Основные тезисы
- Обычная модель не видит ваши файлы, если вы их не дали.
- Даже если файл загружен, важно, какие фрагменты попали в контекст ответа.
- RAG можно объяснить как "сначала найти нужное, потом спросить модель".
- Главная ценность RAG - ответы с опорой на конкретные документы.
Подтемы
- Разница между знаниями модели и вашими источниками.
- Контекстное окно: сколько информации модель может учитывать за раз (подробнее — в
08_technical_chat_basics). - Поиск фрагментов: почему документ делится на части.
- Ответ с источником: почему цитаты важнее уверенного тона.
Практический пример
Обычный запрос:
RAG-подход:
Практический пример:
Расскажи, какие правила сдачи проекта у нас в группе.
Практический пример:
Используй только загруженный документ с правилами курса. Ответь: 1. какие сроки сдачи проекта; 2. какие критерии оценки; 3. что будет при просрочке. Для каждого пункта укажи цитату или раздел документа. Если в документе нет ответа, так и напиши.
Жизненные примеры
- Вопросы по методичке или учебному плану.
- Поиск по конспектам за семестр.
- Анализ правил, инструкций, договоров или FAQ.
- Быстрое извлечение требований из длинного документа.
Мини-задание
Возьмите один документ и задайте AI вопрос сначала без документа, затем с документом. Сравните точность и наличие источников.
Критерий готовности
Зритель понимает, что RAG нужен не "для умности", а для привязки ответа к конкретным материалам.
Награда за контроль знаний
Ачивка: Загружаю документ безопасно (ach.mod_05.lesson_1)
Контроль: Подготовить обезличенный файл для загрузки.
Навыки: