Heimtaukin myndun (RAG): skilgreining, notkunartilvik og hagnýt dæmi
Heimtaukin myndun (RAG) gerir gervigreindarverkfærum kleift að sækja utanaðkomandi upplýsingar til að grundvalla svör sín, og í þessari handbók er farið yfir hvernig hún virkar, helstu tegundir hennar og raunveruleg notkunartilvik, allt frá vefleit til þekkingargrunna fyrirtækja.

RAG, eða heimtaukin myndun (retrieval-augmented generation), er ferlið sem gerir verkfærum byggðum á stórum mállíkönum (LLM) kleift að nálgast utanaðkomandi upplýsingar. Þessum upplýsingum, sem eru ekki hluti af þjálfunarbreytum mállíkansins, er bætt við viðeigandi inntakssamhengi og þær notaðar við myndun svarsins.
RAG er einn mikilvægasti hluti nútímagervigreindarkerfa. Öll helstu verkfærin sem byggja á gervigreindarfulltrúum (ChatGPT, Claude, Perplexity o.fl.) nota það og það á sér fjölbreytt notkunartilvik bæði hjá neytendum og fyrirtækjum. RAG hefur tekið ýmsum nýjungum síðan það varð fyrst útbreitt og heldur áfram að þróast á áhugaverðan hátt.
Hvað er heimtaukin myndun (RAG)?
Heimtaukin myndun (RAG) er aðferð til að bæta úttak stórra mállíkana (LLM) með því að veita þeim viðeigandi utanaðkomandi upplýsingar.
Dæmigerð RAG-„leiðsla“, hugtak sem notað er um undirliggjandi RAG-högun í víðum skilningi, hefur tvær leiðir: innlestrarleið og heimtarleið. Innlestrarleiðin tekur við gögnum og breytir þeim í leitarhæft snið. Heimtarleiðin býr til beiðni út frá fyrirmælum notanda og sendir fyrirspurn til upplýsingaveitunnar.
RAG-kerfi eru oft byggð í kringum vigurgagnagrunna. Í því tilviki býr stýrieining LLM-verkfæris, sem heldur utan um fyrirmæli notenda, sendir fyrirspurnir og sækir niðurstöður úr leitarhæfu atriðaskránni, til vigurgreypingu. Hún notar hana til að senda fyrirspurn í gagnagrunn vigra sem tákna innlesnu gögnin. Síðan bætir hún sóttu upplýsingunum við fyrirliggjandi inntakssamhengi fyrir mállíkanið ásamt leiðbeiningum um hvernig nota eigi þær til að mynda úttak.
RAG vísar ekki eingöngu til þeirrar tegundar þéttrar vigurleitar sem lýst er hér að ofan. Yfirferð þekkingarneta, merkingarleit, hefðbundnar uppflettingar í gagnagrunnum eða hvers kyns blanda þessara aðferða falla einnig þar undir.
Kostir RAG
Ein af ástæðunum fyrir því að RAG hefur orðið svo vinsælt er að það leysir tvö grundvallarvandamál sem fylgja svarmyndun sem byggir eingöngu á mállíkönum: ofskynjanir og skort á aðgangi að upplýsingum sem ekki eru í þjálfunargögnunum.
Staðreyndaathugun og grundvöllun
Stór mállíkön hafa orð á sér fyrir að eiga erfitt með að fara rétt með staðreyndir. Ef þau geta ekki svarað spurningu með áreiðanlegum hætti eiga þau það oft til að ofskynja af fullri sannfæringu. Ástæðan getur verið sú að upplýsingarnar voru ekki í þjálfunargögnunum eða að þjálfunargögnin sjálf innihalda villur. Staðreyndaathugun með RAG felst í því að grundvalla svar á upplýsingum frá traustri utanaðkomandi heimild.
Nýjustu upplýsingar
Stór mállíkön geta aðeins svarað spurningum um efni fram að þeim tímapunkti þegar þjálfunargögnum þeirra lýkur, svokölluðum þekkingarmörkum. RAG-kerfi geta tengst mjög nýlegum upplýsingaveitum, t.d. fréttaefni í gegnum API fyrir vefleit eða innri gagnagrunnum með nýjustu vöruupplýsingum. Þetta gerir kleift að mynda svör um efni sem þjálfunargögnin ná ekki yfir.
Aðgangur að utanaðkomandi einkagögnum
RAG-kerfi gera fyrirtækjum kleift að tengja gervigreindarinnviði við uppsprettur viðkvæmra, séreignarlegra og sérhæfðra upplýsinga sem þau geta ekki deilt opinberlega. Mörg vinsæl verkfæri, eins og Perplexity, bjóða nú upp á að hlaða upp trúnaðargögnum og byggja upp einkaþekkingargrunna, og þetta er algengt notkunartilvik hjá fyrirtækjum.
Yfirlit og þróun RAG: helstu tegundir högunar
Þótt hugtakið heimtaukin myndun (retrieval-augmented generation) hafi fyrst komið fram í mikilvægri grein frá 2020 sem nefndist Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, höfðu upplýsingaheimtarkerfi verið í notkun í marga áratugi áður. Fyrstu leitarvélarnar eru gott dæmi um það. Raunverulega nýjungin í gervigreind fólst hins vegar í því að sameina þekkingu sem býr í breytum líkans við þétta viguratriðaskrá (í greininni var Wikipedia notuð til að byggja hana).
Hér er yfirlit yfir helstu tegundir RAG:
- Grunn-RAG: Grunn-RAG, einnig kallað einfalt RAG (naive RAG), er einfaldasta útgáfa RAG-leiðslu. Það fylgir ferlinu „sækja og mynda“ og vigurleit í gagnagrunni er helsta notkunartilvikið. Það hentar enn vel til að byggja einfalda RAG-útfærslu, sérstaklega fyrir takmarkaða innri notkun.
- Blandað RAG: Hér er fleiri en einni tegund RAG blandað saman. Yfirleitt er átt við blöndu af einfaldri lykilorðaleit og þéttri vigurheimt.
- Leiðréttandi RAG: Tegund RAG þar sem fínstillt líkan metur sóttar upplýsingar til að ákvarða hversu vel þær eiga við fyrirmæli notandans.
- Self-RAG: Self-RAG líkist leiðréttandi RAG, en þar metur mállíkanið eigið úttak og setur heimt af stað ef þörf krefur. Til þess notar það sérstaka ígrundunartóka.
- Fulltrúadrifið RAG: Fulltrúadrifið RAG vísar til þess hvernig gervigreindarvettvangar sem byggja á gervigreindarfulltrúum geta kallað á mismunandi heimtaraðferðir. Mállíkanið getur rökhugsað og valið úr ýmsum RAG-kostum í gegnum stýrieininguna.
- Fjölhátta RAG: Þessi tegund RAG fellir aðrar tegundir miðla, svo sem myndir og hljóð, inn í innlestrar- og heimtarleiðslur sínar.
- GraphRAG: GraphRAG notar yfirferð þekkingarnets (einingaleit) til að sækja upplýsingar. Þetta getur verið samhliða þéttri vigurheimt en þarf ekki að vera það.
- Kvíslað RAG: Í þessari RAG-högun eru margar heimtarfyrirspurnir keyrðar samtímis, oft með mismunandi högunarmynstrum. Kvíslað RAG er algengur eiginleiki í gervigreindarverkfærum sem keyra flókin verkflæði.
- HyDE (Hypothetical Document Embeddings): Greypingar ímyndaðra skjala eru svör mynduð af gervigreind sem líkja eftir því hvernig kjörsvar við fyrirmælum notanda gæti litið út. Þær eru notaðar til að fínpússa RAG-fyrirspurnina og bæta þannig nákvæmni sóttra upplýsinga.
Helstu notkunartilvik RAG með dæmum
Hvernig lítur RAG út í raun? Ef þú hefur spurt gervigreindarspjallmenni um tímanæmt efni, sent fyrirspurn til þjónustuspjallmennis eða notað persónulegan aðstoðarmann við skrifstofuverkefni hefur þú nýtt þér RAG.
Helstu dæmin um RAG hjá neytendum og fyrirtækjum eru vefleit, persónulegir aðstoðarmenn (m.a. við forritun), forritunaraðstoðarmenn, þjónusta við viðskiptavini og þekkingarstjórnun fyrirtækja.
Vefleit
Vefleit er útbreidd tegund RAG og segja má að hún sé algengasta notkunin sem snýr að neytendum. Öll helstu spjallmennin bjóða upp á vefleit, þar sem mállíkanið notar nýjustu heimildir til að bæta við upplýsingarnar í þjálfunargögnum sínum.
Stýrieining gervigreindarverkfærisins tengist utanaðkomandi leitarvél með API-kalli og niðurstöðunum er bætt, í formi textabúta, við samhengisglugga mállíkansins. Þetta gerir notendum kleift að nálgast upplýsingar um atburði líðandi stundar, nýlegar rannsóknir, vöruupplýsingar og önnur efni þar sem upplýsingar breytast oft.
Í reynd gæti API-beiðnin litið svona út:
{
"query": "latest US inflation news",
"max_results": 1,
"language": "en",
"country": "US"
}Upplýsingarnar sem skilað er myndu innihalda heimildina og textabútinn:
{
"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"
}
]
}Persónulegir gervigreindaraðstoðarmenn
Persónulegir aðstoðarmenn nota RAG til að tengjast upplýsingaveitum innan persónulegs eða sameiginlegs fyrirtækjaumhverfis. Dæmi um upplýsingaveitur eru tölvupóstur notanda, skrár, dagatal og gagnagrunnar.
Þar sem upplýsingar geta verið geymdar á ýmsan hátt er best að líta á persónulega aðstoðarmenn sem fullkomlega fulltrúadrifin RAG-kerfi. Þeir geta notað API-köll, lykilorðaleit, þétta vigurheimt eða yfirferð þekkingarnets, allt eftir fyrirmælunum.
RAG-kerfi fyrirtækja kóða í auknum mæli þekkingu í vigurgagnagrunna svo að persónulegir aðstoðarmenn sem ná til alls fyrirtækisins geti auðveldlega sótt hana, og margar gervigreindarvörur fyrir fyrirtæki eru hannaðar með þetta í huga.
Forritunaraðstoðarmenn eru einnig athyglisverðir því þeir eru annað stórt notkunartilvik. Forritunaraðstoðarmaður á borð við GitHub Copilot getur tengst kóðasafni og verkefnasértækum skjölum til að sækja viðeigandi skrár, föll, tákn, leiðbeiningar, API og commit-sögu.
Þjónusta við viðskiptavini
Þjónusta við viðskiptavini er annað stórt notkunartilvik RAG og notkun gervigreindarspjallmenna hefur aukist hratt á undanförnum árum. Í skýrslu sinni State of AI Customer Support komst Crisp að því að 40% samtala eru leyst án aðkomu manneskju, sem sýnir mikla skilvirkni.
Þegar notandi spyr þjónustuspjallmenni spurningar leitar stýrieiningin yfirleitt í innri þekkingargrunni fyrirtækisins. Til að tryggja nákvæmni er einnig oft beitt leiðréttandi RAG og self-RAG og samtalinu vísað til starfsmanns þegar það á við.
Þekkingargrunnar fyrirtækja
Innleiðing gervigreindarverkflæða og skapandi gervigreindarverkfæra hjá meðalstórum og stórum fyrirtækjum hefur haldist í hendur við uppbyggingu innri þekkingargrunna. Þetta gerir aðstoðarmönnum sem ná til alls fyrirtækisins kleift að nálgast innri gögn án þess að slaka á persónuvernd, hvort sem um er að ræða viðkvæmar upplýsingar um viðskiptavini, trúnaðargögn fyrirtækisins eða sérhæfða fagþekkingu.
Þessi kerfi eru yfirleitt byggð í kringum vigurgagnagrunna, en aðrar RAG-aðferðir eru einnig notaðar. Microsoft 365 Copilot hefur til dæmis API-lag sem opnar aðgang að ýmsum upplýsingaveitum, þar á meðal vigurgagnagrunnum, þekkingarnetum og merkingaratriðaskrám, og tryggir þannig víðtækan aðgang að gögnum fyrirtækis.
Slík RAG-kerfi eru einnig yfirleitt innbyggð í fyrirtækjapakka almennra verkfæra sem byggja á gervigreindarfulltrúum. Perplexity Enterprise gerir notendum til dæmis kleift að hlaða upp miklu magni skjala til öruggrar innri notkunar.
Notendur geta einnig hlaðið upp eigin skrám innan sjálfstæðra verkefna og búið þannig í raun til lítil RAG-kerfi. Hægt er að tengja leitir við aðrar tegundir RAG, eins og vefleit, til að fá blandaða aukningu.
Hver er munurinn á RAG og stóru mállíkani (LLM)?
Stórt mállíkan (LLM) getur aðeins myndað úttak út frá upplýsingum sem birtast í breytum þess. Það úthlutar líkum á innri orðaforða til að spá fyrir um næsta orð, eða tóka, í runu. Því getur það ekki gefið nákvæm svör ef breytur þess voru ekki þjálfaðar á viðeigandi upplýsingum.
Í almennum eða sérhæfðum gervigreindarvettvangi starfa RAG-leiðslur samhliða mállíkani eða hópi mállíkana. Þær tengjast utanaðkomandi upplýsingaveitum til að bæta við inntakssamhengið sem mállíkaninu er veitt, og þetta er kjarninn í muninum á RAG og stórum mállíkönum.
Ákvörðunin um hvort sækja eigi viðbótarupplýsingar eða reiða sig eingöngu á þekkingu í breytum líkansins getur verið tekin af stýrieiningunni, yfirleitt með reglubundinni rökfræði, eða jafnvel af mállíkaninu sjálfu.
Hver er munurinn á RAG og MCP?
Best er að líta á RAG og model context protocol (MCP) sem tvær tæknilausnir sem bæta hvor aðra upp. MCP er opinn staðall til að byggja högun sem gerir gervigreindarverkfærum kleift að nálgast utanaðkomandi virkni, tilföng og fyrirmæli í gegnum einn endapunkt.
Þegar gervigreindarverkfæri tengist MCP-þjóni birtir þjónninn allar grunneiningar (MCP-verkfæri, tilföng og fyrirmæli) sem biðlarinn hefur heimild til að nálgast. Biðlarinn er sá hluti sem kemur á tengingu milli stýrieiningarinnar biðlarmegin og þjónsins. Stundum getur þetta falið í sér að gera gagnagrunna og upplýsingaveitur aðgengilegar, og þá virkar MCP sem milliliður í heimtarlagi RAG-leiðslu.
Hver er munurinn á RAG og API?
API (forritaskil) er skilgreint viðmót sem tvö forrit geta notað til að senda beiðnir sín á milli. RAG er ferlið sem gerir stórum mállíkönum kleift að nálgast utanaðkomandi upplýsingar til að bæta og auka úttak sitt.
RAG notar oft API-köll til að sækja upplýsingar. Við upplýsingaheimt í vefleit mótar stýrieiningin til dæmis API-beiðni til viðkomandi leitarvélar út frá fyrirmælum notandans.
Hvers vegna RAG skiptir máli og hvernig það mun halda áfram að þróast
RAG skiptir máli vegna þess að stór mállíkön takmarkast í eðli sínu af þjálfunargögnum sínum. Heilu sviðin af upplýsingum, allt frá atburðum líðandi stundar til einkaþekkingar fyrirtækja, eru þeim óaðgengileg. RAG leysir þennan vanda án þess að krefjast óhóflegra auðlinda.
Upplýsingaheimt ein og sér nægir þó ekki, og þess vegna mun RAG halda áfram að þróast. RAG er stór hluti af núverandi rannsóknum á gervigreind og miðar að því að bæta kerfi svo þau skili réttum upplýsingum á fjölbreyttu sniði og meti þær og forgangsraði þeim á skilvirkan hátt.
Eftir því sem RAG verður öflugra eykst notagildi gervigreindarkerfa í mikilvægum forritum fyrir neytendur og fyrirtæki. Þar á meðal eru þjónusta við viðskiptavini, vefleit, forritun, persónulegir aðstoðarmenn, sérhæfðar rannsóknir og fleira.