Generovanie rozšírené o vyhľadávanie (RAG): definícia, prípady použitia a praktické príklady
Generovanie rozšírené o vyhľadávanie (RAG) umožňuje nástrojom AI čerpať externé informácie, ktorými podložia svoje odpovede. Táto príručka vysvetľuje, ako funguje, aké sú jeho hlavné typy a aké má prípady použitia v praxi – od webového vyhľadávania až po firemné znalostné bázy.

RAG, čiže generovanie rozšírené o vyhľadávanie, je proces, prostredníctvom ktorého nástroje založené na LLM získavajú prístup k externým informáciám. Tieto informácie, ktoré nie sú obsiahnuté v trénovacích parametroch LLM, sa pridajú do príslušného vstupného kontextu a použijú sa pri generovaní odpovede.
RAG je jednou z najdôležitejších súčastí moderných systémov AI. Využívajú ho všetky bežne rozšírené agentické nástroje (ChatGPT, Claude, Perplexity atď.) a má široké spektrum využitia pre bežných používateľov aj firmy. Odkedy sa RAG prvýkrát rozšíril, prešiel viacerými inováciami a naďalej sa zaujímavo vyvíja.
Čo je generovanie rozšírené o vyhľadávanie (RAG)?
Generovanie rozšírené o vyhľadávanie (RAG) je metóda zlepšovania výstupov veľkých jazykových modelov (LLM) tým, že sa im poskytnú relevantné externé informácie.
Typický „pipeline“ RAG – výraz, ktorým sa označuje celková základná architektúra RAG – má dve cesty: cestu príjmu dát a cestu získavania. Cesta príjmu dát preberá dáta a prevádza ich do prehľadávateľného formátu. Cesta získavania zostaví požiadavku na základe výzvy používateľa a dotazuje sa zdroja informácií.
Systémy RAG sú často postavené na vektorových databázach. V takom prípade komponent orchestrátor nástroja LLM, ktorý spravuje výzvy používateľov, odosiela dotazy a získava výsledky z prehľadávateľného indexu, vygeneruje vektorový embedding. Pomocou neho sa dotazuje databázy vektorov, ktoré reprezentujú prijaté dáta. Získané informácie potom pridá do existujúceho vstupného kontextu pre LLM spolu s pokynmi, ako ich použiť na vygenerovanie výstupu.
RAG sa neobmedzuje výlučne na typ hustého vektorového vyhľadávania opísaný vyššie. Za RAG sa považuje aj prechádzanie znalostných grafov, sémantické vyhľadávanie, tradičné vyhľadávanie v databázach alebo akákoľvek kombinácia týchto metód.
Výhody RAG
Jedným z dôvodov, prečo sa RAG stal taký populárnym, je, že rieši dva hlavné problémy spojené s generovaním odpovedí iba pomocou LLM: halucinácie a nedostatočný prístup k informáciám, ktoré nie sú obsiahnuté v trénovacích materiáloch.
Overovanie faktov a ukotvenie v zdrojoch
LLM majú povesť modelov, ktoré majú problém s faktickou presnosťou. Ak na otázku nedokážu spoľahlivo odpovedať, často sebavedomo halucinujú. Môže to byť preto, že informácie neboli obsiahnuté v trénovacích materiáloch, alebo preto, že samotné trénovacie materiály obsahujú nepresnosti. Overovanie faktov pomocou RAG spočíva v ukotvení odpovede v informáciách z dôveryhodného zdroja tretej strany.
Aktuálne informácie
LLM dokážu odpovedať len na otázky o témach do dátumu, ku ktorému siahajú ich trénovacie dáta – takzvanej hranice znalostí (knowledge cut-off). Systémy RAG sa môžu pripojiť k veľmi aktuálnym zdrojom informácií, napríklad k spravodajským materiálom prostredníctvom API pre webové vyhľadávanie alebo k interným databázam s aktuálnymi informáciami o produktoch. Vďaka tomu je možné generovať odpovede aj na témy, ktoré trénovacie dáta nepokrývajú.
Prístup k súkromným externým dátam
Systémy RAG umožňujú firmám pripojiť infraštruktúru AI k zdrojom citlivých, proprietárnych a odborne špecifických informácií, ktoré nemôžu zdieľať verejne. Mnohé populárne nástroje, napríklad Perplexity, dnes ponúkajú možnosť nahrať dôverné dáta a vytvárať súkromné znalostné bázy, čo je bežný firemný prípad použitia.
Prehľad a vývoj RAG: hlavné typy architektúry
Hoci samotný termín generovanie rozšírené o vyhľadávanie sa prvýkrát objavil vo významnom článku z roku 2020 s názvom Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, systémy na vyhľadávanie informácií sa používali už mnoho desaťročí predtým. Dobrým príkladom sú prvé vyhľadávače. Skutočnou inováciou v oblasti AI však bolo spojenie parametrických znalostí modelu s hustým vektorovým indexom (autori článku ho vytvorili z Wikipédie).
Tu je prehľad hlavných typov RAG:
- Základný RAG: Základný RAG, nazývaný aj naivný RAG, je najjednoduchšou podobou pipeline RAG. Riadi sa postupom „získaj a vygeneruj“, pričom hlavným prípadom použitia je vyhľadávanie vo vektorovej databáze. Stále je vhodný na vytvorenie jednoduchej implementácie RAG, najmä na obmedzené interné použitie.
- Hybridný RAG: Ide o kombináciu viacerých typov RAG. Zvyčajne sa tým myslí kombinácia jednoduchého vyhľadávania podľa kľúčových slov a hustého vektorového získavania.
- Korektívny RAG: Forma RAG, pri ktorej získané informácie vyhodnocuje doladený model, aby určil ich relevantnosť pre výzvu používateľa.
- Self-RAG: Hoci je podobný korektívnemu RAG, pri self-RAG LLM hodnotí vlastné výstupy a v prípade potreby spustí získavanie. Používa na to špecializované reflexné tokeny.
- Agentický RAG: Agentický RAG označuje spôsob, akým môžu platformy agentickej AI využívať rôzne metódy získavania. LLM môže prostredníctvom orchestrátora uvažovať a vyberať z rôznych možností RAG.
- Multimodálny RAG: Tento typ RAG zahŕňa do svojich pipeline na príjem a získavanie dát aj iné formy médií, napríklad obrázky a zvuk.
- GraphRAG: GraphRAG na získavanie informácií využíva prechádzanie znalostných grafov (vyhľadávanie entít). Môže sa to kombinovať s hustým vektorovým získavaním, ale nemusí.
- Vetvený RAG: Táto architektúra RAG spočíva v súčasnom spúšťaní viacerých dotazov na získavanie, často s použitím rôznych architektonických vzorov. Vetvený RAG je bežnou funkciou nástrojov AI, ktoré spúšťajú zložité pracovné postupy.
- HyDE (Hypothetical Document Embeddings): Hypotetické embeddingy dokumentov sú odpovede vygenerované AI, ktoré simulujú, ako by mohla vyzerať ideálna odpoveď na výzvu používateľa. Používajú sa na spresnenie dotazu RAG, čím zvyšujú presnosť získaných informácií.
Najčastejšie prípady použitia RAG s príkladmi
Ako vyzerá RAG v reálnom svete? Ak ste sa niekedy pýtali chatbota AI na časovo citlivú tému, obrátili sa na bota zákazníckej podpory alebo použili osobného asistenta na administratívne úlohy, využili ste RAG.
Medzi najčastejšie príklady RAG v spotrebiteľskom aj firemnom prostredí patria webové vyhľadávanie, osobní asistenti (aj pri programovaní), asistenti pre programovanie, zákaznícka podpora a správa firemných znalostí.
Webové vyhľadávanie
Webové vyhľadávanie je široko používanou formou RAG a pravdepodobne najrozšírenejšou aplikáciou pre bežných používateľov. Všetky bežne rozšírené chatboty ponúkajú funkciu webového vyhľadávania, pri ktorej LLM využíva aktuálne zdroje na doplnenie informácií obsiahnutých vo svojich trénovacích materiáloch.
Orchestrátor v nástroji AI sa pripojí k vyhľadávaču tretej strany pomocou volania API a výsledky vo forme úryvkov sa pridajú do kontextového okna LLM. Používatelia tak môžu získať prístup k aktuálnym udalostiam, najnovšiemu výskumu, informáciám o produktoch a ďalším témam, v ktorých sa informácie často menia.
V praxi môže požiadavka API vyzerať takto:
{
"query": "latest US inflation news",
"max_results": 1,
"language": "en",
"country": "US"
}Vrátené informácie by obsahovali zdroj a úryvok:
{
"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"
}
]
}Osobní asistenti AI
Osobní asistenti využívajú RAG na pripojenie k zdrojom informácií v osobnom alebo zdieľanom firemnom prostredí. Príkladmi zdrojov informácií sú e-maily, súbory, kalendár a databázy používateľa.
Keďže informácie môžu byť uložené rôznymi spôsobmi, osobných asistentov je najlepšie chápať ako plne agentické systémy RAG. V závislosti od výzvy môžu využívať volania API, vyhľadávanie podľa kľúčových slov, husté vektorové získavanie alebo prechádzanie znalostných grafov.
Firemné systémy RAG čoraz častejšie kódujú znalosti do vektorových databáz, aby ich mohli jednoducho získavať osobní asistenti používaní v celej spoločnosti, a mnohé firemné produkty AI sú navrhnuté práve s týmto zámerom.
Pozoruhodní sú aj asistenti pre programovanie, pretože predstavujú ďalší významný prípad použitia. Asistent pre kód, napríklad GitHub Copilot, sa môže pripojiť k repozitáru a dokumentácii konkrétneho projektu a získavať relevantné súbory, funkcie, symboly, pokyny, API a históriu commitov.
Zákaznícka podpora
Zákaznícka podpora je ďalším významným prípadom použitia RAG a zavádzanie chatbotov AI sa v posledných rokoch rýchlo rozšírilo. Spoločnosť Crisp vo svojej správe State of AI Customer Support zistila, že 40 % konverzácií sa vyrieši bez potreby zásahu človeka, čo svedčí o vysokej účinnosti.
Keď používateľ položí botovi zákazníckej podpory otázku, orchestrátor zvyčajne prehľadá internú znalostnú bázu spoločnosti. Na zabezpečenie presnosti sa často používa aj korektívny RAG a self-RAG, pričom v odôvodnených prípadoch sa konverzácia odovzdá ľudskému pracovníkovi podpory.
Firemné znalostné bázy
Zavádzanie pracovných postupov AI a nástrojov generatívnej AI v stredných a veľkých firmách prebiehalo súbežne s budovaním interných znalostných báz. Vďaka tomu majú asistenti používaní v celej spoločnosti prístup k interným dátam pri zachovaní súkromia, či už ide o citlivé informácie o zákazníkoch, súkromné firemné dáta alebo špecializované odborné znalosti.
Tieto systémy sú zvyčajne postavené na vektorových databázach, používajú sa však aj iné metódy RAG. Napríklad Microsoft 365 Copilot má vrstvu API, ktorá sprístupňuje rôzne zdroje informácií vrátane vektorových databáz, znalostných grafov a sémantických indexov, a poskytuje tak široký prístup k dátam spoločnosti.
Tieto systémy RAG sú zvyčajne zabudované aj do firemných balíkov univerzálnych agentických nástrojov. Napríklad Perplexity Enterprise umožňuje používateľom nahrať veľké množstvo dokumentácie na bezpečné interné použitie.
Používatelia môžu nahrávať aj vlastné súbory v rámci samostatných projektov, čím v podstate vytvárajú mini systémy RAG. Vyhľadávanie v nich sa dá kombinovať s inými formami RAG, napríklad s webovým vyhľadávaním, a dosiahnuť tak hybridné rozšírenie.
Aký je rozdiel medzi RAG a LLM?
Veľký jazykový model (LLM) dokáže generovať výstupy len pomocou informácií reprezentovaných v jeho parametroch. Priraďuje pravdepodobnosti prvkom interného slovníka, aby predpovedal ďalšie slovo, čiže token, v postupnosti. Preto nedokáže poskytnúť presné odpovede, ak jeho parametre neboli natrénované na relevantných informáciách.
Na univerzálnej alebo špecializovanej platforme AI fungujú pipeline RAG popri LLM alebo skupine LLM. Pripájajú sa k externým zdrojom informácií, aby doplnili vstupný kontext poskytovaný jazykovému modelu, a práve v tom spočíva hlavný rozdiel medzi RAG a LLM.
O tom, či získať ďalšie informácie, alebo sa spoliehať výlučne na parametrické znalosti, môže rozhodovať buď orchestrátor, zvyčajne pomocou logiky založenej na pravidlách, alebo dokonca samotný LLM.
Aký je rozdiel medzi RAG a MCP?
RAG a model context protocol (MCP) je najlepšie chápať ako vzájomne sa dopĺňajúce technológie. MCP je otvorený štandard na budovanie architektúry, ktorá umožňuje nástrojom AI pristupovať k externým funkciám, zdrojom a výzvam prostredníctvom jediného koncového bodu.
Keď sa nástroj AI pripojí k serveru MCP, server sprístupní všetky primitíva (nástroje MCP, zdroje a výzvy), ku ktorým má klient oprávnenie pristupovať. Klient je komponent, ktorý nadväzuje spojenie medzi orchestrátorom na strane klienta a serverom. Niekedy to môže zahŕňať sprístupnenie databáz a zdrojov informácií a v takom prípade MCP funguje ako sprostredkovateľ vo vrstve získavania pipeline RAG.
Aký je rozdiel medzi RAG a API?
API je definované rozhranie, pomocou ktorého si dve aplikácie môžu navzájom posielať požiadavky. RAG je proces, prostredníctvom ktorého môžu LLM pristupovať k externým informáciám, aby zlepšili a rozšírili svoje výstupy.
RAG často využíva na získavanie informácií volania API. Napríklad pri získavaní informácií pomocou webového vyhľadávania orchestrátor na základe výzvy používateľa sformuluje požiadavku API pre príslušný vyhľadávač.
Prečo je RAG dôležitý a ako sa bude ďalej vyvíjať
RAG je dôležitý, pretože LLM sú zo svojej podstaty obmedzené svojimi trénovacími dátami. Existujú celé oblasti informácií, od aktuálnych udalostí až po interné znalosti spoločností, ku ktorým nemajú prístup. RAG tento problém rieši bez toho, aby si vyžadoval neúmerné množstvo zdrojov.
Samotné získavanie informácií však nestačí, a preto sa RAG bude ďalej vyvíjať. RAG tvorí veľkú časť súčasného výskumu AI, ktorý sa zameriava na zlepšovanie systémov tak, aby vracali správne informácie v širokej škále formátov a efektívne ich posudzovali a uprednostňovali.
S rastúcimi možnosťami RAG rastie aj užitočnosť systémov AI v dôležitých spotrebiteľských a firemných aplikáciách. Patrí medzi ne zákaznícka podpora, webové vyhľadávanie, programovanie, osobní asistenti, špecializovaný výskum a ďalšie.