★
Меню
Главная Как это устроено Список наблюдения Стек
Аппаратное обеспечение ЧипыСравнить чипы Серверы и системыСетевая инфраструктура ПамятьFoundry и упаковка Охлаждение
Объекты инфраструктуры Центры обработки данныхЭлектропотребление ПроектыОблачные вычисления и GPU
Интеллект AI-моделиПрограммное обеспечение AI-продуктыБенчмарки Научные статьиДатасеты Концепции
Экосистема КомпанииАкции ЛюдиХронология ТенденцииБудущее ИИ
Обучение Новости Запрос к данным ИИ-агенты
О сайте О нас Методология Данные и API Отказ от ответственности
Параметры
ДАННЫЕ И API

Бесплатный доступ только для чтения к кешированным данным сайта в формате JSON.

Тёмная тема

Режим с подсказками
Не знакомы с терминологией чипов, дата-центров и моделей? Мы объясняем ключевые понятия прямо в процессе просмотра, простым языком. Те же данные, со встроенной подсказкой.

Экспертный режим
Вы уже знаете стек. Только данные: чистые, быстрые и компактные, без лишних пояснений. Это вид по умолчанию.

Язык интерфейса
‹ Назад
Главная › Концепции › Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation (RAG)

Концепция Обучение и инференс

Look it up, then answer — how enterprises ground models in their data.

Перед вами запись-пояснение к понятию: что этот термин означает простыми словами и какие записи он объединяет.

RAG retrieves relevant documents (via embedding search) and feeds them into the model's context, giving current, citable, private knowledge without retraining. It is the default enterprise AI architecture and the reason vector databases and embedding models became infrastructure categories; long context windows compete with it, agents combine both.

Место в общей экосистеме

Related · 5 Retrieval-Augmented Generation (RAG)

Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.

Источники

RAG paper ↗

Запись актуальна на 2026-01-15 — смотреть Методология.