Visszakereséssel kiegészített generálás (RAG): definíció, felhasználási esetek és gyakorlati példák

A visszakereséssel kiegészített generálás (RAG) lehetővé teszi, hogy az MI-eszközök külső információkat vonjanak be válaszaik megalapozásához; ez az útmutató bemutatja a működését, fő típusait és valós felhasználási eseteit a webes kereséstől a vállalati tudásbázisokig.

Diagram of a RAG pipeline: in the ingestion path, source data such as docs, databases, and files is chunked and embedded into a searchable index like a vector database; in the retrieval path, an orchestrator builds a query from the user prompt, retrieves results from the index, and passes the prompt plus context to an LLM to produce a grounded answer.

A RAG (retrieval-augmented generation, azaz visszakereséssel kiegészített generálás) az a folyamat, amelynek során az LLM-alapú eszközök külső információkhoz férnek hozzá. Ezt az információt, amely nem szerepel az LLM tanítási paramétereiben, a rendszer hozzáadja a releváns bemeneti kontextushoz, és felhasználja a válasz generálásához.

A RAG a modern MI-rendszerek egyik legfontosabb összetevője. Minden elterjedt ügynökalapú eszköz (ChatGPT, Claude, Perplexity stb.) használja, és számos fogyasztói és vállalati felhasználási területe van. Amióta széles körben elterjedt, a RAG számos innováción ment keresztül, és továbbra is izgalmas irányokba fejlődik.

Mi az a visszakereséssel kiegészített generálás (RAG)?

A visszakereséssel kiegészített generálás (RAG) a nagy nyelvi modellek (LLM-ek) kimeneteinek javítására szolgáló módszer, amely releváns külső információkat biztosít számukra.

Egy tipikus RAG-„folyamatlánc” (pipeline) – ez a kifejezés az alapul szolgáló RAG-architektúra egészére utal – két útvonalból áll: egy betöltési és egy visszakeresési útvonalból. A betöltési útvonal az adatokat kereshető formátumba alakítja. A visszakeresési útvonal a felhasználó promptja alapján összeállít egy kérést, és lekérdezi az információforrást.

A RAG-rendszereket gyakran vektoradatbázisokra építik. Ebben az esetben az LLM-eszköz orkesztrátor összetevője – amely kezeli a felhasználói promptokat, elküldi a lekérdezéseket, és lekéri az eredményeket a kereshető indexből – vektoros beágyazást hoz létre. Ennek segítségével lekérdez egy olyan vektoradatbázist, amely a betöltött adatokat reprezentálja. Ezután a visszakeresett információt hozzáadja az LLM meglévő bemeneti kontextusához, a felhasználására vonatkozó utasításokkal együtt, hogy az LLM egy kimenetet hozzon létre.

A RAG nem kizárólag a fent leírt sűrű vektoros keresést jelenti. A tudásgráf-bejárás, a szemantikus keresés, a hagyományos adatbázis-lekérdezések vagy ezek bármilyen kombinációja is ide tartozik.

A RAG előnyei

A RAG népszerűségének egyik oka, hogy megoldja a kizárólag LLM-alapú válaszgenerálás két alapvető problémáját: a hallucinációkat, valamint azt, hogy a modell nem fér hozzá a tanítóanyagban nem szereplő információkhoz.

Tényellenőrzés és megalapozás

Az LLM-ekről köztudott, hogy nehezen boldogulnak a ténybeli pontossággal. Ha nem tudnak megbízhatóan válaszolni egy kérdésre, gyakran magabiztosan hallucinálnak. Ennek oka lehet, hogy az információ nem szerepelt a tanítóanyagban, vagy hogy maga a tanítóanyag tartalmaz pontatlanságokat. A RAG-alapú tényellenőrzés a válasz megalapozását jelenti egy megbízható külső forrásból származó információkkal.

Naprakész információk

Az LLM-ek csak olyan témákkal kapcsolatos kérdésekre tudnak válaszolni, amelyek a tanítóadataik lezárási időpontja – az úgynevezett tudáslezárás – előtti időszakra esnek. A RAG-rendszerek nagyon friss információforrásokhoz is kapcsolódhatnak, például webes keresési API-n keresztül hírekhez, vagy naprakész termékinformációkat tartalmazó belső adatbázisokhoz. Így olyan témákban is lehet válaszokat generálni, amelyekre a tanítóadatok nem terjednek ki.

Hozzáférés privát külső adatokhoz

A RAG-rendszerek lehetővé teszik a vállalatok számára, hogy MI-infrastruktúrájukat olyan érzékeny, védett és szakterület-specifikus információforrásokhoz kapcsolják, amelyeket nem oszthatnak meg nyilvánosan. Számos népszerű eszköz, például a Perplexity, ma már lehetőséget kínál bizalmas adatok feltöltésére és privát tudásbázisok létrehozására, ami gyakori vállalati felhasználási eset.

A RAG áttekintése és fejlődése: a fő architektúratípusok

Bár maga a visszakereséssel kiegészített generálás kifejezés egy jelentős, 2020-as, Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks című tanulmányban jelent meg először, információkereső rendszereket már sok évtizeddel korábban is használtak. A korai keresőmotorok jó példát jelentenek erre. Az igazi MI-innováció azonban a modell parametrikus tudásának és egy sűrű vektorindexnek az összekapcsolása volt (a tanulmány ennek felépítéséhez a Wikipédiát használta).

Íme a RAG fő típusainak áttekintése:

  • Alap RAG: Az alap RAG, más néven naiv RAG, a RAG-folyamatlánc legegyszerűbb változata. Visszakeresés–generálás folyamatot követ, elsődleges felhasználási esete a vektoradatbázisban végzett keresés. Továbbra is alkalmas egyszerű RAG-megvalósítás létrehozására, különösen korlátozott belső használatra.
  • Hibrid RAG: Ez több RAG-típus kombinálását jelenti. Általában az egyszerű kulcsszavas keresés és a sűrű vektoros visszakeresés kombinációjára utal.
  • Korrekciós RAG: A RAG olyan formája, amelyben egy finomhangolt modell értékeli a visszakeresett információkat, hogy megállapítsa, mennyire relevánsak a felhasználói prompt szempontjából.
  • Self-RAG: Bár a korrekciós RAG-módszerhez hasonló, a self-RAG esetében az LLM a saját kimeneteit értékeli, és szükség esetén visszakeresést kezdeményez. Ehhez speciális reflexiós tokeneket használ.
  • Ügynökalapú RAG: Az ügynökalapú RAG azt jelenti, hogy az ügynökalapú MI-platformok különböző visszakeresési módszereket vehetnek igénybe. Az LLM az orkesztrátoron keresztül képes érvelni, és választani a különböző RAG-lehetőségek közül.
  • Multimodális RAG: Ez a RAG-típus más médiaformákat, például képeket és hanganyagokat is beépít a betöltési és visszakeresési folyamatláncaiba.
  • GraphRAG: A GraphRAG a tudásgráf-bejárást (entitáskeresést) is felhasználja az információk visszakereséséhez. Ez történhet a sűrű vektoros visszakereséssel együtt, de nem feltétlenül.
  • Elágazó RAG: Ez a RAG-architektúra több visszakeresési lekérdezés egyidejű futtatását jelenti, gyakran különböző architektúraminták használatával. Az elágazó RAG gyakori funkció az összetett munkafolyamatokat futtató MI-eszközökben.
  • HyDE (Hypothetical Document Embeddings, hipotetikus dokumentumbeágyazások): A hipotetikus dokumentumbeágyazások olyan MI által generált válaszok, amelyek azt szimulálják, milyen lehet egy felhasználói promptra adott ideális válasz. Ezeket a RAG-lekérdezés finomítására használják, ezáltal javítva a visszakeresett információk pontosságát.

A RAG legfontosabb felhasználási esetei példákkal

Hogyan néz ki a RAG a valóságban? Aki kérdezett már MI-alapú csevegőrobotot egy időérzékeny témáról, kérdést tett fel egy ügyfélszolgálati botnak, vagy személyi asszisztenst használt adminisztratív feladatokhoz, az már igénybe vette a RAG-technológiát.

Fogyasztói és vállalati környezetben a legfontosabb RAG-példák a webes keresés, a személyi asszisztensek (a programozásban is), a kódolási asszisztensek, az ügyfélszolgálat és a vállalati tudásmenedzsment.

Webes keresés

A webes keresés a RAG széles körben használt formája, és alighanem a legelterjedtebb fogyasztói alkalmazása. Minden elterjedt csevegőrobot kínál webes keresési funkciót, amelyben az LLM naprakész forrásokkal egészíti ki a tanítóanyagában szereplő információkat.

Az MI-eszköz orkesztrátora API-híváson keresztül kapcsolódik egy külső keresőmotorhoz, és az eredmények szövegrészletek formájában bekerülnek az LLM kontextusablakába. Így a felhasználók hozzáférhetnek az aktuális eseményekhez, a legújabb kutatásokhoz, a termékinformációkhoz és más olyan témákhoz, amelyekkel kapcsolatban az információk gyakran változnak.

A gyakorlatban az API-kérés például így nézhet ki:

json
{ "query": "latest US inflation news", "max_results": 1, "language": "en", "country": "US" }

A visszaadott információ tartalmazná a forrást és a szövegrészletet:

json
{ "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" } ] }

Személyi MI-asszisztensek

A személyi asszisztensek a RAG segítségével kapcsolódnak a személyes vagy megosztott vállalati környezetben lévő információforrásokhoz. Ilyen információforrások például a felhasználó e-mailjei, fájljai, naptára és adatbázisai.

Mivel az információk sokféleképpen tárolhatók, a személyi asszisztensek leginkább teljesen ügynökalapú RAG-rendszerekként értelmezhetők. A prompttól függően API-hívásokat, kulcsszavas keresést, sűrű vektoros visszakeresést vagy tudásgráf-bejárást használhatnak.

A vállalati RAG-rendszerek egyre gyakrabban vektoradatbázisokba kódolják a tudást, hogy a vállalati szintű személyi asszisztensek könnyen visszakereshessék, és számos vállalati MI-terméket eleve ennek figyelembevételével terveznek.

A kódolási asszisztensek is figyelemre méltók, mert egy másik fontos felhasználási esetet képviselnek. Egy kódolási asszisztens, például a GitHub Copilot, kapcsolódhat egy kódtárhoz és a projektspecifikus dokumentációhoz, hogy lekérje a releváns fájlokat, függvényeket, szimbólumokat, útmutatásokat, API-kat és a commitelőzményeket.

Ügyfélszolgálat

Az ügyfélszolgálat a RAG egy másik fontos felhasználási területe, és az MI-alapú csevegőrobotok elterjedése az elmúlt években gyorsan nőtt. A Crisp a State of AI Customer Support című jelentésében megállapította, hogy a beszélgetések 40%-a emberi közreműködés nélkül megoldódik, ami nagyfokú hatékonyságot mutat.

Amikor a felhasználó kérdést tesz fel egy ügyfélszolgálati botnak, az orkesztrátor általában a vállalat belső tudásbázisában keres. A pontosság érdekében gyakran a korrekciós RAG és a self-RAG módszert is alkalmazzák, és szükség esetén átadják a beszélgetést egy emberi ügyintézőnek.

Vállalati tudásbázisok

Az MI-alapú munkafolyamatok és generatív MI-eszközök bevezetése a közép- és nagyvállalatoknál a belső tudásbázisok kiépítésével párhuzamosan zajlott. Ez lehetővé teszi, hogy a vállalati szintű asszisztensek a magánszféra védelme mellett hozzáférjenek a belső adatokhoz, legyen szó érzékeny ügyféladatokról, bizalmas vállalati adatokról vagy speciális szakterületi tudásról.

Ezek a rendszerek általában vektoradatbázisokra épülnek, de más RAG-módszereket is alkalmaznak. A Microsoft 365 Copilot például egy olyan API-réteggel rendelkezik, amely különféle információforrásokat – köztük vektoradatbázisokat, tudásgráfokat és szemantikus indexeket – tesz elérhetővé, hogy széles körű hozzáférést biztosítson a vállalat adataihoz.

Ezek a RAG-rendszerek jellemzően az általános célú ügynökalapú eszközök vállalati csomagjaiba is be vannak építve. A Perplexity Enterprise például lehetővé teszi a felhasználók számára, hogy nagy mennyiségű dokumentációt töltsenek fel biztonságos belső használatra.

A felhasználók önálló projekteken belül is feltölthetik saját fájljaikat, így lényegében mini RAG-rendszereket hoznak létre. A keresések a RAG más formáival, például webes keresésekkel is kombinálhatók a hibrid kiegészítés érdekében.

Mi a különbség a RAG és az LLM között?

A nagy nyelvi modell (LLM) kizárólag a paramétereiben reprezentált információk alapján tud kimeneteket generálni. Egy belső szókészlet elemeihez valószínűségeket rendel, hogy előre jelezze egy sorozat következő szavát, vagyis tokenjét. Ezért nem tud pontos válaszokat adni, ha a paramétereit nem releváns információkon tanították.

Egy általános célú vagy speciális MI-platformon a RAG-folyamatláncok egy LLM vagy LLM-ek csoportja mellett működnek. Külső információforrásokhoz kapcsolódnak, hogy kiegészítsék a nyelvi modellnek átadott bemeneti kontextust, és ez a RAG és az LLM-ek közötti különbség lényege.

Arról, hogy a rendszer további információkat keressen-e vissza, vagy kizárólag a parametrikus tudásra támaszkodjon, az orkesztrátor szintjén – jellemzően szabályalapú logikával – születhet döntés, de akár maga az LLM is dönthet.

Mi a különbség a RAG és az MCP között?

A RAG és a modellkontextus-protokoll (MCP) leginkább egymást kiegészítő technológiákként értelmezhetők. Az MCP egy nyílt szabvány olyan architektúra kiépítésére, amely lehetővé teszi, hogy az MI-eszközök egyetlen végponton keresztül férjenek hozzá külső funkciókhoz, erőforrásokhoz és promptokhoz.

Amikor egy MI-eszköz MCP-szerverhez kapcsolódik, a szerver elérhetővé teszi mindazokat a primitíveket (MCP-eszközöket, erőforrásokat és promptokat), amelyekhez a kliensnek hozzáférési engedélye van. A kliens az az összetevő, amely létrehozza a kapcsolatot a kliensoldali orkesztrátor és a szerver között. Ez esetenként adatbázisok és információforrások elérhetővé tételével is járhat; ilyenkor az MCP közvetítőként működik egy RAG-folyamatlánc visszakeresési rétegében.

Mi a különbség a RAG és az API között?

Az API egy meghatározott interfész, amelyen keresztül két alkalmazás kéréseket küldhet egymásnak. A RAG az a folyamat, amelynek révén az LLM-ek külső információkhoz férhetnek hozzá, hogy javítsák és bővítsék kimeneteiket.

A RAG gyakran API-hívásokat használ az információk visszakereséséhez. A webes keresésen alapuló információ-visszakeresés során például az orkesztrátor a felhasználó promptja alapján API-kérést állít össze a megfelelő keresőmotor számára.

Miért fontos a RAG, és hogyan fog tovább fejlődni?

A RAG azért fontos, mert az LLM-eket eredendően korlátozzák a tanítóadataik. Az aktuális eseményektől a vállalatok belső tudásáig óriási információtömegekhez nem férnek hozzá. A RAG ezt a problémát anélkül oldja meg, hogy megfizethetetlen mennyiségű erőforrást igényelne.

Az információ-visszakeresés azonban önmagában nem elég, és ezért fog a RAG tovább fejlődni. A RAG a jelenlegi MI-kutatások jelentős részét teszi ki, amelyek arra összpontosítanak, hogy a rendszerek sokféle formátumban a megfelelő információkat adják vissza, és hatékonyan értékeljék és rangsorolják azokat.

Ahogy a RAG egyre hatékonyabbá válik, úgy nő az MI-rendszerek hasznossága is a fontos fogyasztói és vállalati alkalmazásokban. Ilyen például az ügyfélszolgálat, a webes keresés, a programozás, a személyi asszisztensek, a speciális kutatás és még sok más.