Blog · Technologia

RAG – co to jest i jak działa baza wiedzy AI

Aktualizacja: 2 października 2026 r. · czas czytania ok. 8 minut

Jeśli zapytasz ogólny model językowy o godziny otwarcia Twojego biura, warunki zwrotu w Twoim sklepie albo procedurę reklamacji w Twojej firmie, dostaniesz odpowiedź, która brzmi przekonująco — i najpewniej jest zmyślona. Model nie widział Waszych dokumentów, więc uzupełnia luki tym, co „zwykle” bywa prawdą. RAG to najpopularniejszy sposób, żeby to zmienić. Poniżej wyjaśniamy, czym jest, jak działa i kiedy ma sens w małej lub średniej firmie.

RAG – co to jest

RAG to skrót od retrieval augmented generation, czyli generowanie odpowiedzi wspomagane wyszukiwaniem. Zasada jest prosta: zanim model odpowie na pytanie, system wyszukuje w Twoich dokumentach fragmenty, które dotyczą tego pytania, i podaje je modelowi razem z poleceniem w rodzaju „odpowiedz wyłącznie na podstawie tych materiałów”.

Model nie musi więc „znać” Twojej firmy. Wystarczy, że w danej chwili dostanie właściwe kartki z segregatora. To trochę jak różnica między pracownikiem, który odpowiada z pamięci, a takim, który przed odpowiedzią zagląda do regulaminu i mówi, w którym punkcie to jest zapisane.

Jaki problem rozwiązuje

• Model nie zna Twoich dokumentów. Duże modele uczono na danych publicznych. Wewnętrzny cennik, umowy ramowe, instrukcje stanowiskowe czy historia ustaleń z klientem nigdy do nich nie trafiły.
• Halucynacje. Gdy model nie wie, często nie mówi „nie wiem”, tylko generuje wiarygodnie brzmiącą odpowiedź. W obsłudze klienta to najgorszy możliwy błąd, bo trudno go wychwycić.
• Nieaktualna wiedza. Wiedza modelu kończy się w dniu zakończenia treningu. Cennik zmienił się w zeszłym tygodniu — model o tym nie wie, ale RAG tak, jeśli dokument został podmieniony.
• Brak możliwości sprawdzenia. Odpowiedź bez źródła trzeba przyjąć na wiarę. Odpowiedź z odnośnikiem do konkretnego dokumentu da się zweryfikować w kilka sekund.

Jak działa RAG – krok po kroku

Dla właściciela firmy wystarczy wiedzieć, że system „szuka, a potem odpowiada”. Dla osoby technicznej rozpiszmy to dokładniej. Proces ma dwie fazy: przygotowanie bazy wiedzy (raz i przy każdej zmianie dokumentów) oraz obsługę pytania (przy każdym zapytaniu).

1. Zebranie dokumentów. PDF-y, pliki Word, arkusze, strony internetowe, eksporty z systemów, baza pytań i odpowiedzi. Na tym etapie usuwa się duplikaty i wersje nieaktualne.
2. Podział na fragmenty. Dokumenty dzieli się na mniejsze części — akapity, sekcje, punkty regulaminu. Model dostaje potem kilka trafnych fragmentów, a nie cały stustronicowy plik.
3. Embeddings. Każdy fragment zamieniany jest na wektor liczb, który opisuje jego znaczenie. Fragmenty o podobnej treści mają podobne wektory, nawet jeśli używają innych słów — „zwrot towaru” i „oddanie zamówienia” leżą blisko siebie.
4. Baza wektorowa. Wektory wraz z treścią fragmentu i informacją o źródle (nazwa dokumentu, strona, data) trafiają do bazy, która potrafi szybko znaleźć najbliższe znaczeniowo elementy.
5. Wyszukiwanie. Gdy użytkownik zadaje pytanie, ono również zamieniane jest na wektor, a system wybiera kilka najbardziej pasujących fragmentów. Często łączy się to z klasycznym wyszukiwaniem po słowach kluczowych, bo numery umów, kody produktów czy nazwiska wyszukiwanie znaczeniowe łapie gorzej.
6. Odpowiedź z cytatem źródła. Model dostaje pytanie i znalezione fragmenty, formułuje odpowiedź i wskazuje, z którego dokumentu pochodzi informacja. Jeśli w materiałach nie ma odpowiedzi, dobrze skonfigurowany system mówi to wprost i proponuje kontakt z człowiekiem.

RAG, fine-tuning czy wklejanie do ChatGPT

To trzy różne podejścia, które często się myli.

Wklejanie dokumentów do ChatGPT. Działa przy jednym pliku i jednym pytaniu. Nie skaluje się na setki dokumentów, każdy pracownik robi to po swojemu, nie ma kontroli nad tym, kto co wkleił, a dane firmy trafiają do narzędzia, nad którym firma nie ma umowy ani zasad przetwarzania. Z punktu widzenia RODO to często najsłabsze ogniwo.

Fine-tuning. Dotrenowanie modelu na własnych danych. Dobrze uczy stylu, formatu odpowiedzi czy specyficznego słownictwa branżowego, ale słabo nadaje się do przechowywania faktów. Każda zmiana cennika oznacza ponowny trening, a model nadal nie pokaże, skąd wziął informację. Jest też droższy i dłuższy we wdrożeniu.

RAG. Wiedza zostaje w dokumentach, a model tylko z niej korzysta. Aktualizacja polega na podmianie pliku, odpowiedzi mają źródło, a dostęp można ograniczać według uprawnień. Dla większości zastosowań w firmie to rozsądny punkt wyjścia; fine-tuning bywa uzupełnieniem, rzadko zamiennikiem.

Typowe zastosowania w małej i średniej firmie

• Baza wiedzy dla zespołu. Nowy pracownik pyta „jak wystawić korektę faktury dla klienta zagranicznego” i dostaje odpowiedź z wewnętrznej instrukcji zamiast odrywać od pracy starszego kolegę.
• Chatbot z cennika i regulaminu. Klient na stronie pyta o koszt dostawy, termin zwrotu albo warunki gwarancji, a bot odpowiada na podstawie aktualnych dokumentów. Więcej o takich wdrożeniach piszemy na stronie chatbotów dla firm.
• Obsługa klienta. Pierwsza linia wsparcia, która odpowiada na powtarzalne pytania, a sprawy nietypowe przekazuje człowiekowi razem z kontekstem rozmowy.
• Procedury i instrukcje. BHP, procedury jakościowe, instrukcje obsługi urządzeń — dokumenty, które istnieją, ale nikt ich nie czyta, bo trudno w nich cokolwiek znaleźć.
• Umowy. Wyszukiwanie zapisów w umowach z klientami i dostawcami: okresy wypowiedzenia, kary umowne, terminy płatności. Tu szczególnie ważne są cytaty źródła i uprawnienia.

RAG jest też często fundamentem bardziej złożonych systemów. Agent, który ma nie tylko odpowiadać, ale i działać — założyć zgłoszenie, sprawdzić status zamówienia — zwykle korzysta z bazy wiedzy zbudowanej właśnie w ten sposób. Opisujemy to na stronie agentów AI dla firm.

Od czego zależy jakość odpowiedzi

Sam model ma tu mniejsze znaczenie, niż się wydaje. O tym, czy system odpowiada trafnie, decyduje głównie to, co dzieje się przed nim.

• Jakość dokumentów. Jeśli w firmie krążą trzy wersje regulaminu, bot będzie cytował wszystkie trzy. Sprzeczne, nieaktualne i niekompletne materiały to najczęstsza przyczyna złych odpowiedzi — i najczęstszy powód, dla którego pierwsza część wdrożenia to porządkowanie wiedzy.
• Podział na fragmenty. Za duże fragmenty rozmywają trafność, za małe gubią kontekst. Tabela cennika pocięta w połowie wiersza da błędną cenę. Podział trzeba dopasować do struktury dokumentów, a nie ustawić raz dla wszystkich.
• Aktualizacja. Baza wiedzy musi nadążać za firmą. Najlepiej, gdy indeksowanie uruchamia się automatycznie po zmianie pliku w ustalonym folderze lub systemie, a nie zależy od tego, czy ktoś pamięta, żeby go wgrać.
• Uprawnienia. Asystent dla zespołu sprzedaży nie powinien odpowiadać na podstawie dokumentów kadrowych. Uprawnienia trzeba przenieść do warstwy wyszukiwania — system ma szukać tylko w tym, do czego pytający ma dostęp.
• Testy na prawdziwych pytaniach. Zestaw kilkudziesięciu realnych pytań od klientów lub pracowników, sprawdzany po każdej zmianie, mówi o jakości więcej niż jakakolwiek demonstracja.

Lokalny RAG na własnym sprzęcie

W wielu branżach dokumenty, które miałyby trafić do bazy wiedzy, są wrażliwe: dokumentacja medyczna, akta spraw w kancelarii, dane finansowe klientów, tajemnica przedsiębiorstwa. Wysyłanie ich do zewnętrznej chmury bywa wtedy nie do przyjęcia — z powodów prawnych, umownych albo po prostu ostrożności.

Rozwiązaniem jest lokalny RAG: baza wektorowa i model językowy działają na sprzęcie w Twojej firmie, w zamkniętej sieci. Dokumenty, pytania i odpowiedzi nie opuszczają budynku. W Axisway instalujemy takie systemy na komputerach Mac Mini lub serwerach GPU, z lokalnymi modelami LLM dobranymi do skali i rodzaju danych. Lokalne modele są nieco słabsze od największych modeli chmurowych, ale w zadaniu „odpowiedz na podstawie tych fragmentów” różnica jest zwykle niewielka — bo wiedzę dostarcza wyszukiwanie, a nie pamięć modelu.

Jeśli nie przetwarzasz danych wrażliwych, model w chmurze z odpowiednią umową powierzenia i ustawieniami zgodnymi z RODO jest zwykle tańszy i wystarczający. Decyzję warto podjąć na podstawie rodzaju dokumentów, a nie mody.

Jak zacząć

1. Wybierz jeden obszar. Najlepiej taki, w którym pytania się powtarzają, a odpowiedzi już gdzieś są spisane: obsługa klienta, wdrażanie nowych pracowników, wsparcie handlowców. Jeśli nie wiesz, od czego zacząć, pomoże audyt AI, który porządkuje procesy według potencjalnego zysku.
2. Zbierz dokumenty i pytania. Kilkadziesiąt dokumentów źródłowych i lista realnych pytań wystarczą, żeby sprawdzić, czy podejście działa.
3. Zbuduj pierwszą wersję i testuj. Pierwsza działająca wersja powstaje u nas zwykle w 7–14 dni. Potem przychodzi strojenie: podział dokumentów, odpowiedzi na brakujące tematy, uprawnienia.
4. Rozszerzaj stopniowo. Kolejne działy, kanały i integracje dopiero wtedy, gdy pierwszy obszar działa dobrze.

Szerzej o całym procesie piszemy w przewodniku po wdrożeniu AI w firmie, a o budżecie — w artykule ile kosztuje wdrożenie AI. Przy kwalifikujących się projektach część kosztów może pokryć dotacja PARP, nawet do 75%.

Podsumowanie

RAG to sposób, żeby model językowy odpowiadał na podstawie Twoich dokumentów, a nie własnych domysłów — i pokazywał, skąd wziął odpowiedź. Technicznie to indeksowanie, embeddings, baza wektorowa i wyszukiwanie przed każdą odpowiedzią. Praktycznie o sukcesie decyduje porządek w dokumentach, sensowny podział na fragmenty, aktualizacja i uprawnienia. Przy danych wrażliwych całość może działać lokalnie, bez wysyłania czegokolwiek na zewnątrz.