Проверено: 11 июля 2026 · Любовь Черемисина
RAG (Retrieval-Augmented Generation — генерация с опорой на поиск) — способ дать языковой модели актуальные факты из вашей базы знаний вместо догадок. В разделе — эмбеддинги, векторный поиск и устройство корпоративных wiki для поддержки и маркетинговых операций.
С чего начать
- Определение RAG и качество исходных документов.
- Эмбеддинги + векторный поиск.
- Пилот на FAQ или внутреннем гайде: считайте, как часто модель «придумывает» ответ.
Что внутри раздела
- Поиск: семантический поиск, векторная база данных
- Знания: база знаний для ИИ, цитирование источников
- Связь с агентами: ресурсы MCP, память агента
Ключевые вопросы
Как часто обновлять индекс документов? Что делать, если в базе противоречивые версии? Кто отвечает за актуальность глоссария и инструкций?
В маркетинге RAG полезен на плейбуках, tone of voice (голос бренда) и FAQ продукта — он не заменяет публичный SEO-контент. Обновление: июль 2026.
Как резать документы
Ориентир: фрагменты на 500–800 токенов с небольшим перекрытием; метаданные (продукт, дата, владелец); удаляйте устаревшие версии при обновлении индекса. Проверьте поиск на 20 реальных вопросах поддержки.
Владелец контента — knowledge manager или product marketing; технику пайплайна эмбеддингов обычно ведёт ML- или data-инженер.