# RAG (visszakereséssel bővített generálás)

> Először megkeressük a releváns dokumentumokat, és beletesszük a promptba, így a modell a te anyagodból válaszol, nem a memóriájából.

Egy modell csak azt tudja, ami a tanítóanyagában volt, az pedig egy rögzített dátumnál megáll, és sosem tartalmazta a szerződéseidet, a termékdokumentációdat vagy az előző negyedév számait. A RAG úgy hidalja át ezt, hogy semmit nem kell újratanítani: amikor kérdés érkezik, egy keresési lépés megtalálja azt a néhány szövegrészt, amelyik a legnagyobb eséllyel tartalmazza a választ, ezek a kérdés mellé kerülnek a promptba, és a modell ezekből válaszol.

A visszakeresési lépésen áll vagy bukik az egész rendszer, és általában épp ez kapja a legkevesebb figyelmet. Ha a keresés rossz három bekezdést ad vissza, egy jobb modell sem menti meg a választ: gördülékeny, magabiztos választ fog adni rossz forrásból. A csalódást keltő RAG-bevezetések többsége valójában visszakeresési probléma, generálási jelmezben.

Ez egyben a tisztességes módja a hivatkozásnak is. Mivel a rendszer tudja, milyen dokumentumokat tett a promptba, meg is tudja mutatni őket, az olvasó pedig ellenőrizheti. Egy kizárólag tanítóanyagból válaszoló modell erre nem képes — ezért a hivatkozás nélküli válaszokat állításként érdemes kezelni, nem tényként.

## Kapcsolódó fogalmak

- https://dfieldsolutions.hu/hu/fogalomtar/embedding.md
- https://dfieldsolutions.hu/hu/fogalomtar/vector-database.md
- https://dfieldsolutions.hu/hu/fogalomtar/hallucination.md
- https://dfieldsolutions.hu/hu/fogalomtar/context-window.md

---

Source: https://dfieldsolutions.hu/hu/fogalomtar/rag
DField Solutions — Dunakeszi, Hungary — dezso@dfieldsolutions.com
Booking: see https://dfieldsolutions.hu/en/contact