[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-rag":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":166},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":111,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":112,"related":126,"views_count":163,"helpful_yes_count":115,"helpful_no_count":115,"created_at":164,"updated_at":165,"published_at":17},278,"rag",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.","RAG — это связка «поиск + LLM». Перед тем как ответить, система ищет в вашей базе документов куски, относящиеся к вопросу, подаёт их модели вместе с запросом, и только тогда модель отвечает. Так удаётся подружить общий «здравый смысл» большой модели с конкретными фактами компании: продуктовая документация, регламенты, история переписки, договоры. Это самый частый способ построить ИИ-ассистента поверх собственных знаний.","\u003Cp>Без RAG большая языковая модель ограничена своими знаниями на момент обучения и склонна выдумывать факты. С RAG она перестаёт пытаться запомнить мир и работает как «языковой процессор» для документов, которые ей подкладывают.\u003C\u002Fp>\u003Ch3>Как устроен RAG\u003C\u002Fh3>\u003Col>\u003Cli>Документы заранее разбиваются на куски (chunks) и переводятся в эмбеддинги — векторные представления.\u003C\u002Fli>\u003Cli>Векторы хранятся в векторной базе данных с индексом для быстрого поиска по близости.\u003C\u002Fli>\u003Cli>На запрос пользователя строится его эмбеддинг.\u003C\u002Fli>\u003Cli>Из базы достаются несколько самых близких кусков.\u003C\u002Fli>\u003Cli>Эти куски вместе с вопросом отправляются в модель в виде контекста.\u003C\u002Fli>\u003Cli>Модель отвечает, опираясь на переданные документы.\u003C\u002Fli>\u003C\u002Fol>\u003Ch3>Где сложнее всего\u003C\u002Fh3>\u003Cul>\u003Cli>Качество разбивки документов на куски.\u003C\u002Fli>\u003Cli>Качество эмбеддингов и поискового индекса.\u003C\u002Fli>\u003Cli>Правильное оформление контекста в промпте: ссылки на источники, защита от противоречий.\u003C\u002Fli>\u003Cli>Разбор случаев, когда поиск не нашёл нужный документ и модель выдумала ответ.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Нужен помощник по вашим документам: продуктовая документация, регламенты, поддержка\u003C\u002Fli>\u003Cli>Информация меняется, и её нельзя «зашить» в модель\u003C\u002Fli>\u003Cli>Важна возможность сослаться на источник ответа\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Задача чисто стилистическая или творческая и не требует фактических знаний\u003C\u002Fli>\u003Cli>База знаний помещается в обычное контекстное окно и можно подать её целиком\u003C\u002Fli>\u003Cli>Документы очень разнородные и плохо структурированы — сначала стоит навести порядок в источниках\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>В банке внедряют RAG поверх внутренних регламентов и обучающих материалов. Сотрудник в чате спрашивает: «какой лимит на снятие наличных по карте премиум-уровня?». Система находит в базе пару нужных пунктов регламента, подаёт их модели, и она отвечает: «Согласно регламенту X (раздел 4.2), лимит составляет ... рублей в сутки; для лимита в месяц см. раздел 4.3». При этом в ответе видны конкретные ссылки на разделы — сотрудник может перепроверить.\u003C\u002Fp>","\u003Cp>Не пытайтесь сделать «идеальный RAG» с первой попытки. Начните с простой версии: разбивка по абзацам, базовая модель эмбеддингов, открытая векторная база. Соберите 30–100 реальных запросов с эталонными ответами, измерьте долю случаев, когда нужный документ попадает в верх результатов поиска. И уже на этих метриках улучшайте каждый компонент отдельно.\u003C\u002Fp>","RAG, поиск с дополнением генерации, генерация с опорой на поиск, retrieval-augmented generation","Retrieval-Augmented Generation (RAG)","RAG: поиск с дополнением генерации | Глоссарий Shtab","RAG — подход, при котором LLM перед ответом ищет нужные документы в базе знаний. Как он устроен, где сложнее всего и когда его стоит применять.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,102],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},37,"llm","framework","#7c5ce6",91,{"ru":100},{"title":101},"LLM",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":108},40,"ai-tool","tool","#5e79ec",94,{"ru":109},{"title":110},"Инструмент ИИ","R",[113,120],{"id":114,"order":115,"translations":116},1504,0,{"ru":117},{"question":118,"answer":119},"Чем RAG лучше тонкой настройки для запоминания фактов?","\u003Cp>Факты в базе можно менять прямо сейчас, без переобучения модели. К тому же RAG позволяет показать пользователю источник ответа, что важно в задачах поддержки, юридических, медицинских. Тонкая настройка лучше подходит для стиля и поведения, а не для фактических знаний.\u003C\u002Fp>",{"id":121,"order":61,"translations":122},1505,{"ru":123},{"question":124,"answer":125},"Можно ли построить RAG без языковой модели, на обычном поиске?","\u003Cp>Можно, и иногда это лучшее решение: если задача сводится к «найди и покажи документ», модель сверху может только добавить риск галлюцинаций. Языковая модель осмысленна, когда нужно собрать ответ из нескольких документов, переформулировать или сделать вывод.\u003C\u002Fp>",{"parent":127,"related":134},[128],{"id":129,"slug":95,"translations":130},264,{"ru":131},{"title":132,"short_definition":133},"Большая языковая модель","Нейросеть с миллиардами параметров, обученная предсказывать следующий токен в тексте и способная отвечать на вопросы, писать код и рассуждать.",[135,142,149,156],{"id":136,"slug":137,"translations":138},268,"embedding",{"ru":139},{"title":140,"short_definition":141},"Эмбеддинг (векторное представление)","Числовой вектор, в который модель переводит слово, предложение или другой объект, сохраняя его смысл.",{"id":143,"slug":144,"translations":145},283,"hallucination",{"ru":146},{"title":147,"short_definition":148},"Галлюцинации модели","Уверенно сформулированный ответ языковой модели, который при этом фактически неверен или выдуман.",{"id":150,"slug":151,"translations":152},267,"context-window",{"ru":153},{"title":154,"short_definition":155},"Контекстное окно","Максимальное количество токенов, которые языковая модель может видеть одновременно — её рабочая «оперативная память».",{"id":157,"slug":158,"translations":159},279,"vector-database",{"ru":160},{"title":161,"short_definition":162},"Векторная база данных","Хранилище, оптимизированное под быстрый поиск ближайших векторов — основа RAG-систем и семантического поиска.",98,"2026-05-11T19:55:52.147188+03:00","2026-05-11T19:55:52.147205+03:00",[167,187,208],{"id":168,"slug":169,"translations":170,"category":175,"tags":178,"letter":185,"cover":17,"updated_at":186,"published_at":17},282,"mcp",{"ru":171},{"title":172,"short_definition":173,"translation_en":174},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":176},{"ru":177},{"title":90,"description":91},[179,182],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":180},{"ru":181},{"title":101},{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":183},{"ru":184},{"title":110},"M","2026-05-11T19:55:53.687297+03:00",{"id":188,"slug":189,"translations":190,"category":195,"tags":198,"letter":185,"cover":17,"updated_at":207,"published_at":17},287,"mlops",{"ru":191},{"title":192,"short_definition":193,"translation_en":194},"MLOps (эксплуатация ML-моделей)","Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":196},{"ru":197},{"title":90,"description":91},[199,204],{"id":61,"slug":200,"kind":200,"hex":106,"order":61,"translations":201},"methodology",{"ru":202},{"title":203},"Методология",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":205},{"ru":206},{"title":110},"2026-05-11T19:55:55.482827+03:00",{"id":129,"slug":95,"translations":209,"category":212,"tags":215,"letter":227,"cover":17,"updated_at":228,"published_at":17},{"ru":210},{"title":132,"short_definition":133,"translation_en":211},"Large Language Model (LLM)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":213},{"ru":214},{"title":90,"description":91},[216,224],{"id":217,"slug":218,"kind":219,"hex":87,"order":220,"translations":221},36,"ai-foundation","other",90,{"ru":222},{"title":223},"Основы ИИ",{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":225},{"ru":226},{"title":101},"Б","2026-05-11T19:55:46.954774+03:00"]