Во введении будет показано, почему генеративные модели не всегда способны дать точный ответ на вопрос, связанный с узкой или быстро меняющейся информацией. Будут обозначены тема проекта, его учебная направленность, проблема использования внешних источников и ожидаемый результат. Также кратко объясняется, почему технология RAG связана с современными задачами поиска знаний и ответственным применением искусственного интеллекта.

Пункт раскрывает значение термина Retrieval-Augmented Generation и объясняет, какую задачу решает этот подход. Будет рассмотрено различие между генерацией ответа только на основе параметров языковой модели и генерацией с дополнительным контекстом из внешнего хранилища. Отдельно описывается связь RAG с актуальностью данных, специализированными документами и проверяемостью сведений.

Здесь последовательно описывается полный RAG-конвейер: сбор и очистка документов, разбиение текста на фрагменты, создание эмбеддингов, сохранение в векторной базе, обработка запроса, извлечение контекста и формирование ответа. Для каждого этапа объясняется его назначение и возможные ошибки. Такой порядок помогает понять, как отдельные компоненты образуют единую систему.

Раздел посвящён способу представления текста в виде числовых векторов и сравнению таких представлений. Будет объяснено, почему семантический поиск способен находить подходящие фрагменты при отсутствии одинаковых слов в запросе и документе. Также рассматриваются косинусное сходство, ранжирование результатов, размер фрагмента и влияние качества эмбеддингов на итоговый ответ.

В этом пункте сопоставляются сильные и слабые стороны технологии. К преимуществам относятся быстрое обновление базы и возможность ссылаться на внешние документы, а к ограничениям — ошибки поиска, неполнота источников, задержка и выдуманные утверждения модели. Отдельно будут затронуты вопросы авторских прав, конфиденциальности, качества данных и необходимости проверки результата человеком.

Раздел определяет, как проверять работу RAG-системы на учебных примерах. Будут выделены точность найденного контекста, соответствие ответа источникам, полнота раскрытия вопроса, ясность формулировок и устойчивость к перефразированию запроса. Описание критериев позволит проводить сравнение результатов не субъективно, а по заранее подготовленной таблице тестовых вопросов.

В практической части будет сформирован небольшой набор открытых учебных материалов по выбранной теме. Документы проверяются, очищаются от лишних элементов и делятся на смысловые фрагменты, после чего для них создаются эмбеддинги и организуется хранение. Будут зафиксированы параметры подготовки данных, чтобы другой учащийся мог повторить эксперимент и сравнить полученные результаты.

Пункт описывает сборку упрощённой RAG-системы и её проверку на заранее подготовленных запросах. В прототипе реализуются поиск релевантных фрагментов, передача найденного контекста языковой модели и сохранение ответов. Затем результаты сравниваются с документами-источниками, фиксируются ошибки и формулируются предложения по улучшению разбиения текста и настроек поиска.

В заключении обобщаются результаты изучения архитектуры RAG и практического тестирования прототипа. Будет показано, в каких случаях внешний поиск действительно повышает обоснованность ответа, а когда качество ограничивается плохими документами или ошибками извлечения. Также формулируются направления дальнейшего развития: расширение базы, улучшение оценки, добавление ссылок на источники и контроль достоверности.

В списке литературы будут приведены научные статьи, официальные документы библиотек и платформ, учебные материалы по машинному обучению, обработке естественного языка и векторному поиску. Источники подбираются так, чтобы подтвердить определения, описания алгоритмов и критерии оценки. Для интернет-публикаций указываются автор, название, адрес ресурса и дата обращения.