RAG – retrieval-augmented generation
RAG (retrieval-augmented generation, generowanie wspomagane wyszukiwaniem) to sposób działania systemów AI, w którym duży model językowy przed odpowiedzią wyszukuje we wskazanych dokumentach - regulaminach, umowach, procedurach - fragmenty pasujące do pytania i odpowiada na ich podstawie, zwykle ze wskazaniem źródła. Model korzysta wtedy z aktualnej wiedzy firmy, a nie tylko z tego, czego nauczył się w treningu.
Jak działa RAG krok po kroku
Duży model językowy zna tylko teksty, na których go wytrenowano. Nie widział regulaminu pracy Twojej firmy, cennika z zeszłego tygodnia ani umowy z kluczowym dostawcą. RAG dokłada mu wyszukiwarkę, która przed każdą odpowiedzią podsuwa właściwe fragmenty dokumentów. Metodę i nazwę opisali w 2020 r. Patrick Lewis i współautorzy w pracy „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, przedstawionej na konferencji NeurIPS, a dziś to standardowy sposób budowania asystentów na firmowej wiedzy. Działa w trzech krokach.
- Przygotowanie bazy wiedzy - dokumenty są dzielone na krótkie fragmenty (chunki), a każdy fragment zamieniany na embedding, czyli ciąg liczb opisujący jego znaczenie. Fragmenty trafiają do bazy wektorowej razem z metadanymi: tytułem, datą, wersją i uprawnieniami.
- Wyszukanie - pytanie użytkownika też zamienia się w embedding, a system szuka fragmentów o najbliższym znaczeniu. Dobre wdrożenia łączą to z wyszukiwaniem po słowach kluczowych, bo numer umowy czy NIP trzeba znaleźć dokładnie, a nie „podobnie”.
- Generowanie - kilka najlepszych fragmentów trafia do modelu razem z poleceniem: odpowiadaj tylko na ich podstawie i wskaż źródło.
RAG a fine-tuning - co wybrać
Fine-tuning, czyli dostrajanie modelu na własnych przykładach, zmienia sposób, w jaki model pisze i rozumuje: styl, format odpowiedzi, słownictwo branżowe. Nie jest dobrym sposobem na przekazanie faktów, bo każda zmiana regulaminu wymagałaby ponownego treningu, a model i tak nie wskaże, skąd wziął informację. RAG działa odwrotnie: wiedza zostaje w dokumentach, a model tylko z niej korzysta. Nowa wersja procedury jest dostępna dla asystenta zaraz po zaindeksowaniu, a odpowiedź da się sprawdzić w źródle. Przy wiedzy firmowej zwykle zaczyna się więc od RAG, a po fine-tuning sięga się wtedy, gdy trzeba zmienić styl lub format odpowiedzi.
Gdzie RAG sprawdza się w firmie
Tam, gdzie pracownicy tracą czas na szukanie odpowiedzi w dokumentach: asystent kadrowy odpowiadający z regulaminów, wyszukiwarka w bazie umów, podpowiedzi dla obsługi klienta oparte na ogólnych warunkach sprzedaży, porównanie faktury z umową. Po RAG sięga też administracja: od 31 grudnia 2025 r. w mObywatelu działa wirtualny asystent oparty na polskim modelu PLLuM, który wyszukuje w bazie wiedzy artykuł z oficjalnych serwisów i na jego podstawie odpowiada.
W rozwiązaniach e-MSI model AI nie działa obok procesu, tylko wewnątrz niego, na platformie JobRouter®. Workflow zbiera właściwy kontekst - z formularza, skrzynki e-mail, ERP, CRM, systemu HR, archiwum dokumentów lub wcześniejszych etapów sprawy - i przekazuje modelowi ustalony, autoryzowany zestaw danych. Wynik jest sprawdzany według reguł, na przykład progu pewności i zgodności z danymi źródłowymi, a decyzje wymagające odpowiedzialności podejmuje uprawniony pracownik. To ta sama zasada, na której opiera się RAG: model pracuje na wskazanych dokumentach, a nie na swojej pamięci. Więcej na stronie AI w procesach biznesowych.
Na co uważać przy wdrożeniu RAG
- Uprawnienia - wyszukiwarka musi filtrować fragmenty według ról, inaczej asystent zdradzi pensje albo treść umów osobom, które nie powinny ich widzieć.
- Porządek w dokumentach - trzy wersje tej samej procedury w bazie dają trzy różne odpowiedzi. Stare wersje oznaczaj lub usuwaj z indeksu.
- Skany bez warstwy tekstowej - bez dobrego OCR model ich nie przeczyta.
- Halucynacje - RAG je ogranicza, ale nie usuwa. Wymagaj cytowania źródła i sprawdzaj odpowiedzi przed użyciem w decyzjach.
- Dane osobowe - baza wiedzy z danymi pracowników czy klientów podlega RODO jak każdy inny zbiór.
- Przejrzystość - od 2 sierpnia 2026 r. AI Act wymaga, by osoba rozmawiająca z chatbotem wiedziała, że rozmawia z maszyną, jeśli nie wynika to jasno z okoliczności.
Przykłady zastosowania
Pracownik pyta asystenta HR, ile dni wcześniej trzeba złożyć wniosek o szkolenie. Model odpowiada na podstawie regulaminu szkoleń i podaje numer punktu, z którego skorzystał.
Księgowa pyta, co zrobić z fakturą z KSeF bez numeru zamówienia. Asystent cytuje odpowiedni fragment wewnętrznej instrukcji obiegu faktur zamiast ogólnych porad z internetu.
Radca prawny w dziale prawnym szuka wszystkich umów z karą umowną powyżej 10 procent wartości. Wyszukiwanie znaczeniowe znajduje klauzule sformułowane na różne sposoby, a model zestawia je w tabeli z odnośnikami.
Konsultant obsługi klienta dostaje szkic odpowiedzi na reklamację przygotowany na podstawie ogólnych warunków sprzedaży i historii zamówienia. Sprawdza przywołany paragraf i wysyła.
Mieszkaniec pyta czat urzędu gminy o termin płatności opłaty za odpady. Asystent odpowiada na podstawie aktualnej uchwały opublikowanej w BIP i na początku rozmowy informuje, że jest systemem AI.
Najczęstsze pytania
Co to jest RAG?
W sztucznej inteligencji RAG to retrieval-augmented generation, czyli generowanie wspomagane wyszukiwaniem: model najpierw szuka informacji w dokumentach, potem odpowiada. W zarządzaniu projektami ten sam skrót oznacza status RAG - red, amber, green - czyli sygnalizację postępu kolorami czerwonym, bursztynowym i zielonym.
Czym RAG różni się od fine-tuningu?
Fine-tuning zmienia sam model - uczy go stylu, formatu i słownictwa na przykładach. RAG zostawia model bez zmian i przy każdym pytaniu podsuwa mu aktualne fragmenty dokumentów. Do przekazywania wiedzy firmowej lepszy jest RAG, bo zmiana dokumentu nie wymaga ponownego treningu, a odpowiedź ma wskazane źródło.
Czy RAG eliminuje halucynacje AI?
Nie eliminuje, ale wyraźnie je ogranicza. Model dostaje konkretne fragmenty i polecenie, by odpowiadał tylko na ich podstawie. Nadal może źle zinterpretować tekst albo dopowiedzieć coś od siebie, zwłaszcza gdy wyszukiwarka nie znalazła właściwego fragmentu. Dlatego odpowiedź powinna zawsze wskazywać źródło do sprawdzenia.
Co to jest baza wektorowa w RAG?
To baza, która przechowuje fragmenty dokumentów razem z ich embeddingami - liczbowym zapisem znaczenia. Pozwala znaleźć tekst podobny sensem do pytania, nawet gdy używa innych słów, na przykład „wolne” zamiast „urlop”. Obok wyszukiwania wektorowego warto używać klasycznego, po słowach kluczowych.
Czy RAG jest bezpieczny dla danych firmy?
Tak, jeśli wyszukiwarka respektuje uprawnienia użytkownika i nie podsuwa modelowi fragmentów, których pytający nie ma prawa zobaczyć. Wybór modelu i umowy z dostawcą podlega tym samym zasadom co każde użycie LLM. Baza wiedzy z danymi osobowymi podlega RODO, a usunięty dokument musi zniknąć także z indeksu.
Czy chatbot oparty na RAG musi informować, że jest AI?
Tak. Od 2 sierpnia 2026 r. stosuje się obowiązki przejrzystości z AI Act: osoba rozmawiająca z chatbotem ma wiedzieć, że komunikuje się z maszyną, jeśli nie jest to oczywiste. Informacja powinna być jasna i przekazana najpóźniej przy pierwszym kontakcie.
Powiązane hasła
Zobacz, jak wygląda to w systemach, które wdrażamy w polskich firmach.
