RAG to sposób, dzięki któremu AI odpowiada na podstawie wskazanych dokumentów. Najpierw system wyszukuje informacje pasujące do pytania, a dopiero później przekazuje je modelowi, żeby ułożył odpowiedź.
W firmie oznacza to prostą rzecz: chatbot może zajrzeć do Twojej oferty, instrukcji albo procedury dostawy, zamiast opierać się tylko na ogólnej wiedzy.
Pokażę to na konkretnym przykładzie. Przygotowałem fikcyjny sklep, zapytałem o tę samą dostawę i zmieniłem dostępne dokumenty. Różnicę widać od razu.
RAG w jednym zdaniu: znajdź właściwy fragment firmowej wiedzy, daj go AI jako kontekst i pokaż odpowiedź razem ze źródłem.
Spis treści
Co to jest RAG? Retrieval-Augmented Generation po ludzku
Skrót rozwija się jako Retrieval-Augmented Generation, czyli generowanie odpowiedzi wspomagane wyszukiwaniem. Model językowy odpowiada, a dodatkowy mechanizm dostarcza mu potrzebną wiedzę.
Wyobraź sobie pracownika, który przed odpowiedzią klientowi otwiera aktualny cennik. Właśnie taką rolę pełni wyszukiwanie w RAG. AI nadal układa wypowiedź, ale dostaje konkretny materiał do wykorzystania.
Nie oznacza to wytrenowania modelu od nowa na firmowych plikach. Dokumenty są odnajdywane i dołączane do kontekstu rozmowy. Własna baza może zawierać PDF-y, strony pomocy, instrukcje, opisy produktów czy zatwierdzone procedury.
Jak działa RAG krok po kroku?
Są tu dwa procesy. Najpierw przygotowanie wiedzy, później obsługa konkretnego pytania.
Przygotowanie dokumentów
- Odczyt treści. System musi rozpoznać tekst, nagłówki, listy i tabele. Skan może wymagać OCR. Błędnie odczytana cena zostanie błędną ceną również dla AI.
- Podział na fragmenty. Długi dokument trafia do mniejszych części, często nazywanych chunkami. Warunek, jego wyjątek i jednostka powinny pozostać razem.
- Dodanie metadanych. Nazwa dokumentu, wersja, data obowiązywania, właściciel i uprawnienia pomagają wybrać właściwe źródło.
- Indeksowanie. Treść przygotowuje się do wyszukiwania. Mogą tu działać słowa kluczowe, reprezentacje wektorowe albo oba sposoby jednocześnie.
Odpowiedź na pytanie
Klient pyta o dostawę. System znajduje odpowiednie fragmenty, ewentualnie ustawia je według trafności, a model dostaje pytanie, te fragmenty i instrukcję odpowiedzi.
Embedding to liczbowa reprezentacja tekstu, przydatna do wyszukiwania podobnego znaczenia. Dzięki temu pytanie „kiedy paczka będzie gotowa?” może trafić do sekcji „czas przygotowania zamówienia”, nawet bez identycznych słów.
Przy kodach produktów i dokładnych nazwach nadal przydaje się wyszukiwanie tekstowe. Połączenie obu metod nazywa się wyszukiwaniem hybrydowym. Reranking to dodatkowe uporządkowanie znalezionych wyników, żeby model dostał najtrafniejsze.
RAG nie wymaga konkretnej bazy wektorowej ani jednego dostawcy AI. Dobór narzędzi zależy od źródeł, skali i tego, kto ma otrzymywać odpowiedzi.
Przykład RAG: ile kosztuje dostawa dla koszyka 249 zł?
Do testu stworzyłem PAPIER DEMO, fikcyjny sklep z notesami. Aktualna procedura podaje dostawę za 19 zł poniżej 250 zł i bezpłatną od 250 zł włącznie.
Użyłem rozmowy ze źródłami w Gemini Notebook na koncie Pro. To demonstracja zachowania odpowiedzi na dokumentach. Nie oglądałem wewnętrznego indeksu ani algorytmu wyszukiwania tego narzędzia.
| Wariant | Dostępne dokumenty | Zaobserwowana odpowiedź |
|---|---|---|
| Aktualna baza | 10 plików, w tym dostawa v3 | 19 zł, z odwołaniem do właściwej procedury. |
| Brak procedury | Tylko katalog notesu ALFA | Brak danych do ustalenia kosztu dostawy. |
| Tylko archiwum | Procedura ważna do 30.09.2026 | Brak aktualnych zasad; stara darmowa dostawa opisana jako historyczna. |
Każdy wariant dostał to samo pytanie i polecenie korzystania wyłącznie z wybranych źródeł. Wariant z samym katalogiem nadal miał źródło, ale nie miało ono odpowiedzi o wysyłce.
Aktualny dokument: konkretna odpowiedź
Dla towarów o wartości 249 zł brutto koszt standardowej dostawy w Polsce wynosi 19 zł brutto.
W odpowiedzi pojawiła się nazwa 03_dostawa_v3.txt i fragment potwierdzający tę stawkę. Po kliknięciu cytowania mogłem otworzyć dokument.
Brak wiedzy: bez zgadywania
Gdy zostawiłem tylko katalog produktu, narzędzie odpowiedziało, że brakuje cen i aktualnej procedury dostawy. To właściwszy wynik niż pewne siebie podanie przypadkowej kwoty.
Archiwum: cytat nie wystarcza
Wariant archiwalny rozpoznał, że jedyny dokument wygasł 30 września. Przytoczył dawny próg 200 zł, ale nie przedstawił go jako aktualnej oferty.
To istotny szczegół: odpowiedź może mieć źródło i nadal być nieaktualna. Sprawdzamy nie tylko, czy dokument istnieje, ale też czy wolno go użyć do tej sprawy.
Zobacz zrzut odpowiedzi na podstawie archiwum
Powtórz test u siebie. W paczce są dokumenty fikcyjnego sklepu, 20 pytań, polecenie, arkusz oceny i zapis wszystkich trzech serii.
RAG, zwykły prompt, fine-tuning czy połączenie z API?
Te rozwiązania mogą się uzupełniać. Każde odpowiada na trochę inną potrzebę.
| Potrzeba | Co zwykle pasuje | Przykład |
|---|---|---|
| Jednorazowa praca na kilku krótkich tekstach | Wklejenie materiału do kontekstu | Porównanie dwóch ofert. |
| Odpowiedzi na podstawie większej lub zmiennej wiedzy | RAG | Procedury, instrukcje i dokumentacja produktów. |
| Stały styl lub powtarzalny sposób wykonania zadania | Dobry prompt, a w uzasadnionych przypadkach fine-tuning | Klasyfikacja wiadomości do ustalonego formatu. |
| Aktualny stan konkretnego zamówienia lub operacja | Kontrolowane API i uprawnienia | Status paczki, zmiana adresu, utworzenie zgłoszenia. |
Fine-tuning zmienia zachowanie modelu przez dodatkowe uczenie na przykładach. Nie zastępuje automatycznie wyszukiwania aktualnego cennika. RAG z kolei nie daje dostępu do zamówień tylko dlatego, że umie czytać regulamin.
Możesz połączyć obie ścieżki: ogólne pytanie o wysyłkę obsłużyć z dokumentu, a pytanie o własną paczkę skierować do autoryzowanej integracji. Ten podział pokazuję w poradniku o chatbocie AI dla sklepu internetowego.
Jak zbudować pierwszą bazę wiedzy do RAG?
Zacznij od jednego procesu. Na przykład: odpowiedzi o produktach i dostawie. Kilka zatwierdzonych dokumentów pozwoli szybciej sprawdzić pomysł niż wrzucenie całego firmowego dysku.
- Zbierz prawdziwe pytania. Wybierz sprawy, które regularnie zajmują czas obsługi.
- Przypisz źródło do każdego pytania. Jeśli dokument nie istnieje, trzeba go przygotować z osobą odpowiedzialną za proces.
- Usuń sprzeczności. Rozstrzygnij, który cennik obowiązuje. Nazwij archiwum.
- Ustal odbiorców. Publiczna instrukcja i prywatna dokumentacja pracownika to różne zbiory dostępu.
- Sprawdź fragmenty tekstu. Cena bez „brutto”, terminu albo warunku może zmienić sens.
- Uruchom mały test. Zapytaj o poprawny przypadek, wyjątek i coś, czego w bazie nie ma.
Szczegółowy porządek plików i gotowy przykład znajdziesz w poradniku jak przygotować firmowe dokumenty do bazy wiedzy AI. Jeżeli chcesz od razu sprawdzić rozmowę ze źródłami, przejdź do instrukcji NotebookLM krok po kroku.
Jak sprawdzić, czy RAG odpowiada dobrze?
Oddziel dwa pytania: czy system znalazł właściwy materiał oraz czy model poprawnie z niego skorzystał.
Gdy nie odnalazł właściwej procedury, sprawdź odczyt dokumentu, podział, filtry dostępu i wyszukiwanie. Gdy dostał dobry fragment, ale pominął wyjątek, przyjrzyj się instrukcji i sposobowi układania odpowiedzi.
- Trafność: odpowiedź dotyczy pytania klienta.
- Oparcie w źródłach: liczby i obietnice da się potwierdzić w materiale.
- Kompletność: bot odpowiada również na drugą część pytania.
- Aktualność: dokument obowiązuje i ma właściciela.
- Granice: przy braku wiedzy bot pyta lub wskazuje obsługę, zamiast wymyślać.
W moim teście 20 pytań powtórzonych w trzech seriach pojawiły się także niepełne odpowiedzi i dwie fałszywe deklaracje przekazania sprawy. Sam poprawny cytat nie załatwił całej jakości rozmowy. Zobacz pełne odpowiedzi i arkusz testowania firmowego chatbota.
Co trzeba utrzymać po uruchomieniu?
Aktualne źródła i dostęp
Każda procedura powinna mieć opiekuna. Po zmianie dokumentu trzeba odświeżyć także jego wersję w indeksie i usunąć stare fragmenty z użycia. Warto sprawdzić też zapisane odpowiedzi w pamięci podręcznej.
Uprawnienia należy sprawdzać przed udostępnieniem fragmentów modelowi. Zdanie „nie pokazuj poufnych danych” w promptcie nie zastępuje kontroli dostępu w aplikacji.
Treść pobranego dokumentu jest materiałem do analizy. Nie powinna sama nadawać botowi nowych uprawnień ani zmieniać zasad działania. Dlatego wśród testów mam również opinię klienta z celowo wstawioną obcą instrukcją.
Ile kosztuje RAG?
Koszt obejmuje przygotowanie treści, import i odświeżanie danych, wyszukiwanie, wywołania modelu, aplikację oraz utrzymanie. Na rachunek wpływa liczba pytań i długość kontekstu przekazywanego do AI.
W pilotażu zapisuj liczbę rozmów, koszt rozmowy i czas obsługi. Do tego odsetek poprawnych odpowiedzi oraz spraw rzeczywiście rozwiązanych bez pracownika. Dopiero taki zestaw pozwala porównać wydatek z odzyskanym czasem.
Najczęstsze pytania o RAG
Czy RAG eliminuje halucynacje AI?
Może ograniczyć dopowiadanie faktów dzięki konkretnym źródłom. Nadal trzeba sprawdzać wyszukiwanie, aktualność dokumentów i to, czy model nie pominął warunku albo nie zadeklarował fikcyjnej operacji.
Czy potrzebuję bazy wektorowej?
Nie w każdym rozwiązaniu. RAG opisuje połączenie wyszukiwania z generowaniem odpowiedzi. Wyszukiwanie może być tekstowe, wektorowe lub hybrydowe. Gotowe narzędzie może zarządzać indeksem za Ciebie.
Czy PDF-y wystarczą do uruchomienia bota?
Są materiałem wejściowym. Muszą zawierać czytelne, aktualne i spójne informacje. Osobno ustala się instrukcję odpowiedzi, uprawnienia, interfejs i sposób obsługi brakujących danych.
Czy zmiana dokumentu automatycznie zmienia odpowiedzi?
Zależy od mechanizmu synchronizacji. Własne wdrożenie powinno ponownie przetworzyć zmieniony plik, wycofać starą wersję i odświeżyć pamięć podręczną tam, gdzie jest używana.
Czy można używać RAG do danych liczbowych?
Tak, ale dokładne obliczenia i bieżące wartości często lepiej pobierać zapytaniem do bazy lub API. Model może wyjaśnić wynik, a obliczenia powinien wykonać odpowiedni mechanizm.
Zamień firmowe dokumenty w użyteczne odpowiedzi
Masz ofertę, procedury i powtarzające się pytania? W EXAITY przygotujemy bazę wiedzy, sprawdzimy odpowiedzi i połączymy asystenta z Twoim procesem obsługi.
Źródła i sposób sprawdzenia
Poradnik i doświadczenie własne: 24.10.2026. Trzy warianty pytania o dostawę wykonano po jednym razie. Warunki i surowe odpowiedzi są w paczce. Przykład jest fikcyjny; opis narzędzia nie jest analizą jego wewnętrznej architektury.
Podstawy techniczne: oryginalna praca o RAG, dokumentacja architektury RAG Microsoft. Dostęp i pochodzenie dokumentów: OWASP RAG Security.