ПРИМЕНЕНИЕ RAG-ТЕХНОЛОГИЙ ПРИ РАЗРАБОТКЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПОИСКА ИНФОРМАЦИИ

APPLICATION OF RAG TECHNOLOGIES IN THE DEVELOPMENT OF INTELLIGENT INFORMATION RETRIEVAL SYSTEMS

Baikov Timur Aidarovich

4th-year  student, Institute of Informatics, Mathematics and Robotics, Ufa University of Science and Technology,

Russia, Ufa

АННОТАЦИЯ

Рассмотрено применение retrieval-augmented generation (RAG) в интеллектуальных системах поиска информации. Описаны подготовка документов, построение векторного индекса, извлечение релевантных фрагментов и генерация ответа языковой моделью. Выделены преимущества подхода, его ограничения и основные показатели качества, необходимые для практического внедрения.

ABSTRACT

The article examines retrieval-augmented generation (RAG) in intelligent information retrieval systems. It describes document preparation, vector indexing, relevant passage retrieval, and answer generation by a language model. The main advantages, limitations, and evaluation criteria required for practical deployment are identified.

Ключевые слова: RAG; большие языковые модели; информационный поиск; векторный индекс; эмбеддинги.

Keywords: RAG; large language models; information retrieval; vector index; embeddings.

Введение

Организации накапливают нормативные документы, инструкции, отчеты и материалы внутренних баз знаний. Классический поиск возвращает перечень совпадений, после чего пользователь самостоятельно изучает источники. Большая языковая модель способна сформировать связный ответ, однако ее параметрические знания ограничены обучающими данными и могут содержать неточности. RAG объединяет генератор с внешней базой документов: перед созданием ответа система извлекает релевантные фрагменты и добавляет их в контекст [1, с. 9459–9461]. Цель подхода состоит в формировании ответа, основанного на доступной и проверяемой информации.

Архитектура RAG-системы

Первый этап — подготовка базы знаний. Текст извлекается из файлов, сайтов или прикладных систем, очищается и делится на логические фрагменты. Вместе с содержанием сохраняются метаданные: название источника, раздел, дата версии, ссылка и уровень доступа. Слишком короткое разбиение лишает фрагмент смысла, а слишком крупное снижает точность поиска и увеличивает объем контекста.

Затем фрагменты преобразуются моделью эмбеддингов в числовые векторы и помещаются в индекс. Запрос кодируется тем же способом, после чего выбираются ближайшие по смыслу элементы. Плотный двухкодировочный поиск позволяет находить релевантные отрывки без полного совпадения слов [2, с. 6769–6772]. Модели предложений, включая Sentence-BERT, формируют представления, пригодные для сравнения по косинусной близости [3, с. 3982–3985]. Для повышения точности семантический поиск может сочетаться с ключевым поиском, фильтрами по метаданным и повторным ранжированием.

Найденные материалы вместе с вопросом и инструкцией передаются языковой модели. Инструкция должна требовать использовать только предоставленный контекст, отмечать недостаток данных и указывать источники. После генерации система добавляет ссылки на документы, проверяет права доступа и сохраняет технические показатели запроса. Следовательно, RAG представляет собой не отдельную модель, а последовательность модулей: загрузка, индексирование, извлечение, ранжирование, формирование контекста и генерация.

Преимущества, ограничения и оценка

RAG позволяет обновлять знания переиндексацией документов без полного переобучения генератора. Одна модель может использовать разные предметные коллекции, поэтому подход подходит для образовательных ассистентов, технической поддержки, корпоративных баз знаний и поиска по нормативным материалам. Пользователь получает не только список документов, но и краткий синтез сведений с возможностью перейти к первоисточнику. Современные архитектуры дополняют базовый процесс преобразованием запросов, повторным ранжированием и многошаговым извлечением [4]. В Self-RAG поиск выполняется адаптивно, а ответ дополнительно оценивается механизмом саморефлексии [5].

При этом технология не исключает недостоверную генерацию. Ошибки возникают из-за неполной базы, неудачного разбиения, неверного ранжирования, устаревших или противоречащих документов. Опасность представляют конфиденциальные данные и вредоносные инструкции внутри индексируемого текста, поэтому контроль доступа должен применяться до передачи фрагментов модели. Качество следует оценивать отдельно для поиска и ответа. Для поиска важны полнота среди первых результатов и порядок релевантных документов; для генерации — соответствие контексту, полнота, корректность ссылок и способность отказаться от ответа при отсутствии оснований. Дополнительно учитываются задержка, стоимость и актуальность индекса.

Заключение

RAG-технологии превращают информационный поиск в диалоговую систему, способную находить материалы и формировать проверяемый ответ на естественном языке. Результат зависит не только от языковой модели, но и от качества документов, эмбеддингов, ранжирования, инструкций и правил безопасности. Поэтому надежная RAG-система требует регулярного тестирования, обновления индекса и сохранения доступа пользователя к исходным материалам.

Список литературы:

1. Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459–9474.
2. Karpukhin V., Oguz B., Min S. et al. Dense Passage Retrieval for Open-Domain Question Answering // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing. 2020. P. 6769–6781. DOI: 10.18653/v1/2020.emnlp-main.550.
3. Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings Using Siamese BERT-Networks // Proceedings of EMNLP-IJCNLP. 2019. P. 3982–3992. DOI: 10.18653/v1/D19-1410.
4. Gao Y., Xiong Y., Gao X. et al. Retrieval-Augmented Generation for Large Language Models: A Survey [Электронный ресурс]. 2023. URL: https://arxiv.org/abs/2312.10997 (дата обращения: 03.08.2026).
5. Asai A., Wu Z., Wang Y., Sil A., Hajishirzi H. Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [Электронный ресурс] // International Conference on Learning Representations. 2024. URL: https://proceedings.iclr.cc/paper_files/paper/2024/hash/25f7be9694d7b32d5cc670927b8091e1-Abstract-Conference.html (дата обращения: 03.08.2026).