Генерисање проширено претраживањем (RAG): дефиниција, случајеви употребе и практични примјери

Генерисање проширено претраживањем (RAG) омогућава AI алатима да укључе спољне информације како би утемељили своје одговоре, а овај водич објашњава како функционише, које су његове главне врсте и који су случајеви употребе у стварном свијету, од веб-претраге до пословних база знања.

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.

RAG, или генерисање проширено претраживањем, процес је којим алати засновани на LLM-овима приступају спољним информацијама. Те информације, које нису садржане у параметрима добијеним тренирањем LLM-а, додају се релевантном улазном контексту и користе при генерисању одговора.

RAG је једна од најважнијих компоненти савремених AI система. Користе га сви главни агентски алати (ChatGPT, Claude, Perplexity итд.) и има широк спектар примјена, како код крајњих корисника, тако и у предузећима. Од када је први пут постао широко распрострањен, RAG је прошао кроз неколико иновација и наставља да се развија на занимљиве начине.

Шта је генерисање проширено претраживањем (RAG)?

Генерисање проширено претраживањем (RAG) метод је побољшања резултата великих језичких модела (LLM) тако што им се пружају релевантне спољне информације.

Типичан RAG „пајплајн“, израз који се користи за ширу основну RAG архитектуру, има двије путање: путању уноса и путању претраживања. Путања уноса узима податке и претвара их у формат погодан за претраживање. Путања претраживања формира захтјев на основу корисниковог промпта и шаље упит извору информација.

RAG системи се често граде око векторских база података. У том сценарију, компонента LLM алата под називом оркестратор, која управља корисничким промптовима, шаље упите и преузима резултате из индекса погодног за претраживање, генерише векторску репрезентацију. Помоћу ње шаље упит бази вектора који представљају унесене податке. Затим преузете информације додаје постојећем улазном контексту за LLM, уз упутства о томе како да их користи за генерисање резултата.

RAG се не односи искључиво на врсту густе векторске претраге која је претходно описана. У RAG спадају и обилажење графа знања, семантичка претрага, традиционална претраживања база података или било која комбинација ових метода.

Предности RAG-а

Један од разлога због којих је RAG постао толико популаран јесте то што рјешава два кључна проблема генерисања одговора искључиво помоћу LLM-а: халуцинације и недостатак приступа информацијама које нису садржане у материјалима за тренирање.

Провјера чињеница и утемељење

LLM-ови су познати по томе што имају потешкоћа са чињеничном тачношћу. Често, ако не могу поуздано да одговоре на питање, самоувјерено халуцинирају. Разлог може бити то што информације нису биле садржане у материјалима за тренирање или што сами материјали за тренирање садрже нетачности. Провјера чињеница уз помоћ RAG-а подразумијева утемељење одговора у информацијама из поузданог спољног извора.

Ажурне информације

LLM-ови могу да одговарају само на питања о темама до тренутка до којег сежу њихови подаци за тренирање, што се назива граница знања. RAG системи могу да се повежу са веома актуелним изворима информација, као што су вијести преко API-ја за веб-претрагу или интерне базе података са ажурним информацијама о производима. То омогућава генерисање одговора о темама које нису обухваћене подацима за тренирање.

Приступ приватним спољним подацима

RAG системи омогућавају предузећима да AI инфраструктуру повежу са изворима осјетљивих, власничких и доменски специфичних информација које не могу јавно да дијеле. Многи популарни алати, као што је Perplexity, сада нуде могућност отпремања повјерљивих података и изградње приватних база знања, што је чест случај употребе у предузећима.

Преглед и развој RAG-а: главне врсте архитектуре

Иако се конкретан израз генерисање проширено претраживањем први пут појавио у значајном раду из 2020. године под насловом Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, системи за проналажење информација користили су се деценијама прије тога. Рани претраживачи су добар примјер. Међутим, права AI иновација била је у комбиновању параметарског знања модела са густим векторским индексом (у раду је за његову изградњу коришћена Википедија).

Ево прегледа главних врста RAG-а:

  • Основни RAG: Основни RAG, који се назива и наивни RAG, најједноставнија је варијанта RAG пајплајна. Прати ток „претражи и генериши“, при чему је претрага векторске базе података примарни случај употребе. И даље је погодан за изградњу једноставне RAG имплементације, посебно за ограничену интерну употребу.
  • Хибридни RAG: Подразумијева комбиновање више врста RAG-а. Обично се односи на комбинацију једноставне претраге по кључним ријечима и густог векторског претраживања.
  • Корективни RAG: Облик RAG-а у којем фино подешени модел процјењује преузете информације како би утврдио њихову релевантност за кориснички промпт.
  • Self-RAG: Иако је сличан корективном RAG-у, у self-RAG-у LLM процјењује сопствене резултате и по потреби покреће претраживање. За то користи специјализоване токене рефлексије.
  • Агентски RAG: Агентски RAG се односи на начин на који агентске AI платформе могу да користе различите методе претраживања. LLM може да расуђује и бира између различитих RAG опција преко оркестратора.
  • Мултимодални RAG: Ова врста RAG-а укључује друге облике медија, као што су слике и звук, у своје пајплајне за унос и претраживање.
  • GraphRAG: GraphRAG користи обилажење графа знања (претрагу ентитета) за преузимање информација. То може бити у комбинацији са густим векторским претраживањем, али не мора.
  • Разгранати RAG: Ова RAG архитектура подразумијева истовремено покретање више упита за претраживање, често уз коришћење различитих архитектонских образаца. Разгранати RAG је честа функција у AI алатима који извршавају сложене токове рада.
  • HyDE (Hypothetical Document Embeddings): Хипотетичке векторске репрезентације докумената су одговори генерисани помоћу AI-ја који симулирају какав би могао бити идеалан одговор на кориснички промпт. Користе се за прецизирање RAG упита, чиме се побољшава тачност преузетих информација.

Најважнији случајеви употребе RAG-а уз примјере

Како RAG изгледа у стварном свијету? Ако сте AI чатботу поставили питање о теми која зависи од времена, послали упит боту за корисничку подршку или користили личног асистента за административне задатке, користили сте RAG.

Најважнији примјери RAG-а код крајњих корисника и у предузећима су веб-претрага, лични асистенти (укључујући и у програмирању), асистенти за програмирање, корисничка подршка и управљање знањем у предузећима.

Веб-претрага

Веб-претрага је широко коришћен облик RAG-а и вјероватно најраспрострањенија примјена намијењена крајњим корисницима. Сви главни чатботови нуде функцију веб-претраге, у којој LLM користи ажурне изворе како би допунио информације садржане у материјалима за тренирање.

Оркестратор у AI алату повезује се са спољним претраживачем путем API позива, а резултати, у облику исјечака, додају се у контекстни прозор LLM-а. То корисницима омогућава приступ актуелним догађајима, најновијим истраживањима, информацијама о производима и другим темама у којима се информације често мијењају.

У пракси, API захтјев би могао да изгледа овако:

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

Враћене информације би садржале извор и исјечак:

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" } ] }

Лични AI асистенти

Лични асистенти користе RAG за повезивање са изворима информација у личном или заједничком пословном окружењу. Примјери извора информација су корисникове е-поруке, фајлови, календар и базе података.

Пошто се информације могу чувати на различите начине, личне асистенте најбоље је посматрати као потпуно агентске RAG системе. У зависности од промпта, могу користити API позиве, претрагу по кључним ријечима, густо векторско претраживање или обилажење графа знања.

Пословни RAG системи све чешће кодирају знање у векторске базе података како би га лични асистенти на нивоу цијеле компаније могли лако преузети, а многи пословни AI производи осмишљени су управо с тим циљем.

Асистенти за програмирање су такође значајни јер представљају још један важан случај употребе. Асистент за програмирање, као што је GitHub Copilot, може да се повеже са репозиторијумом и документацијом специфичном за пројекат како би преузео релевантне фајлове, функције, симболе, смјернице, API-је и историју комитова.

Корисничка подршка

Корисничка подршка је још један важан случај употребе RAG-а, а усвајање AI чатботова нагло је порасло посљедњих година. У свом извјештају State of AI Customer Support, компанија Crisp је утврдила да се 40% разговора рјешава без потребе за људском интервенцијом, што показује високу ефикасност.

Када корисник постави питање боту за корисничку подршку, оркестратор обично претражује интерну базу знања компаније. Ради тачности, често се користе и корективни RAG и self-RAG, а по потреби се разговор предаје људском представнику.

Пословне базе знања

Увођење AI токова рада и алата генеративне вјештачке интелигенције у средњим и великим предузећима одвијало се упоредо са изградњом интерних база знања. То асистентима на нивоу цијеле компаније омогућава приступ интерним подацима уз очување приватности, било да је ријеч о осјетљивим подацима о клијентима, приватним корпоративним подацима или специјализованом доменском знању.

Ови системи се обично граде око векторских база података, али се користе и друге RAG методе. Microsoft 365 Copilot, на примјер, има API слој који чини доступним различите изворе информација, укључујући векторске базе података, графове знања и семантичке индексе, како би омогућио широк приступ подацима компаније.

Ови RAG системи су обично уграђени и у пословне пакете агентских алата опште намјене. Perplexity Enterprise, на примјер, омогућава корисницима да отпреме велике количине документације за безбједну интерну употребу.

Корисници могу да отпреме и сопствене фајлове у оквиру самосталних пројеката, чиме у суштини стварају мини RAG системе. Претраге се могу комбиновати са другим облицима RAG-а, као што је веб-претрага, ради хибридног проширења.

Која је разлика између RAG-а и LLM-а?

Велики језички модел (LLM) може да генерише резултате само на основу информација представљених у својим параметрима. Он додјељује вјероватноће интерном рјечнику како би предвидио сљедећу ријеч, односно токен, у низу. Због тога не може да пружи тачне одговоре ако његови параметри нису тренирани на релевантним информацијама.

На AI платформама опште намјене или специјализованим AI платформама, RAG пајплајни раде упоредо са LLM-ом или групом LLM-ова. Повезују се са спољним изворима информација како би допунили улазни контекст који се пружа језичком моделу, и то је суштинска разлика између RAG-а и LLM-ова.

О томе да ли ће се преузети додатне информације или ће се ослонити искључиво на параметарско знање може одлучити оркестратор, обично помоћу логике засноване на правилима, или чак сам LLM.

Која је разлика између RAG-а и MCP-а?

RAG и протокол контекста модела (MCP) најбоље је посматрати као комплементарне технологије. MCP је отворени стандард за изградњу архитектуре која AI алатима омогућава приступ спољним функционалностима, ресурсима и промптовима преко једне крајње тачке.

Када се AI алат повеже са MCP сервером, сервер чини доступним све примитиве (MCP алате, ресурсе и промптове) којима клијент има дозволу да приступи. Клијент је компонента која успоставља везу између оркестратора на страни клијента и сервера. Понекад то може подразумијевати отварање приступа базама података и изворима информација, у ком случају MCP дјелује као посредник у слоју претраживања RAG пајплајна.

Која је разлика између RAG-а и API-ја?

API је дефинисани интерфејс који двије апликације могу да користе за међусобно слање захтјева. RAG је процес којим LLM-ови могу да приступе спољним информацијама како би побољшали и проширили своје резултате.

RAG често користи API позиве за преузимање информација. На примјер, код проналажења информација путем веб-претраге, оркестратор ће формулисати API захтјев релевантном претраживачу на основу корисниковог промпта.

Зашто је RAG важан и како ће наставити да се развија

RAG је важан јер су LLM-ови суштински ограничени својим подацима за тренирање. Постоје читаве области информација, од актуелних догађаја до приватног знања компанија, којима немају приступ. RAG рјешава овај проблем без потребе за превеликим ресурсима.

Међутим, само проналажење информација није довољно, и зато ће RAG наставити да се развија. RAG чини велики дио актуелних AI истраживања и усмјерен је на побољшање система тако да враћају праве информације у широком спектру формата и да их ефикасно процјењују и рангирају по приоритету.

Како RAG постаје моћнији, тако расте и корисност AI система у важним примјенама за крајње кориснике и предузећа. Ту спадају корисничка подршка, веб-претрага, програмирање, лични асистенти, специјализована истраживања и још много тога.