Словарь ИИ
Что такое наивный RAG
Коротко
Наивный RAG это первая и простейшая схема RAG: система один раз находит похожие фрагменты документов и сразу отдает их модели для ответа.
Поиск и RAG · naive RAG
Михаил МозгПроверено: 1 минута чтения
Ребенку
Представь, что тебе задали вопрос про динозавров. Ты бежишь в библиотеку, берешь с полки три книги, у которых на обложке есть слово «динозавр», и сразу пишешь ответ по ним. Ты не проверяешь, те ли это книги, и не идешь искать еще раз. Так работает наивный RAG: один быстрый поход к полке и сразу ответ.
Простыми словами
Это первая версия схемы, в которой нейросеть отвечает по вашим документам. Она работает в три шага. Сначала документы заранее режут на небольшие куски и сохраняют. Когда приходит вопрос, система один раз ищет куски, похожие на него по смыслу, и берет несколько первых. Потом отдает их модели вместе с вопросом, и та пишет ответ. Проверок между шагами нет. Например, сотрудник спрашивает про отпуск, и модель получает три абзаца из положения об отпусках. Если вопрос задан понятно, этого хватает.
Для бизнеса
Такую схему собирают быстро, и для первого прототипа ее достаточно: ассистент по регламентам, ответы на частые вопросы клиентов, поиск по инструкциям. Деньги уходят в основном на подготовку документов и вызовы модели, а не на разработку. Слабые места видны, когда вопросы усложняются: система достает похожие, но не те фрагменты, теряет ответ, разрезанный между двумя кусками, и не говорит «не знаю», если в базе ничего нет. До запуска соберите несколько десятков реальных вопросов сотрудников и посмотрите, на скольких нужный фрагмент попал в выдачу. Если доля низкая, переходят к продвинутым приемам. Типовые вопросы клиентов хорошо подходят для такого старта в поддержке.
Для специалиста
Название Naive RAG использует обзор Gao и др. (2023), где развитие метода разделено на три парадигмы: наивную, продвинутую и модульную. Наивная следует схеме «извлечь, затем прочитать» (Retrieve-Read) и включает три стадии. Индексирование: очистка текста, нарезка на чанки, вычисление эмбеддингов, запись в векторный индекс. Извлечение: top-k фрагментов по близости эмбеддинга запроса к эмбеддингам чанков. Генерация: найденное вставляется в промпт как контекст. Обратной связи между стадиями нет, запрос не переписывается, выдача не пересортировывается. Авторы обзора перечисляют типовые сбои: низкая точность и полнота извлечения, галлюцинации, когда модель пишет то, чего нет в контексте, избыточность и повторы, если похожие сведения пришли из нескольких источников. Именно эти сбои стали отправной точкой для продвинутых и модульных вариантов.
Пример
Небольшая клиника загружает в ассистента прайс и памятки для пациентов. На вопрос «нужно ли приходить натощак на анализ крови» система находит абзац из памятки, и модель отвечает по нему.
Связанные термины
Вопросы и ответы
Почему RAG называют наивным?
Когда наивного RAG достаточно?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений