RAG

angolul: retrieval-augmented generation

alapelterjedt

Olyan módszer, amelynél a mesterséges intelligencia válaszadás előtt megkeresi a kérdéshez kapcsolódó dokumentumrészleteket, és ezekre támaszkodva fogalmazza meg a válaszát.

Érthetően

Képzeld el, hogy két diák vizsgázik. Az egyik fejből felel: sok mindent tud, de amit nem, azt néha magabiztosan kitalálja. A másik használhatja a könyvtárat: előbb kikeresi a megfelelő oldalakat, és azok alapján válaszol. A RAG a második diákká teszi a nyelvi modellt.

A nyelvi modell alapesetben csak arra támaszkodik, amit a betanítása során látott. Nem ismeri a tegnapi híreket, a céged belső szabályzatát vagy a saját szerződéseidet. A RAG ezt a hiányt pótolja: a kérdésedhez előkeresi a releváns szövegrészeket, és odaadja a modellnek, mielőtt az válaszolna.

Így a válasz frissebb és pontosabb lehet, és meg lehet mutatni, melyik forrásból származik. A modellt ehhez nem kell újratanítani: elég a dokumentumtárat bővíteni vagy cserélni.

Hogyan működik

Előkészítés: a dokumentumokat (szabályzatok, cikkek, kézikönyvek) rövid szakaszokra bontják, és kereshető formában eltárolják, gyakran jelentés szerint kereshető, úgynevezett vektoradatbázisban.
Keresés: amikor kérdezel, a rendszer nem a modellhez fordul először, hanem a tárban megkeresi a kérdésedhez legjobban illő szakaszokat. Ehhez sokszor a jelentés szerinti és a hagyományos, kulcsszavas keresést együtt használja.
Bővítés: a megtalált szakaszokat a kérdésed mellé illeszti, így a modell egyszerre kapja meg a kérdést és a hozzá tartozó háttéranyagot.
Generálás: a modell ezekre a szövegekre támaszkodva fogalmazza meg a választ, jó esetben úgy, hogy meg is jelöli, melyik forrásból dolgozott.
Ellenőrizhetőség: a hivatkozások alapján te magad is megnyithatod az eredeti dokumentumot, és megnézheted, tényleg az áll-e benne.

Példa a mindennapokból

A bankod vagy a szolgáltatód ügyfélszolgálati chatje egy kérdésedre nem általánosságokat mond, hanem az aktuális díjtáblázatra és az általános szerződési feltételekre hivatkozik. A háttérben jó eséllyel RAG dolgozik: a rendszer előbb kikereste a vonatkozó bekezdéseket, és csak utána válaszolt.

Kit érint

munkavállalóA céges tudástárban kereső belső asszisztensek többsége így működik, ezért egyre gyakrabban ilyen rendszertől kapsz választ a szabályzatokra vagy eljárásrendekre vonatkozó kérdéseidre. → Munka és HR

vállalkozó, vezetőGyakran ez a leggyorsabb és legolcsóbb módja annak, hogy az AI a céged saját dokumentumaiból dolgozzon, a modell újratanítása nélkül.

fejlesztőSok vállalati AI-alkalmazás és agent tudáskezelése erre az építőelemre épül, ezért a keresés minősége közvetlenül meghatározza a termék minőségét. → Kód

mindenkiA forrásokat is megjelenítő AI-keresők és chatbotok mögött ez a megoldás áll, így érdemes tudnod, miért megbízhatóbbak, és miért nem tévedhetetlenek.

Gyakori félreértés

TévhitHa az AI forrásokból dolgozik, akkor már nem tud tévedni vagy kitalálni dolgokat.

ValójábanA RAG csökkenti a tévedések esélyét, de nem szünteti meg: a modell félreértheti vagy rosszul foglalhatja össze a megtalált szöveget. Ha pedig a keresés rossz dokumentumot hoz elő, a válasz is rossz lesz.

Korlátok és kockázatok

A válasz csak annyira jó, amennyire a mögötte álló dokumentumtár: elavult, hiányos vagy hibás anyagból hibás válasz születik.
Ha a keresés nem találja meg a megfelelő szakaszt, a modell vagy hiányosan válaszol, vagy a saját emlékezetéből pótol, és ezt nem mindig jelzi.
A hivatkozás megléte nem bizonyíték: fontos ügyben nyisd meg a megjelölt forrást, és ellenőrizd, tényleg az áll-e benne.
Bizalmas dokumentumoknál külön gondoskodni kell a jogosultságokról, különben a rendszer olyan információt is kiadhat valakinek, amelyhez nem lenne hozzáférése.

Hasonló, de nem ugyanaz

Finomhangolás – A finomhangolás magát a modellt tanítja tovább, a RAG viszont a modellt érintetlenül hagyja, és csak a válaszadás pillanatában ad neki háttéranyagot.
Keresőmotor – A kereső találati listát ad, amelyet neked kell végigolvasnod, a RAG viszont a találatokból kész, megfogalmazott választ készít.
Kontextusablak – A kontextusablak az a szövegmennyiség, amelyet a modell egyszerre figyelembe tud venni, a RAG pedig az a módszer, amely eldönti, mi kerüljön bele.

Kapcsolódó fogalmak

Tágabb

Generatív mesterséges intelligencia, Nagy nyelvi modell, Információ-visszakeresés

Szűkebb

Vektoradatbázis, Beágyazás, Szemantikus keresés, Gráfalapú RAG

Rokon

Hallucináció, Finomhangolás, Kontextusablak, AI-agent, Prompt

Röviden a története

A kifejezést Patrick Lewis és szerzőtársai vezették be egy 2020-ban megjelent tanulmányban, amely a nyelvi modell tudását külső, kereshető dokumentumtárral (a Wikipédiával) kapcsolta össze. Széles körben 2022 végétől, a nagy nyelvi modellekre épülő chatbotok elterjedésével vált ismertté.

Hol tart most

2026 végére a vállalati AI-megoldások egyik alapvető építőeleme: ügyfélszolgálati chatbotok, belső tudástárak és forrásokat megjelenítő AI-keresők egyaránt használják. A fejlődés iránya az, hogy az agentek már maguk döntik el, mikor, hol és hányszor keressenek.

Állapot: 2026. november

A hírekben

1 Agent Age-sztoriban fordul elő; a görbe a hírmagazin heti előfordulása.

Már 1600 bírósági ügyben szerepel AI-s hamis hivatkozás, több szankció összege hatjegyű2026. aug. 18. · Jog

Más nevei

RAG · retrieval-augmented generation · retrieval augmented generation · visszakereséssel bővített generálás · visszakereséssel kiegészített generálás · keresésalapú generálás · keresőalapú szövegalkotás · RAG-rendszer

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.