1. Wiedza
  2. Pojęcia
  3. RAG (Retrieval-Augmented Generation)

Artykuł pomocniczy · pojęcie · Pojęcia · Pozostałe

RAG (Retrieval-Augmented Generation)

także: RAG · retrieval-augmented generation · RAKI · generative QA with retrieval · generative search

Architektura, w której model językowy przed odpowiedzią pobiera fragmenty z zewnętrznej bazy wiedzy — by ograniczyć halucynacje i oprzeć generację na aktualnych źródłach.

Antyczna szafa archiwalna z siatką nisz pełnych zwojów, z której wysunięty zwój łączy rubinowa nić ze stalówką pióra – metafora RAG (Retrieval-Augmented Generation), gdzie model językowy generuje odpowiedź na podstawie odnalezionego źródła.

Związek z SEO/GEO

Treści „RAG-friendly” są klarownie sfragmentaryzowane, faktograficzne i łatwe do zacytowania. Widoczność w odpowiedzi zależy od retrieval (czy dokument zostanie wybrany) i od jakości chunków.

Rozszerzona definicja

Google stosuje tę technikę pod nazwą „grounding” w swoich funkcjach generatywnego wyszukiwania, opisując ją jako sposób na poprawę jakości, dokładności i świeżości odpowiedzi AI12. Jak mówi prelegent IBM Technology w materiale wideo, RAG to „podejście inżynierskie”, w którym do modelu językowego i zapytania użytkownika dołącza się wcześniej przygotowane dokumenty zewnętrzne3.

Jak to działa

Działanie systemu przebiega dwuetapowo: najpierw dokumenty są indeksowane przez zamianę na reprezentacje wektorowe (embeddingi), a następnie — po otrzymaniu zapytania — system używa tego samego modelu kodującego, by zamienić zapytanie na wektor i obliczyć podobieństwo między nim a wektorami fragmentów w korpusie4. Na tej podstawie wybierane są fragmenty o najwyższym podobieństwie (top K), które trafiają do kontekstu modelu jako podstawa odpowiedzi4.

W implementacji Google systemy rankingowe Search służą jako mechanizm retrieval: pobierają aktualne strony z indeksu, a następnie model analizuje ich treść, by wygenerować odpowiedź z widocznymi, klikalnymi linkami do źródeł25. Jak relacjonuje serwis dev.to, praktyczna realizacja architektury wymaga bazy wektorowej, modelu embeddingów oraz procesu podziału dokumentów na fragmenty (chunking)6.

Dlaczego to ważne

Z perspektywy widoczności w wyszukiwaniu generatywnym Google wprost stwierdza, że dobre praktyki SEO pozostają aktualne, ponieważ generatywne funkcje AI są zakorzenione w podstawowych systemach rankingu i jakości Search, a RAG jest jedną z technik, na których te funkcje się opierają78.

Badacze z arxiv wskazują, że metody optymalizacji pod silniki generatywne (GEO) mogą zwiększyć widoczność nawet o 40% w różnych zapytaniach9 — przy czym wynik ten dotyczy konkretnego badania i nie należy go uogólniać na wszystkie scenariusze. Wierność (faithfulness) odpowiedzi względem pobranego kontekstu jest kluczową właściwością: odpowiedź uznaje się za wierną kontekstowi, jeśli twierdzenia w niej zawarte można wywnioskować z pobranych fragmentów10.

Przykłady

  • Jako metrykę skuteczności retrieval stosuje się Recall@k, czyli odsetek trafnych dokumentów odzyskanych spośród top-k wyników względem wszystkich trafnych dokumentów w korpusie11.
  • Jak mówi Marie Haynes w swoim materiale wideo, RAG to mechanizm, w którym AI używa treści ze stron internetowych, by „ugruntować” swoje odpowiedzi, co czyni tę architekturę bezpośrednio istotną dla twórców treści chcących być widoczni w Google Search12.
  • Serwis wininlifeacademy.com opisuje RAG jako połączenie dwóch operacji: wyszukiwania właściwych fragmentów tekstu oraz zamiany ich przez model na spójną odpowiedź13.
  • Jak relacjonuje serwis technollama.co.uk, w sprawie sądowej GEMA prawnicy celowo wyłączyli wyszukiwanie internetowe w ChatGPT, by uniemożliwić modelowi korzystanie z RAG i zmusić go do generowania treści wyłącznie z parametrów modelu14.

Częste błędy i mity

  • Mit: RAG całkowicie eliminuje halucynacje — w rzeczywistości serwis dlahandlu.pl relacjonuje, że systemy RAG mogą faworyzować masę danych i nadal generować odpowiedzi wprowadzające w błąd, co wynika z natury modeli językowych zoptymalizowanych pod ciągłość dialogu15.
  • Mit: RAG to skomplikowana, niedostępna technika — jak mówi Jeff Su w swoim materiale wideo, RAG to „modny termin”, który w uproszczeniu oznacza proces pomagający modelom AI „wyszukać informacje przed udzieleniem odpowiedzi”16.
  • Mit: optymalizacja pod generatywne wyszukiwanie AI to odrębna dyscyplina niezwiązana z SEO — Google wprost stwierdza, że z perspektywy Google Search optymalizacja pod generatywne AI to nadal SEO8.
  • Błąd: zakładanie, że każdy dokument zostanie pobrany przez system RAG — mechanizm wybiera wyłącznie top K fragmentów o największym podobieństwie wektorowym do zapytania, więc dokumenty słabo dopasowane semantycznie są pomijane4.

Powiązane hasła

Źródła i odwołania

  1. Optimizing your website for generative AI features on Google Search

    developers.google.com ·

    These features rely on AI techniques to highlight content from our Search index, such as: - **Retrieval-augmented generation (RAG)**: A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index.

  2. Google's Guide to Optimizing for Generative AI Features on Google Search | Google Search Central | Documentation | Google for Developers

    developers.google.com ·

    Retrieval-augmented generation (RAG): A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index. Our systems then review the specific information from those retrieved pages to generate a more reliable and helpful response, showing prominent, clickable links to relevant web pages that support the information in the response.

  3. Is RAG Still Needed? Choosing the Best Approach for LLMs

    YouTube ·

    into the model at the right time? And there have been two very different ways to handle this. Now, the first is really what we can think of as the engineering approach. It's RAG, retrieval augmented generation. So here we've got an LLM and we've also got an input prompt from the user. Now ahead of time we take some of the documents that we want to give to

  4. Retrieval-Augmented Generation for Large Language Models: A Survey

    arxiv.org ·

    Upon receipt of a user query, the RAG system employs the same encoding model utilized during the indexing phase to transform the query into a vector representation. It then computes the similarity scores between the query vector and the vector of chunks within the indexed corpus. The system prioritizes and retrieves the top K chunks that demonstrate the greatest similarity to the query.

  5. Optimizing your website for generative AI features on Google Search

    developers.google.com ·

    Retrieval-augmented generation (RAG): A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index. Our systems then review the specific information from those retrieved pages to generate a more reliable and helpful response, showing prominent, clickable links to relevant web pages that support the information in the response.

  6. From Prototype to Production: How to Engineer Reliable LLM Systems

    dev.to ·

    message compression - context window optimization - retrieval augmentation (RAG) - caching (semantic + exact match) - short-term vs long-term memory separation 4.2 RAG (Retrieval-Augmented Generation)RAG extends the model with external knowledge. You need: a vector database (Weaviate, Pinecone, Qdrant, Milvus, pgvector) embeddings model chunking

  7. Google's Guide to Optimizing for Generative AI Features on Google Search

    developers.google.com ·

    In short, yes! The best practices for SEO continue to be relevant because our generative AI features on Google Search are rooted in our core Search ranking and quality systems. These features rely on AI techniques to highlight content from our Search index, such as: * Retrieval-augmented generation (RAG): A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index.

  8. Optimizing your website for generative AI features on Google Search

    developers.google.com ·

    AEO" stands for "answer engine optimization" and "GEO" for "generative engine optimization". These are both terms you may see used to describe work specifically focused on improving visibility in AI search experiences. From Google Search's perspective, optimizing for generative AI search is optimizing for the search experience, and thus still SEO.

  9. GEO: Generative Engine Optimization

    arxiv.org ·

    Through systematic evaluation, we demonstrate that our proposed Generative Engine Optimization methods can boost visibility by up to 40% on diverse queries, providing beneficial strategies for content creators.

  10. RAGAS: Automated Evaluation of Retrieval Augmented Generation

    arxiv.org ·

    We say that the answer a_s(q) is faithful to the context c(q) if the claims that are made in the answer can be inferred from the context.

  11. Evaluation of Retrieval-Augmented Generation: A Survey

    arxiv.org ·

    Recall@k is the fraction of relevant instances that have been retrieved over the total amount of relevant cases, considering only the top k results. Recall@k=(|RD∩Top_(kd)|)/(|RD|) where RD is the relevant documents, and Top_(kd) is the top-k retrieved documents.

  12. New from Google: How to Rank in AI Search

    YouTube ·

    reading for anybody who is trying to rank well or trying to be seen on Google search. And then they talk about two things that are specific to AI search. One of them is rag, retrieval augmented generation. And this is where AI is using your websites, using the information on the web to ground its answers. And then the next thing to know about about is

  13. RAG Skills Every Aspiring AI Engineer Should Know

    wininlifeacademy.com ·

    You search the PDFs, pick the paragraphs that look useful, and hand them to the model with the question. It reads them and writes the answer. That setup is called RAG, short for Retrieval Augmented Generation. It does two things: search finds the right pieces of text, and the model turns them into a normal sentence. Almost every wrong answer comes from

  14. Victory for GEMA in Germany against OpenAI

    www.technollama.co.uk ·

    can be coaxed into outputting bits of those lyrics. GEMA’s legal team set out to do precisely that, they disabled web search to stop the model from getting information using Retrieval-Augmented Generation ( RAG ). They used standard ChatGPT-4 and also custom agents based on model 4o. These agents were given the role of “lyrics expert” with the

  15. E-commerce ma nowy problem. AI odradza zakup polskich produktów

    www.dlahandlu.pl ·

    z wielkich azjatyckich platform handlowych. Anatomia halucynacyjnego sabotażu. Systemy RAG faworyzują masę danych Mechanizm wprowadzania kupujących w błąd w architekturze RAG (Retrieval-Augmented Generation) wynika wprost z natury modeli językowych połączonych z wyszukiwarkami sieciowymi. LLM jest zoptymalizowany pod kątem ciągłości dialogu i unikania

  16. AI Agents, Clearly Explained

    YouTube ·

    steps we add, this is still just an AI workflow. Even if there were hundreds or thousands of steps, if a human is the decision maker, there is no AI agent involvement. Pro tip: retrieval augmented generation or rag is a fancy term that's thrown around a lot. In simple terms, rag is a process that helps AI models look things up before they answer, like

Każde zdanie powyżej odsyła do dosłownego cytatu ze źródła. Daty to daty publikacji lub pobrania źródła.

Źródła faktów

  • RAG aims to reduce hallucinations and outdated knowledge by grounding LLM outputs in retrieved evidence.
  • RAG improves large language models by grounding generated responses in externally retrieved evidence rather than relying only on parametric memory.
  • SEO/references/geo/REFS-GEO-R11-Chunk-Structure-Retrievability.md
  • SEO/references/geo/REFS-GEO-R22-Consolidation-vs-Fragmentation.md