גדל במהירות בשנים האחרונות. בדוח State of AI Customer Support שלה, Crisp מצאה ש-40% מהשיחות נפתרות ללא צורך במעורבות אנושית, מה שמעיד על רמת יעילות גבוהה.
כאשר משתמש שואל בוט של תמיכת לקוחות שאלה, המתזמר יחפש בדרך כלל במאגר הידע הפנימי של החברה. כדי להבטיח דיוק, נעשה לעיתים קרובות שימוש גם ב-RAG מתקן וב-Self-RAG, ובמידת הצורך מתבצעת העברה לנציג אנושי.
מאגרי ידע ארגוניים
פריסת תהליכי עבודה מבוססי AI וכלי AI גנרטיביים בעסקים בינוניים וגדולים התרחשה במקביל לבניית מאגרי ידע פנימיים. כך עוזרים ברמת החברה כולה יכולים לגשת לנתונים פנימיים תוך שמירה על פרטיות, בין אם מדובר במידע רגיש על לקוחות, בנתונים ארגוניים פרטיים או בידע מקצועי ייעודי.
מערכות אלה בנויות בדרך כלל סביב מסדי נתונים וקטוריים, אך נעשה בהן שימוש גם בשיטות RAG אחרות. לדוגמה, ל-Microsoft 365 Copilot יש שכבת API שחושפת מקורות מידע שונים, כולל מסדי נתונים וקטוריים, גרפי ידע ואינדקסים סמנטיים, כדי לספק גישה רחבה לנתוני החברה.
מערכות RAG אלה בדרך כלל גם מובנות בחבילות הארגוניות של כלים כלליים מבוססי סוכנים. לדוגמה, Perplexity Enterprise מאפשר למשתמשים להעלות כמויות גדולות של תיעוד לשימוש פנימי מאובטח.
המשתמשים יכולים גם להעלות קבצים משלהם בתוך פרויקטים עצמאיים, וכך למעשה ליצור מערכות RAG קטנות. ניתן לשלב חיפושים עם צורות אחרות של RAG, כמו חיפושים באינטרנט, לצורך העשרה היברידית.
מה ההבדל בין RAG לבין LLM?
מודל שפה גדול (LLM) יכול ליצור פלטים רק באמצעות מידע המיוצג בפרמטרים שלו. הוא מקצה הסתברויות לאוצר מילים פנימי כדי לחזות את המילה הבאה, או הטוקן הבא, ברצף. לכן, הוא אינו יכול לספק תשובות מדויקות אם הפרמטרים שלו לא אומנו על מידע רלוונטי.
בפלטפורמת AI כללית או ייעודית, צינורות RAG פועלים לצד LLM או קבוצה של LLMs. הם מתחברים למקורות מידע חיצוניים כדי להשלים את הקשר הקלט שמסופק למודל השפה, וזה, בעיקרו של דבר, ההבדל בין RAG לבין LLMs.
ההחלטה אם לאחזר מידע נוסף או להסתמך רק על ידע פרמטרי יכולה להתקבל ברמת המתזמר, בדרך כלל באמצעות לוגיקה מבוססת כללים, או אפילו על ידי ה-LLM עצמו.
מה ההבדל בין RAG לבין MCP?
הדרך הטובה ביותר להבין את RAG ואת Model Context Protocol (MCP) היא כטכנולוגיות משלימות. MCP הוא תקן פתוח לבניית ארכיטקטורה שמאפשרת לכלי AI לגשת ליכולות, למשאבים ולהנחיות חיצוניים באמצעות נקודת קצה אחת.
כאשר כלי AI מתחבר לשרת MCP, השרת חושף את כל הפרימיטיבים (כלי MCP, משאבים והנחיות) שללקוח יש הרשאת גישה אליהם. הלקוח הוא הרכיב שיוצר את החיבור בין המתזמר בצד הלקוח לבין השרת. לעיתים הדבר עשוי לכלול חשיפה של מסדי נתונים ומקורות מידע, ובמקרה כזה ה-MCP משמש כמתווך בשכבת האחזור של צינור RAG.
מה ההבדל בין RAG לבין API?
API הוא ממשק מוגדר ששתי אפליקציות יכולות להשתמש בו כדי לשלוח בקשות זו לזו. RAG הוא התהליך שבאמצעותו מודלי LLM יכולים לגשת למידע חיצוני כדי לשפר ולהרחיב את הפלטים שלהם.
RAG משתמש לעיתים קרובות בקריאות API כדי לאחזר מידע. לדוגמה, באחזור מידע לצורך חיפוש באינטרנט, המתזמר ינסח בקשת API למנוע החיפוש הרלוונטי על סמך ההנחיה של המשתמש.
מדוע RAG חשוב וכיצד הוא ימשיך להתפתח
RAG חשוב מכיוון שמודלי LLM מוגבלים מטבעם על ידי נתוני האימון שלהם. ישנם תחומי מידע שלמים, מאירועים אקטואליים ועד ידע פנימי של חברות, שאין להם גישה אליהם. RAG פותר בעיה זו בלי לדרוש כמות משאבים בלתי סבירה.
עם זאת, אחזור מידע לבדו אינו מספיק, ולכן RAG ימשיך להתפתח. RAG מהווה חלק נכבד ממחקר ה-AI הנוכחי, ומתמקד בשיפור מערכות כך שיחזירו את המידע הנכון במגוון רחב של פורמטים, וישפטו ויתעדפו אותו ביעילות.
ככל ש-RAG נעשה חזק יותר, כך גדלה גם התועלת של מערכות AI ביישומים צרכניים וארגוניים חשובים. אלה כוללים תמיכת לקוחות, חיפוש באינטרנט, תכנות, עוזרים אישיים, מחקר ייעודי ועוד.