Generisanje potpomognuto pretraživanjem (RAG): definicija, slučajevi upotrebe i praktični primeri

Generisanje potpomognuto pretraživanjem (RAG) omogućava AI alatima da preuzmu spoljne informacije kako bi utemeljili svoje odgovore, a ovaj vodič objašnjava kako funkcioniše, koje su njegove glavne vrste i kako se primenjuje u stvarnom svetu, od veb-pretrage do poslovnih baza znanja.

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, odnosno generisanje potpomognuto pretraživanjem, jeste proces kojim alati zasnovani na LLM-ovima pristupaju spoljnim informacijama. Te informacije, koje nisu sadržane u parametrima naučenim tokom treniranja LLM-a, dodaju se relevantnom ulaznom kontekstu i koriste pri generisanju odgovora.

RAG je jedna od najvažnijih komponenti savremenih AI sistema. Koriste ga svi popularni agentski alati (ChatGPT, Claude, Perplexity itd.) i ima širok spektar primena, kako za potrošače tako i za preduzeća. RAG je doživeo nekoliko inovacija otkako se prvi put raširio i nastavlja da se razvija na zanimljive načine.

Šta je generisanje potpomognuto pretraživanjem (RAG)?

Generisanje potpomognuto pretraživanjem (RAG) je metod poboljšanja izlaza velikih jezičkih modela (LLM) tako što im se pružaju relevantne spoljne informacije.

Tipičan RAG „cevovod“ (pipeline), termin kojim se označava široka osnovna RAG arhitektura, ima dve putanje: putanju unosa i putanju pretraživanja. Putanja unosa preuzima podatke i pretvara ih u format koji se može pretraživati. Putanja pretraživanja formira zahtev na osnovu korisnikovog prompta i šalje upite izvoru informacija.

RAG sistemi se često grade oko vektorskih baza podataka. U tom scenariju, komponenta orkestratora u LLM alatu, koja upravlja korisničkim promptovima, šalje upite i preuzima rezultate iz indeksa koji se može pretraživati, generisaće vektorsko ugrađivanje (embedding). Pomoću njega pretražuje bazu vektora koji predstavljaju unete podatke. Zatim će preuzete informacije dodati postojećem ulaznom kontekstu za LLM, uz uputstva o tome kako da ih koristi za generisanje izlaza.

RAG se ne odnosi isključivo na gore opisanu vrstu guste vektorske pretrage. U RAG spadaju i prolazak kroz graf znanja, semantička pretraga, tradicionalna pretraživanja baza podataka ili bilo koja kombinacija ovih metoda.

Prednosti RAG-a

Jedan od razloga zašto je RAG postao toliko popularan jeste to što rešava dva ključna problema povezana sa generisanjem odgovora isključivo pomoću LLM-a: halucinacije i nedostatak pristupa informacijama koje nisu sadržane u materijalima za treniranje.

Provera činjenica i utemeljenje

LLM-ovi su poznati po tome što imaju poteškoća sa činjeničnom tačnošću. Često, ako ne mogu pouzdano da odgovore na pitanje, samouvereno haluciniraju. To može biti zato što informacije nisu bile sadržane u materijalima za treniranje ili zato što sami materijali za treniranje sadrže netačnosti. Proces provere činjenica uz pomoć RAG-a podrazumeva utemeljenje odgovora u informacijama iz pouzdanog izvora treće strane.

Ažurne informacije

LLM-ovi mogu da odgovaraju samo na pitanja o temama do granice svojih podataka za treniranje, koja se naziva granica znanja (knowledge cut-off). RAG sistemi mogu da se povežu sa veoma aktuelnim izvorima informacija, kao što su vesti dostupne putem API-ja za veb-pretragu ili interne baze podataka sa ažurnim informacijama o proizvodima. To omogućava generisanje odgovora o temama koje nisu obuhvaćene podacima za treniranje.

Pristup privatnim spoljnim podacima

RAG sistemi omogućavaju preduzećima da AI infrastrukturu povežu sa izvorima osetljivih, vlasničkih i domenski specifičnih informacija koje ne mogu javno da dele. Mnogi popularni alati, kao što je Perplexity, sada nude mogućnost otpremanja poverljivih podataka i izgradnje privatnih baza znanja, što je čest slučaj upotrebe u preduzećima.

Pregled i razvoj RAG-a: glavne vrste arhitekture

Iako se konkretan termin generisanje potpomognuto pretraživanjem prvi put pojavio u značajnom radu iz 2020. godine pod naslovom Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, sistemi za pronalaženje informacija bili su u upotrebi mnogo decenija pre toga. Rani pretraživači su dobar primer. Međutim, prava AI inovacija bila je kombinovanje parametarskog znanja modela sa gustim vektorskim indeksom (u radu je za njegovu izgradnju korišćena Wikipedija).

Evo pregleda glavnih vrsta RAG-a:

  • Osnovni RAG: Osnovni RAG, koji se naziva i naivni RAG, najjednostavnija je varijanta RAG cevovoda. Prati tok „pretraži i generiši“, pri čemu je pretraga vektorske baze podataka glavni slučaj upotrebe. I dalje je pogodan za izgradnju jednostavne RAG implementacije, naročito za ograničenu internu upotrebu.
  • Hibridni RAG: Ovo podrazumeva kombinovanje više vrsta RAG-a. Obično se odnosi na kombinaciju jednostavne pretrage po ključnim rečima i gustog vektorskog pretraživanja.
  • Korektivni RAG: Oblik RAG-a u kojem fino podešeni model procenjuje preuzete informacije kako bi utvrdio njihovu relevantnost za korisnikov prompt.
  • Self-RAG: Iako je sličan korektivnom RAG-u, u self-RAG-u LLM procenjuje sopstvene izlaze i po potrebi pokreće pretraživanje. Za to koristi specijalizovane tokene refleksije.
  • Agentski RAG: Agentski RAG se odnosi na način na koji agentske AI platforme mogu da koriste različite metode pretraživanja. LLM može da rasuđuje i bira između različitih RAG opcija putem orkestratora.
  • Multimodalni RAG: Ova vrsta RAG-a uključuje druge oblike medija, poput slika i zvuka, u svoje cevovode za unos i pretraživanje.
  • GraphRAG: GraphRAG koristi prolazak kroz graf znanja (pretragu entiteta) za pronalaženje informacija. To može biti u kombinaciji sa gustim vektorskim pretraživanjem, ali ne mora.
  • Razgranati RAG: Ova RAG arhitektura podrazumeva istovremeno pokretanje više upita za pretraživanje, često uz korišćenje različitih arhitektonskih obrazaca. Razgranati RAG je česta funkcija u AI alatima koji pokreću složene radne tokove.
  • HyDE (Hypothetical Document Embeddings – ugrađivanja hipotetičkih dokumenata): Ugrađivanja hipotetičkih dokumenata su odgovori generisani pomoću AI-ja koji simuliraju kako bi mogao da izgleda idealan odgovor na korisnikov prompt. Koriste se za preciziranje RAG upita, čime se poboljšava tačnost preuzetih informacija.

Najvažniji slučajevi upotrebe RAG-a sa primerima

Kako RAG izgleda u stvarnom svetu? Ako ste AI četbotu postavili pitanje o vremenski osetljivoj temi, poslali upit botu za korisničku podršku ili koristili ličnog asistenta za administrativne zadatke, koristili ste RAG.

Najvažniji primeri RAG-a u potrošačkom i poslovnom kontekstu su veb-pretraga, lični asistenti (uključujući i one za programiranje), asistenti za programiranje, korisnička podrška i upravljanje znanjem u preduzećima.

Veb-pretraga

Veb-pretraga je široko rasprostranjen oblik RAG-a i verovatno najzastupljenija primena namenjena potrošačima. Svi popularni četbotovi nude funkciju veb-pretrage, u kojoj LLM koristi ažurne izvore kako bi dopunio informacije sadržane u svojim materijalima za treniranje.

Orkestrator u AI alatu povezuje se sa pretraživačem treće strane putem API poziva, a rezultati se, u obliku isečaka, dodaju u kontekstni prozor LLM-a. To korisnicima omogućava pristup aktuelnim događajima, najnovijim istraživanjima, informacijama o proizvodima i drugim temama u kojima se informacije često menjaju.

U praksi, API zahtev bi mogao da izgleda ovako:

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

Vraćene informacije bi obuhvatale izvor i isečak:

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" } ] }

Lični AI asistenti

Lični asistenti koriste RAG za povezivanje sa izvorima informacija u ličnom ili zajedničkom poslovnom okruženju. Primeri izvora informacija su korisnikova e-pošta, datoteke, kalendar i baze podataka.

Pošto informacije mogu biti uskladištene na različite načine, lične asistente je najbolje posmatrati kao potpuno agentske RAG sisteme. U zavisnosti od prompta, mogu da koriste API pozive, pretragu po ključnim rečima, gusto vektorsko pretraživanje ili prolazak kroz graf znanja.

Poslovni RAG sistemi sve češće kodiraju znanje u vektorske baze podataka kako bi ga lični asistenti na nivou cele kompanije mogli lako preuzeti, a mnogi poslovni AI proizvodi osmišljeni su upravo s tim na umu.

Asistenti za programiranje takođe su značajni jer predstavljaju još jedan važan slučaj upotrebe. Asistent za kôd, kao što je GitHub Copilot, može da se poveže sa repozitorijumom i dokumentacijom specifičnom za projekat kako bi preuzeo relevantne datoteke, funkcije, simbole, smernice, API-je i istoriju komitova.

Korisnička podrška

Korisnička podrška je još jedan važan slučaj upotrebe RAG-a, a usvajanje AI četbotova poslednjih godina naglo je poraslo. U svom izveštaju State of AI Customer Support, kompanija Crisp je utvrdila da se 40% razgovora reši bez potrebe za ljudskom intervencijom, što pokazuje visok nivo efikasnosti.

Kada korisnik postavi pitanje botu za korisničku podršku, orkestrator obično pretražuje internu bazu znanja kompanije. Da bi se obezbedila tačnost, često se koriste i korektivni RAG i self-RAG, a kada je to potrebno, razgovor se prepušta ljudskom predstavniku.

Poslovne baze znanja

Uvođenje AI radnih tokova i alata generativne veštačke inteligencije u srednjim i velikim preduzećima odvijalo se paralelno sa izgradnjom internih baza znanja. To omogućava asistentima na nivou cele kompanije da pristupaju internim podacima uz očuvanje privatnosti, bilo da je reč o osetljivim informacijama o klijentima, privatnim korporativnim podacima ili specijalizovanom domenskom znanju.

Ovi sistemi se obično grade oko vektorskih baza podataka, ali se koriste i druge RAG metode. Microsoft 365 Copilot, na primer, ima API sloj koji izlaže različite izvore informacija, uključujući vektorske baze podataka, grafove znanja i semantičke indekse, kako bi pružio širok pristup podacima kompanije.

Ovi RAG sistemi su obično ugrađeni i u poslovne pakete agentskih alata opšte namene. Perplexity Enterprise, na primer, omogućava korisnicima da otpreme velike količine dokumentacije za bezbednu internu upotrebu.

Korisnici mogu da otpremaju i sopstvene datoteke unutar samostalnih projekata, čime u suštini stvaraju mini RAG sisteme. Pretrage se mogu kombinovati sa drugim oblicima RAG-a, poput veb-pretraga, radi hibridnog proširenja.

Koja je razlika između RAG-a i LLM-a?

Veliki jezički model (LLM) može da generiše izlaze samo pomoću informacija predstavljenih u njegovim parametrima. On dodeljuje verovatnoće internom vokabularu kako bi predvideo sledeću reč, odnosno token, u nizu. Zbog toga ne može da pruži tačne odgovore ako njegovi parametri nisu trenirani na relevantnim informacijama.

Na AI platformi opšte namene ili specijalizovanoj AI platformi, RAG cevovodi funkcionišu uz LLM ili grupu LLM-ova. Povezuju se sa spoljnim izvorima informacija kako bi dopunili ulazni kontekst koji se pruža jezičkom modelu, i to je ključna razlika između RAG-a i LLM-ova.

Odluku o tome da li preuzeti dodatne informacije ili se osloniti isključivo na parametarsko znanje može da donese orkestrator, obično pomoću logike zasnovane na pravilima, ili čak sam LLM.

Koja je razlika između RAG-a i MCP-a?

RAG i protokol konteksta modela (MCP) najbolje je posmatrati kao komplementarne tehnologije. MCP je otvoreni standard za izgradnju arhitekture koja AI alatima omogućava pristup spoljnim funkcionalnostima, resursima i promptovima putem jedne krajnje tačke.

Kada se AI alat poveže sa MCP serverom, server izlaže sve primitive (MCP alate, resurse i promptove) kojima klijent ima dozvolu da pristupi. Klijent je komponenta koja uspostavlja vezu između orkestratora na strani klijenta i servera. Ponekad to može podrazumevati izlaganje baza podataka i izvora informacija, i u tom slučaju MCP deluje kao posrednik u sloju pretraživanja RAG cevovoda.

Koja je razlika između RAG-a i API-ja?

API je definisani interfejs koji dve aplikacije mogu da koriste za međusobno slanje zahteva. RAG je proces kojim LLM-ovi mogu da pristupe spoljnim informacijama kako bi poboljšali i proširili svoje izlaze.

RAG često koristi API pozive za preuzimanje informacija. Kod pronalaženja informacija putem veb-pretrage, na primer, orkestrator će na osnovu korisnikovog prompta formulisati API zahtev ka odgovarajućem pretraživaču.

Zašto je RAG važan i kako će nastaviti da se razvija

RAG je važan zato što su LLM-ovi suštinski ograničeni svojim podacima za treniranje. Postoje čitave oblasti informacija, od aktuelnih događaja do privatnog znanja kompanija, kojima nemaju pristup. RAG rešava ovaj problem bez potrebe za preteranom količinom resursa.

Međutim, samo pronalaženje informacija nije dovoljno, i zato će RAG nastaviti da se razvija. RAG čini veliki deo aktuelnih istraživanja u oblasti AI i usmeren je na unapređenje sistema tako da vraćaju prave informacije u širokom rasponu formata i da ih efikasno procenjuju i rangiraju po prioritetu.

Kako RAG postaje moćniji, tako raste i korisnost AI sistema u važnim primenama za potrošače i preduzeća. One obuhvataju korisničku podršku, veb-pretragu, programiranje, lične asistente, specijalizovana istraživanja i još mnogo toga.