Как работает RAG-поиск и почему нейросеть выбирает одни источники

RAG (retrieval-augmented generation) — способ, которым нейросеть перед ответом находит внешние документы и опирается на них. Понимание этого механизма объясняет, почему в ответ попадают одни сайты и не попадают другие.

Что происходит между вопросом и ответом

Когда пользователь задаёт вопрос, модель не всегда отвечает по памяти. Часто она сначала переформулирует запрос в несколько поисковых, получает документы, отбирает из них релевантные фрагменты и только потом пишет ответ, опираясь на найденное. Это и есть retrieval-этап.

Ключевая деталь: в ответ попадает не сайт целиком, а конкретный фрагмент текста. Модель работает с кусками страниц — абзацами, списками, блоками вопрос-ответ. Поэтому борьба идёт не за страницу, а за отдельный самодостаточный фрагмент, который можно вырвать из контекста и он останется понятным.

Как система решает, какой фрагмент взять

Отбор идёт по смысловой близости фрагмента к вопросу, а не по точному совпадению слов. Тексты превращаются в векторы, и система ищет ближайшие. Дальше вступают дополнительные факторы: насколько источник авторитетен, свежий ли он, не противоречит ли другим найденным документам.

Из этого следуют практические выводы:

• Фрагмент должен отвечать на вопрос в первых предложениях, а не через три абзаца подводки.
• Формулировка вопроса должна встречаться в тексте так, как её задаёт клиент.
• Факты — цены, условия, сроки, география — должны быть выписаны явно, а не подразумеваться.
• Один блок текста — одна мысль: смешанные абзацы плохо извлекаются.

Почему выигрывают структурированные тексты

Маркетинговый текст без конкретики почти невозможно процитировать: в нём нет утверждения, которое можно вставить в ответ. Фраза о динамично развивающейся компании не отвечает ни на один клиентский вопрос. А абзац, где написано, что выезд мастера в пределах города бесплатный, а диагностика занимает около часа, — отвечает.

Хорошо извлекаются заголовки-вопросы, короткие абзацы, списки и таблицы, блоки FAQ. Дополнительно помогает разметка schema.org: она не участвует в векторном поиске напрямую, но даёт машине однозначное понимание сущностей — что это организация, какие у неё услуги, где она работает.

Отдельная роль у согласованности. Если на сайте одно, в карточке на картах другое, а в каталоге третье, система получает противоречивые фрагменты и с большей вероятностью возьмёт источник, где всё сходится.

Что это значит для сайта бизнеса

Практическая работа сводится к трём вещам. Первая — покрытие: на каждый значимый клиентский вопрос должен существовать блок текста с прямым ответом. Вторая — форма: короткие самодостаточные фрагменты вместо длинных сплошных полотен. Третья — подтверждение: те же факты о компании должны встречаться во внешних источниках, чтобы модели было на что опереться.

Переделывать сайт для этого не нужно. Как правило, достаточно добавить корпус страниц под реальные запросы, оформить FAQ и привести в порядок данные о компании. Мы работаем именно так — вокруг существующего сайта, не трогая его дизайн.

Начать разумно с замера: посмотреть, какие источники модели уже используют, отвечая на вопросы вашей ниши, и есть ли среди них вы.

Частые вопросы