01 · Definiția
RAG vine de la „retrieval-augmented generation”, în română generare augmentată prin regăsire. Este felul în care un asistent AI răspunde din documentele tale, nu doar din ce a învățat la antrenare: întâi caută fragmentele relevante, apoi le dă modelului împreună cu întrebarea și îi cere să răspundă pe baza lor.
Problema pe care o rezolvă e simplă. Un LLM nu cunoaște procedurile interne ale firmei, contractele tale sau versiunea de luna asta a unui regulament. Îi poți lipi un document în conversație, dar nu o bibliotecă întreagă. RAG automatizează alegerea: din multe pagini, aduce în context doar paragrafele care contează pentru întrebarea pusă.
02
Cum funcționează
Un sistem RAG lucrează în două etape.
Pregătirea (indexarea). Documentele sunt împărțite în fragmente (fragmentare), de exemplu câteva paragrafe fiecare. Fiecare fragment e transformat într-un embedding, un șir de numere care îi surprinde sensul, și salvat într-o bază de date vectorială, împreună cu trimiterea la documentul din care provine.
Răspunsul. La fiecare întrebare, textul ei e transformat la fel într-un embedding, iar sistemul caută fragmentele cu sensul cel mai apropiat. Multe sisteme combină căutarea după sens cu căutarea clasică după cuvinte și reordonează rezultatele. Fragmentele găsite intră în prompt cu o instrucțiune de tipul „răspunde doar pe baza textelor de mai jos și citează sursa”. Modelul scrie răspunsul, iar aplicația afișează trimiterile.
Documentele noi se adaugă în index fără să reantrenezi modelul. De aceea RAG e alegerea obișnuită pentru informații care se schimbă des, spre deosebire de fine-tuning, care schimbă comportamentul modelului.
03
Un exemplu concret
Exemplu didactic: un departament de resurse umane are regulamentul intern, procedura de concediu și politica de lucru de acasă împărțite în mai multe documente. Un angajat întreabă asistentul intern: „Câte zile de lucru de acasă pot lua pe săptămână?”
Sistemul găsește paragraful din politica de lucru de acasă și o anexă care îl modifică, le pune în context și cere un răspuns scurt, cu sursa. Angajatul primește răspunsul și trimiterea spre secțiunea exactă, ca să poată verifica. Dacă documentele nu conțin răspunsul, un sistem bine construit spune asta, în loc să ghicească.
04
Limite și greșeli frecvente
RAG reduce riscul de răspunsuri inventate, nu îl elimină. Calitatea depinde mult de regăsire: dacă fragmentul corect nu ajunge în context, modelul răspunde din ce are, uneori greșit.
- Fragmente tăiate prost. Un tabel rupt în două sau o excepție separată de regula ei duc la răspunsuri incomplete.
- Documente vechi rămase în index. Dacă versiunea veche a unei proceduri stă lângă cea nouă, sistemul le poate amesteca. Indexul are nevoie de cineva care îl întreține.
- Drepturi de acces ignorate. Un angajat nu trebuie să primească, prin asistent, fragmente din documente pe care nu are voie să le vadă. Filtrarea după drepturi se face la regăsire, nu în prompt.
- Evaluare „după ochi”. Regăsirea și răspunsul se măsoară separat, pe un set de întrebări reale cu răspuns cunoscut (evaluare LLM).
05 · Din catalog
Unde înveți despre RAG: cursuri din catalog
Lecțiile sunt text, în română, cu quiz la fiecare lecție. Din fiecare curs citești gratuit un fragment din prima lecție, fără cont. Abonamentul începe de la 499 lei pe lună pentru un curs, cu TVA 21% inclus.
RAG: Retrieval-Augmented Generation în Practică (pagina cursului pe cursuri-ai.ro)
Pentru inginerii care vor ca un model AI să răspundă din documentele lor. Construiești pipeline-ul pas cu pas, alegi embeddings și felul în care tai documentele, treci la variante avansate și testezi metodic rezultatul.
Introducere în AI Engineering (pagina cursului pe cursuri-ai.ro)
Pentru developerii care pornesc în AI. Pleci de la bazele machine learning și ale LLM-urilor, lucrezi cu API-uri, embeddings și baze vectoriale, construiești primii agenți și înveți să testezi ce ai făcut.
06
Întrebări despre RAG
RAG sau fine-tuning: ce aleg?
Pentru cunoștințe care se schimbă (proceduri, prețuri, documente), RAG. Pentru un format, un ton sau un tip de sarcină pe care modelul trebuie să le respecte constant, fine-tuning. Multe sisteme le folosesc pe amândouă.
Am nevoie de programare ca să folosesc RAG?
Ca să construiești un sistem RAG, da: e o lucrare de inginerie, cu alegerea fragmentării, a modelului de embedding și a metricilor de evaluare. Ca să folosești unul, nu: unele instrumente îți permit să încarci documente și să pui întrebări pe ele, pe aceeași idee.
RAG garantează că răspunsul e corect?
Nu. Crește șansa ca răspunsul să vină din sursa potrivită și îți dă trimiterea ca să verifici. Verificarea rămâne a ta, mai ales la cifre și la decizii.
07