Retrieval-Augmented Generation (RAG) - архитектура ИИ, при которой ответ языковой модели формируется на основе документов, полученных в момент запроса, а не только обучающих данных модели. Система сначала ищет по корпусу (часто по вебу), получает наиболее релевантные документы, а затем использует эти документы как контекст при генерации ответа.
Почему RAG важен для видимости в ИИ
Системы на базе RAG значимы для видимости бренда, потому что создают дополнительный рычаг помимо обучающих данных: контент, который получается при запросе вашей категории.
Чисто параметрическая LLM (без ретрива) может упоминать только бренды, которые были в её обучающих данных. Система на базе RAG вроде Perplexity может упомянуть ваш бренд, если ваш контент появляется в её текущих результатах веб-поиска - даже если модель была обучена до запуска вашего продукта.
Это означает:
- Качество SEO вашего сайта напрямую влияет на вашу видимость в ИИ-системах на базе RAG
- Цитирование авторитетными сторонними сайтами увеличивает шанс, что эти сайты будут получены при вопросах о вашей категории
- Поддержание актуального и хорошо структурированного контента увеличивает вероятность его выбора из полученных кандидатов
Как системы RAG выбирают документы
Система RAG обычно имеет компонент ретрива и компонент генерации. Компонент ретрива использует комбинацию веб-поиска, сопоставления ключевых слов и семантического (на основе эмбеддингов) поиска, чтобы выбрать набор документов-кандидатов. Компонент генерации использует LLM, чтобы синтезировать эти документы в ответ.
Документы, которые выбираются, обычно имеют:
- Высокую релевантность конкретному запросу
- Сигналы авторитетности (домены страниц с высоким рангом в традиционном поиске)
- Ясность и плотность информации, релевантной вопросу
- Структуру, облегчающую извлечение ключевых фактов (понятные заголовки, явные данные, хорошо организованные таблицы сравнения)
Perplexity как система, преимущественно построенная на RAG
Perplexity - самая заметная потребительская ИИ-система, построенная преимущественно на RAG. Каждый запрос в Perplexity запускает веб-поиск, и полученные URL показываются рядом со сгенерированным ответом. Это делает Perplexity системой наивысшего приоритета для отслеживания цитирований - вы можете видеть точно, какие URL использует модель.
Улучшение видимости в Perplexity означает улучшение того, какие веб-источники упоминают ваш бренд в контекстах, которые получаются по запросам вашей категории. Быть точно указанным на сайтах, которым Perplexity склонен доверять (G2, Product Hunt, техническая журналистика, отраслевые блоги), - самый надёжный рычаг.
RAG против чисто параметрических моделей
ChatGPT без веб-браузинга преимущественно параметричен: он полагается на обучающие данные. ChatGPT с веб-браузингом дополнен RAG. Claude работает похожим образом. Доля ИИ-запросов, вовлекающих активный ретрив, растёт, что означает, что ваш веб-след со временем становится важнее, а не менее важным.
Отслеживание вашей видимости отдельно в условиях дополненного ретривом и чисто параметрического режима (где это возможно) может показать вам, что является более узким местом: ваше присутствие в обучающих данных или качество вашего веб-контента.
