RAG (Retrieval-Augmented Generation)
RAG (Retrieval-Augmented Generation) היא שיטה שבה מערכת AI קודם מחפשת קטעים רלוונטיים במאגר מסמכים, ואז מנסחת תשובה על סמך מה שמצאה. התשובה טובה רק כמו הקטעים שנשלפו. [1]
במילים פשוטות
מודל שפה עונה ממה שלמד באימון, ובאימון לא היו המסמכים הפנימיים שלכם, וגם לא מה שהשתנה אתמול. [1] ב-RAG המערכת מחפשת קודם במאגר, למשל בתיקיית הנהלים של הארגון, ומעבירה למודל את הקטעים שמצאה יחד עם השאלה. לפי מילון המונחים של Anthropic, המידע נשלף בזמן השאלה ונכנס לחלון ההקשר של המודל, וכך המודל יכול להשתמש במידע שלא היה בנתוני האימון ולהפנות למקורות. [1] מאמר מחקר מ-2020 של Lewis ועמיתיו הציג את RAG כשיטה כללית שמחברת מודל שפה למאגר ידע חיצוני, במקרה שלהם אינדקס של ויקיפדיה. [2]
דוגמה
עובדת שואלת את הצ'אט הפנימי כמה ימים בשבוע מותר לעבוד מהבית. המערכת שולפת את הסעיף מנוהל העבודה מרחוק ועונה «שלושה ימים». אם נספח מאוחר יותר עם חריג לא נשלף, התשובה מצטטת נכון ועדיין לא שלמה.
מה ההבדל בין RAG לפיין טיונינג?
ב-RAG המודל לא משתנה: בכל שאלה מעבירים לו מידע מבחוץ. בפיין טיונינג ממשיכים לאמן את המודל עצמו על נתונים נוספים, והוא מתחיל לחקות את הדפוסים שלהם. [1] ההמלצה שלנו: כשהבעיה היא מידע שחסר או מתעדכן, מתחילים מ-RAG. כשהבעיה היא סגנון או מבנה שחוזרים בכל תשובה, שווה לבדוק פיין טיונינג.
מה הקשר בין RAG לאמבדינג?
כדי לשלוף קטעים, המערכת צריכה דרך למצוא טקסט שקשור לשאלה. במאמר המקורי המאגר היה אינדקס של וקטורים, ומודל חיפוש שלף ממנו את הקטעים. [2] וקטור כזה נקרא אמבדינג: רשימת מספרים שהמרחק בינה לבין רשימה אחרת מודד עד כמה שני טקסטים קשורים. [3] ההסבר המלא בערך אמבדינג.
האם RAG מונע הזיות?
לא לגמרי. לפי Anthropic, RAG יכול לשפר את הדיוק העובדתי של התשובה, אבל היעילות שלו תלויה באיכות המאגר וברלוונטיות של מה שנשלף בפועל. [1] ההמלצה שלנו: גם כשהקטע הנכון נשלף, בודקים שהתשובה אומרת את מה שהקטע אומר. עוד על זה בערך הזיות AI.
איך זה נוגע לבדיקה · הגישה שלנו
ציטוט נכון אומר שהמשפט קיים במסמך. הוא לא אומר שזה הקטע היחיד שרלוונטי לשאלה. לכן בודקים שני דברים: שהקטע המצוטט באמת נמצא במסמך ואומר את מה שהתשובה אומרת, ושאין במאגר גרסה מאוחרת יותר או חריג שלא נשלף.
להעמיק
מקורות
- Anthropic, Claude Docs, «Glossary». נפתח ב-3.11.2026
- Lewis et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», arXiv:2005.11401, 2020. נפתח ב-3.11.2026
- OpenAI API Docs, «Vector embeddings». נפתח ב-3.11.2026
מונחים קשורים