Mi az a RAG és hogyan működik a mesterséges intelligencián alapuló vállalati tudásbázis

Amikor egy cég úgy dönt, hogy belső asszisztenst készít a munkatársaknak vagy az ügyfeleknek, az első gondolat általában ez: „tanítsuk be a modellt a saját fájljainkra”. Csakhogy a klasszikus finomhangolás (Fine-tuning) drága és lassú. Elég, ha akár csak egy szabályzat vagy ár megváltozik, és a modellt újra kell tanítani, miközben több ezer dollárt fizetnek a számítási kapacitás bérléséért.

Ezért állt át az iparág a RAG (Retrieval-Augmented Generation) megközelítésre — vagyis a kereséssel kiegészített szöveggenerálásra.

1. Hogyan működik a RAG?

Leegyszerűsítve a RAG olyan, mint egy diák a vizsgán, akinek megengedték, hogy kinyissa a jegyzeteit. Nem emlékszik mindenre fejből. Gyorsan megtalálja a megfelelő oldalt a mutató alapján, elolvassa a pontos bekezdést, és egyértelmű választ ad.

Az egész három lépésben történik:

1. Indexelés (előkészítjük a jegyzetet): a vállalati PDF-eket, Word-fájlokat vagy táblázatokat kisebb logikai blokkokra (chunks), 300–800 szavas egységekre bontják. Minden blokkot egy matematikai vektorrá (embedding) alakítanak, amely leírja a szöveg jelentését, majd ez bekerül egy vektoradatbázisba (például Qdrant vagy pgvector).
2. Keresés (Retrieval): a felhasználó megkérdezi például: „mi a hibás termék visszaküldésének menete?” — a rendszer pedig azonnal megkeresi az adatbázisában a jelentés szempontjából 3–5 legközelebbi szövegrészletet.
3. Válaszgenerálás (Augmented Generation): a modell kap egy rendszerutasítást: „Az ügyfél kérdésére KIZÁRÓLAG az alábbi szöveg alapján válaszolj. Ha a válasz nem szerepel a szövegben, mondd azt, hogy „az információ nem áll rendelkezésre”, és ne találj ki semmit.”

2. Mit ad ez a vállalkozásnak?

• A hallucinációk kizárása: a modell a megtalált kontextus keretei közé van szorítva. Nem fog olyan garanciális feltételeket kitalálni, amelyek nem szerepelnek a szabályzataikban.
• Azonnali frissítés: kicserélték a fájlt a szerveren vagy szerkesztettek egy oldalt a Notionben — és a rendszer már egy percen belül az új szabályok szerint válaszol.
• Forráshivatkozások: minden válaszhoz hozzáad egy hivatkozást a konkrét dokumentumra és szakaszra. A felhasználó maga is ellenőrizheti.
• Biztonság: a dokumentumok nem válnak a modell nyilvánosan elérhető súlyainak részévé, hanem az önök által ellenőrzött környezetben maradnak.

Erről a technológia bevezetéséről bővebben itt olvashat: Vállalati tudásbázis és RAG. Vagy nézzen meg egy gyakorlati példát: Onboarding forgatókönyv.