Generiranje prošireno dohvaćanjem (RAG): definicija, slučajevi upotrebe i praktični primjeri
Generiranje prošireno dohvaćanjem (RAG) omogućuje alatima umjetne inteligencije da uključe vanjske informacije kako bi utemeljili svoje odgovore, a ovaj vodič objašnjava kako funkcionira, koje su njegove glavne vrste i kako se primjenjuje u stvarnom svijetu, od web-pretraživanja do baza znanja u poduzećima.

RAG, odnosno generiranje prošireno dohvaćanjem (engl. retrieval-augmented generation), proces je kojim alati temeljeni na LLM-ovima pristupaju vanjskim informacijama. Te se informacije, koje nisu sadržane u parametrima LLM-a stečenima treniranjem, dodaju relevantnom ulaznom kontekstu i koriste pri generiranju odgovora.
RAG je jedna od najvažnijih komponenti suvremenih sustava umjetne inteligencije. Koriste ga svi popularni agentni alati (ChatGPT, Claude, Perplexity itd.), a ima i širok raspon primjena za potrošače i poduzeća. Otkako se prvi put proširio, RAG je prošao kroz niz inovacija i nastavlja se razvijati na zanimljive načine.
Što je generiranje prošireno dohvaćanjem (RAG)?
Generiranje prošireno dohvaćanjem (RAG) metoda je poboljšanja izlaza velikih jezičnih modela (LLM-ova) tako da im se pružaju relevantne vanjske informacije.
Tipičan RAG „cjevovod“, pojam kojim se označava široka temeljna RAG arhitektura, ima dva puta: put unosa i put dohvaćanja. Put unosa preuzima podatke i pretvara ih u format pogodan za pretraživanje. Put dohvaćanja sastavlja zahtjev na temelju korisnikova upita i postavlja upit izvoru informacija.
RAG sustavi često se grade oko vektorskih baza podataka. U tom scenariju komponenta orkestrator LLM alata, koja upravlja korisničkim upitima, šalje upite za pretraživanje i dohvaća rezultate iz indeksa za pretraživanje, generira vektorsku ugradnju. Pomoću nje pretražuje bazu vektora koji predstavljaju unesene podatke. Zatim dohvaćene informacije dodaje postojećem ulaznom kontekstu za LLM, uz upute o tome kako ih upotrijebiti za generiranje izlaza.
RAG se ne odnosi isključivo na vrstu gustog vektorskog pretraživanja opisanu gore. U RAG se ubrajaju i obilazak grafa znanja, semantičko pretraživanje, tradicionalna pretraživanja baza podataka ili bilo koja kombinacija tih metoda.
Prednosti RAG-a
Jedan od razloga zašto je RAG postao toliko popularan jest to što rješava dva ključna problema povezana s generiranjem odgovora isključivo pomoću LLM-a: halucinacije i nedostatak pristupa informacijama koje nisu sadržane u materijalima za treniranje.
Provjera činjenica i utemeljenje
LLM-ovi su poznati po tome da imaju poteškoća s činjeničnom točnošću. Ako ne mogu pouzdano odgovoriti na pitanje, često će samouvjereno halucinirati. Razlog može biti to što informacije nisu bile sadržane u materijalima za treniranje ili to što sami materijali za treniranje sadrže netočnosti. Provjera činjenica uz pomoć RAG-a uključuje utemeljenje odgovora na informacijama iz pouzdanog izvora treće strane.
Ažurne informacije
LLM-ovi mogu odgovarati samo na pitanja o temama do trenutka zaključenja svojih podataka za treniranje, koji se naziva granicom znanja. RAG sustavi mogu se povezati s vrlo aktualnim izvorima informacija, kao što su vijesti dostupne putem API-ja za web-pretraživanje ili interne baze podataka s ažurnim informacijama o proizvodima. Time je moguće generirati odgovore o temama koje nisu obuhvaćene podacima za treniranje.
Pristup privatnim vanjskim podacima
RAG sustavi omogućuju poduzećima povezivanje infrastrukture umjetne inteligencije s izvorima osjetljivih, vlasničkih i za domenu specifičnih informacija koje ne mogu javno dijeliti. Mnogi popularni alati, kao što je Perplexity, sada nude mogućnost prijenosa povjerljivih podataka i izgradnje privatnih baza znanja, što je čest slučaj upotrebe u poduzećima.
Pregled i razvoj RAG-a: glavne vrste arhitekture
Iako se sam pojam generiranje prošireno dohvaćanjem prvi put pojavio u važnom radu iz 2020. pod naslovom Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, sustavi za dohvaćanje informacija koristili su se već desetljećima prije toga. Rane tražilice dobar su primjer. No prava inovacija u području umjetne inteligencije bila je kombinacija parametarskog znanja modela s gustim vektorskim indeksom (u radu je za njegovu izgradnju korištena Wikipedija).
Evo pregleda glavnih vrsta RAG-a:
- Osnovni RAG: Osnovni RAG, koji se naziva i naivni RAG, najjednostavnija je izvedba RAG cjevovoda. Slijedi tijek „dohvati pa generiraj“, a primarni mu je slučaj upotrebe pretraživanje vektorske baze podataka. I dalje je prikladan za izradu jednostavne implementacije RAG-a, osobito za ograničenu internu upotrebu.
- Hibridni RAG: Podrazumijeva kombiniranje više vrsta RAG-a. Obično se odnosi na kombinaciju jednostavnog pretraživanja po ključnim riječima i gustog vektorskog dohvaćanja.
- Korektivni RAG: Oblik RAG-a u kojem fino podešeni model procjenjuje dohvaćene informacije kako bi utvrdio njihovu relevantnost za korisnikov upit.
- Self-RAG: Iako je sličan korektivnom RAG-u, u self-RAG-u LLM procjenjuje vlastite izlaze i po potrebi pokreće dohvaćanje. Za to koristi posebne tokene refleksije.
- Agentni RAG: Agentni RAG odnosi se na način na koji platforme agentne umjetne inteligencije mogu pozivati različite metode dohvaćanja. LLM može rasuđivati i putem orkestratora birati između različitih RAG opcija.
- Multimodalni RAG: Ova vrsta RAG-a u svoje cjevovode za unos i dohvaćanje uključuje i druge oblike medija, poput slika i zvuka.
- GraphRAG: GraphRAG za dohvaćanje informacija koristi obilazak grafa znanja (pretraživanje entiteta). To može biti u kombinaciji s gustim vektorskim dohvaćanjem, ali ne mora.
- Razgranati RAG: Ova RAG arhitektura podrazumijeva istodobno pokretanje više upita za dohvaćanje, često uz različite arhitekturne obrasce. Razgranati RAG česta je značajka alata umjetne inteligencije koji izvršavaju složene tijekove rada.
- HyDE (Hypothetical Document Embeddings): Ugradnje hipotetskih dokumenata odgovori su koje generira umjetna inteligencija i koji simuliraju kako bi mogao izgledati idealan odgovor na korisnikov upit. Koriste se za preciziranje RAG upita, čime se poboljšava točnost dohvaćenih informacija.
Najvažniji slučajevi upotrebe RAG-a s primjerima
Kako RAG izgleda u stvarnom svijetu? Ako ste AI chatbotu postavili pitanje o vremenski osjetljivoj temi, poslali upit botu za korisničku podršku ili koristili osobnog asistenta za administrativne zadatke, koristili ste RAG.
Najvažniji primjeri RAG-a u potrošačkom i poslovnom kontekstu su web-pretraživanje, osobni asistenti (uključujući one za programiranje), asistenti za programiranje, korisnička podrška i upravljanje znanjem u poduzećima.
Web-pretraživanje
Web-pretraživanje široko je rasprostranjen oblik RAG-a i vjerojatno najraširenija primjena namijenjena potrošačima. Svi popularni chatbotovi nude funkciju web-pretraživanja, pri čemu LLM koristi ažurne izvore kako bi dopunio informacije sadržane u svojim materijalima za treniranje.
Orkestrator u alatu umjetne inteligencije povezuje se s tražilicom treće strane putem API poziva, a rezultati se u obliku isječaka dodaju u kontekstni prozor LLM-a. Time korisnici mogu pristupiti aktualnim događajima, najnovijim istraživanjima, informacijama o proizvodima i drugim temama u kojima se informacije često mijenjaju.
U praksi bi API zahtjev mogao izgledati ovako:
{
"query": "latest US inflation news",
"max_results": 1,
"language": "en",
"country": "US"
}Vraćene informacije uključivale bi izvor i isječak:
{
"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"
}
]
}Osobni AI asistenti
Osobni asistenti koriste RAG za povezivanje s izvorima informacija unutar osobnog ili zajedničkog poslovnog okruženja. Primjeri izvora informacija uključuju korisnikovu e-poštu, datoteke, kalendar i baze podataka.
Budući da se informacije mogu pohranjivati na različite načine, osobne asistente najbolje je shvatiti kao potpuno agentne RAG sustave. Ovisno o upitu, mogu koristiti API pozive, pretraživanje po ključnim riječima, gusto vektorsko dohvaćanje ili obilazak grafa znanja.
Poslovni RAG sustavi sve će češće kodirati znanje u vektorske baze podataka kako bi ga osobni asistenti dostupni u cijeloj tvrtki mogli jednostavno dohvatiti, a mnogi poslovni AI proizvodi osmišljeni su upravo s tim ciljem.
Asistenti za programiranje također su važni jer predstavljaju još jedan velik slučaj upotrebe. Asistent za programiranje, kao što je GitHub Copilot, može se povezati s repozitorijem i dokumentacijom specifičnom za projekt kako bi dohvatio relevantne datoteke, funkcije, simbole, smjernice, API-je i povijest commitova.
Korisnička podrška
Korisnička podrška još je jedan važan slučaj upotrebe RAG-a, a primjena AI chatbotova posljednjih je godina brzo porasla. U izvješću State of AI Customer Support tvrtka Crisp utvrdila je da se 40 % razgovora riješi bez potrebe za ljudskom intervencijom, što pokazuje visoku razinu učinkovitosti.
Kada korisnik postavi pitanje botu za korisničku podršku, orkestrator obično pretražuje internu bazu znanja tvrtke. Kako bi se osigurala točnost, često se primjenjuju i korektivni RAG i self-RAG, uz prosljeđivanje razgovora ljudskom predstavniku kada je to prikladno.
Baze znanja u poduzećima
Uvođenje AI tijekova rada i alata generativne umjetne inteligencije u srednja i velika poduzeća odvijalo se usporedno s izgradnjom internih baza znanja. To asistentima dostupnima u cijeloj tvrtki omogućuje pristup internim podacima uz očuvanje privatnosti, bilo da je riječ o osjetljivim podacima o klijentima, privatnim korporativnim podacima ili specijaliziranom domenskom znanju.
Ti se sustavi obično grade oko vektorskih baza podataka, ali koriste se i druge RAG metode. Microsoft 365 Copilot, primjerice, ima API sloj koji izlaže različite izvore informacija, uključujući vektorske baze podataka, grafove znanja i semantičke indekse, kako bi omogućio širok pristup podacima tvrtke.
Ti su RAG sustavi obično ugrađeni i u poslovne pakete agentnih alata opće namjene. Perplexity Enterprise, primjerice, korisnicima omogućuje prijenos velikih količina dokumentacije za sigurnu internu upotrebu.
Korisnici mogu prenositi i vlastite datoteke unutar samostalnih projekata te tako zapravo stvarati male RAG sustave. Pretraživanja se mogu kombinirati s drugim oblicima RAG-a, poput web-pretraživanja, radi hibridnog proširenja.
Koja je razlika između RAG-a i LLM-a?
Veliki jezični model (LLM) može generirati izlaze samo pomoću informacija predstavljenih u svojim parametrima. Dodjeljuje vjerojatnosti internom vokabularu kako bi predvidio sljedeću riječ, odnosno token, u nizu. Zbog toga ne može pružiti točne odgovore ako njegovi parametri nisu trenirani na relevantnim informacijama.
Na općenitoj ili specijaliziranoj AI platformi RAG cjevovodi funkcioniraju uz LLM ili skupinu LLM-ova. Povezuju se s vanjskim izvorima informacija kako bi dopunili ulazni kontekst koji se pruža jezičnom modelu, a to je ključna razlika između RAG-a i LLM-ova.
Odluku o tome hoće li se dohvatiti dodatne informacije ili osloniti isključivo na parametarsko znanje može donijeti orkestrator, obično pomoću logike temeljene na pravilima, ili čak sam LLM.
Koja je razlika između RAG-a i MCP-a?
RAG i protokol konteksta modela (MCP, engl. model context protocol) najbolje je shvatiti kao komplementarne tehnologije. MCP je otvoreni standard za izgradnju arhitekture koja alatima umjetne inteligencije omogućuje pristup vanjskim funkcionalnostima, resursima i upitima putem jedne krajnje točke.
Kada se alat umjetne inteligencije poveže s MCP poslužiteljem, poslužitelj izlaže sve primitive (MCP alate, resurse i upite) kojima klijent ima dopušten pristup. Klijent je komponenta koja uspostavlja vezu između orkestratora na strani klijenta i poslužitelja. Ponekad to može uključivati izlaganje baza podataka i izvora informacija, a u tom slučaju MCP djeluje kao posrednik u sloju dohvaćanja RAG cjevovoda.
Koja je razlika između RAG-a i API-ja?
API je definirano sučelje koje dvije aplikacije mogu koristiti za međusobno slanje zahtjeva. RAG je proces kojim LLM-ovi mogu pristupiti vanjskim informacijama kako bi poboljšali i proširili svoje izlaze.
RAG često koristi API pozive za dohvaćanje informacija. Primjerice, pri dohvaćanju informacija putem web-pretraživanja orkestrator će na temelju korisnikova upita sastaviti API zahtjev prema odgovarajućoj tražilici.
Zašto je RAG važan i kako će se nastaviti razvijati
RAG je važan jer su LLM-ovi inherentno ograničeni svojim podacima za treniranje. Postoje cijela područja informacija, od aktualnih događaja do privatnog znanja tvrtki, kojima nemaju pristup. RAG rješava taj problem bez potrebe za pretjerano velikom količinom resursa.
Međutim, samo dohvaćanje informacija nije dovoljno i zato će se RAG nastaviti razvijati. RAG čini velik dio aktualnih istraživanja umjetne inteligencije, a usmjeren je na poboljšanje sustava kako bi vraćali prave informacije u širokom rasponu formata te ih učinkovito procjenjivali i određivali im prioritet.
Kako RAG postaje moćniji, raste i korisnost AI sustava u važnim potrošačkim i poslovnim primjenama. One uključuju korisničku podršku, web-pretraživanje, programiranje, osobne asistente, specijalizirana istraživanja i još mnogo toga.