ИИ-агент с RAG: как подключить базу знаний

ИИ-агент с RAG сначала ищет подходящие фрагменты в вашей базе знаний, затем передаёт их модели и просит ответить с опорой на найденное. Для рабочего результата нужны не только векторная база и модель, но также чистые документы, права доступа, цитаты, набор контрольных вопросов и безопасный ответ «данных нет».

Что RAG делает, а что не делает

RAG расшифровывается как retrieval-augmented generation, генерация с дополнением найденными данными. Amazon Bedrock описывает этот процесс так: база ищет релевантную информацию в источниках, а найденные фрагменты улучшают ответ модели и могут сопровождаться ссылками на источник.

RAG не обучает модель заново и не превращает любой архив в достоверную базу. Если в документе устаревшее правило, агент уверенно принесёт устаревшее правило. Если поиск не нашёл нужный фрагмент, сильная модель всё равно может додумать ответ. Поэтому качество поиска и правило отказа важнее красноречия.

• RAG подходит для регламентов, инструкций, базы поддержки и каталога с частыми обновлениями.
• Долговременная память хранит факты о ходе работы и пользователе, это другая задача.
• Fine-tuning меняет поведение или формат модели, но не является удобной заменой постоянно обновляемым документам.
• Веб-поиск нужен для внешних свежих сведений, а RAG обычно ограничивают утверждённым внутренним корпусом.

Если вам нужен агент, который не только отвечает, но и выполняет действия, сначала настройте права и проверку по гайду о настройке ИИ-агента. RAG должен быть отдельным инструментом чтения, а не скрытым разрешением менять данные.

Карта результата до разработки

Исходная ситуация: есть ограниченный набор актуальных документов и ответственный за них. Ожидаемый результат: агент отвечает на вопрос, показывает документ и фрагмент, либо честно сообщает, что подтверждения нет. Проверка: человек открывает цитату и видит в ней основание ответа.

1. Назначьте канонические источники и владельца обновлений.
2. Удалите дубли, черновики и документы без даты или статуса.
3. Сохраните метаданные: название, версия, дата действия, раздел и группа доступа.
4. Разбейте содержимое на смысловые фрагменты, не разрывая заголовок и его условие.
5. Проиндексируйте фрагменты и дождитесь готовности всех файлов.
6. Настройте поиск, фильтры доступа и, при необходимости, повторное ранжирование.
7. Передайте модели только найденные фрагменты и инструкцию не домысливать.
8. Покажите в ответе цитату, документ, раздел и дату версии.
9. Прогоните контрольные вопросы и зафиксируйте ошибки до подключения действий.

По теме: Как создать MCP сервер на Python: код и проверка

Как подготовить документы

Один документ должен иметь понятный статус. Например, «Политика возврата, версия 4, действует с 15 сентября 2026 года». Если в индексе лежат версии 3 и 4 без метаданных, похожий вопрос может поднять обе, и модель смешает правила.

Границы фрагментов выбирайте по смыслу. Заголовок, условие, исключение и пример должны попадать в один фрагмент или иметь осмысленное перекрытие. Microsoft рекомендует делить большие документы на части, чтобы каждую можно было находить независимо, в обзоре RAG для Azure AI Search.

Перед индексированием отдельно проверьте сканы, таблицы и сложные PDF. Потерянная колонка или неверный порядок строк становится ошибкой источника, которую модель не исправит. Для проверки возьмите по одному документу каждого формата и найдите вручную три контрольные фразы после разбора.

Минимальный тестовый набор

Не оценивайте систему пятью удобными вопросами. Сделайте таблицу минимум из четырёх классов. Для каждого вопроса заранее запишите ожидаемый документ, точный фрагмент и допустимый ответ.

• Прямой вопрос: ответ находится в одном разделе.
• Составной вопрос: нужны два фрагмента из разных разделов.
• Отсутствующий факт: правильный ответ только «в базе нет подтверждения».
• Конфликт версий: должна победить действующая версия.
• Ограниченный документ: пользователь без права не должен увидеть ни ответ, ни название закрытого файла.
• Перефразировка: три разных формулировки должны приводить к одному основанию.

Два практических показателя разделяют поиск и генерацию. retrieval hit: появился ли нужный фрагмент среди найденных. grounded answer: подтверждает ли этот фрагмент каждое существенное утверждение ответа. Если первый показатель провален, менять промпт модели бессмысленно. Если первый пройден, а второй нет, правьте инструкцию, формат цитат и правило отказа.

Сначала смотрите, что агент нашёл, и только потом, что он написал. Красивый ответ не компенсирует неверный набор источников.

По теме: ИИ-агент: память между сеансами без ошибок и утечек

Права доступа являются частью поиска

Фильтровать готовый ответ слишком поздно: закрытый фрагмент уже мог попасть в контекст модели. Права должны применяться при retrieval. Azure AI Search отдельно относит безопасность к ключевым задачам RAG и описывает фильтрацию документов по разрешениям во время поиска.

Проверочный случай обязателен: два пользователя задают один вопрос, но только один имеет право на закрытый документ. Журнал должен показать разные наборы найденных фрагментов. Для базы с клиентскими или финансовыми данными используйте обезличенную копию до такого теста.

Диагностика по симптому

Агент отвечает «не знаю», хотя документ есть: проверьте статус индексирования, распознанный текст, метаданные, формулировку вопроса и число возвращаемых фрагментов. Затем найдите контрольную фразу напрямую. Если прямой поиск не работает, проблема до модели.

Агент смешивает версии: добавьте effective_date, статус и идентификатор документа, удалите архив из рабочего индекса или фильтруйте его. Агент цитирует страницу, но вывод не подтверждён: требуйте короткую цитату рядом с каждым тезисом и запрещайте объединять несовместимые фрагменты.

Агент пропускает точные названия и артикулы: сравните векторный и гибридный поиск. Microsoft указывает, что гибридная схема объединяет ключевые слова и векторное сходство, что полезно для терминов, которые нельзя заменить общим смыслом. Агент выдаёт закрытое: немедленно остановите пилот, проверьте фильтр до retrieval и журнал доступа.

После исправления повторите весь контрольный набор, а не только упавший вопрос. Метод проверки ответов и доказательств можно взять из чек-листа для ИИ-агента.

По теме: Атаки на ИИ-агентов: как проверить и закрыть опасные действия

Когда RAG не подходит

RAG избыточен для одного короткого документа, который помещается в контекст и редко меняется. Он не подходит как единственная защита от ошибок в юридических, медицинских и финансовых решениях. Также он не исправит неструктурированный архив без владельца и правил актуальности. Сначала наведите порядок в источниках, затем автоматизируйте поиск.

Для действий с базой данных используйте отдельный инструмент с правами на чтение и тестовую копию. Безопасный старт описан в материале об ИИ-агенте для базы данных. Не позволяйте ответу RAG автоматически запускать запись или удаление.

Частые вопросы

Нужна ли векторная база для любого RAG?

Нет. Для малого корпуса может хватить обычного или гибридного поиска. Векторный индекс полезен для смысловых совпадений, но точные коды и названия часто требуют ключевых слов.

Какого размера делать фрагменты?

Единого числа нет. Фрагмент должен сохранять законченное правило вместе с условиями и исключениями. Подберите размер на контрольных вопросах и проверяйте, что нужный текст попадает в результаты целиком.

RAG полностью убирает галлюцинации?

Нет. Он даёт модели релевантный контекст и делает ответ проверяемым, но поиск может ошибиться, а модель может неверно пересказать найденное. Нужны цитаты, тесты и правило отказа.

Как обновлять базу знаний?

Назначьте владельца источника, версию и дату действия. При замене документа удаляйте или архивируйте старую запись, дожидайтесь завершения индексации и повторяйте тесты на конфликт версий.