RAG подкладывает в запрос найденные куски ваших документов. Дообучение меняет саму модель. Для корпоративной базы знаний это не синонимы и не ступени одной лестницы: большинство компаний закрывают «ответить по нашим файлам» поиском и генерацией, не трогая веса.
Как устроить RAG — в материале корпоративная база знаний. Здесь только выбор между двумя подходами, чтобы закупка не написала в ТЗ «нейросеть, обученная на наших PDF», имея в виду поиск.
Что решает RAG
Актуальность: новый приказ попадает в индекс, не в переобучение. Проверяемость: можно показать фрагмент, из которого собран ответ. Разделение доступа: в индекс попадает то, что человеку и так можно читать.
Слабое место RAG — дырявый корпус: старые редакции, сканы без текста, файлы вне индекса. Модель будет уверена и неправа. Это проблема данных, не «слабой LLM».
Что решает дообучение
Устойчивый формат выхода и стиль, который трудно удержать промптом. Узкие классификации, если примеров много. Свои веса в изолированном контуре, когда API чужой модели недопустим.
Слабое место — обслуживание: кто размечает, кто гоняет eval, кто откатывает версию. Без этого конвейера fine-tune превращается в разовую акцию.
Типичная путаница в ТЗ
«Обучить на базе знаний» почти всегда значит RAG. «Модель должна помнить все договоры» — тоже RAG плюс права доступа, не гигабайты в весах. «Отвечать как наш юрист по тону» — вот здесь можно обсуждать дообучение или очень жёсткий промпт и шаблоны.
Если интегратор обещает fine-tune за две недели без набора примеров и метрик — это RAG под другим названием или риск.
Практичный порядок
Сначала индекс и шлюз. Измерьте долю ответов со ссылкой на актуальный документ. Если стиль всё ещё разъезжается, усильте шаблон. Fine-tune — когда шаблон исчерпан и корпус стабилен.
Продуктовый контур поиска по знаниям — решение «база знаний». Про железо под свои веса — размещение.
Частые вопросы
RAG (retrieval-augmented generation) ищет фрагменты в вашей базе и подставляет их в запрос к обычной модели. Дообучение (fine-tuning) меняет веса модели на ваших примерах. RAG обновляется вместе с документами. Дообучение устаревает, пока вы не запустите новый прогон обучения.
Когда задача — отвечать по регламентам, договорам, статьям базы знаний и ссылаться на источник. Это основной корпоративный сценарий. Дообучение не нужно, чтобы модель «узнала» текст приказа — его надо проиндексировать.
Когда важны устойчивый стиль, формат карточки или узкий жаргон, а корпус примеров большой, чистый и не меняется каждую неделю. И когда вы готовы держать оценку качества новой версии. Иначе fine-tune — дорогой способ запомнить вчерашний регламент.
RAG часто работает в управляемом контуре: индекс и шлюз, документы не обязаны жить у публичного чата. Дообучение своих весов чаще требует выделенного или on-prem контура. Развилка размещения — в статье [облако, гибрид, периметр](/resources/ai-placement-cloud-hybrid-onprem).