Что такое RAG: Алиса обычно цитирует пять сайтов выдачи

Что такое RAG: это механизм, при котором нейросеть перед ответом ищет документы во внешней базе и отвечает по ним. Если коротко, RAG в ИИ — это способ отвечать не по памяти, а по свежим источникам.

Для бизнеса из этого следует главное: в ответ попадают несколько найденных сайтов, у Алисы AI обычно пять, и бороться приходится за эти места. Когда Perplexity отвечает на ваш вопрос и внизу ставит четыре ссылки на источники — это работает RAG. Когда Алиса зачитывает один ответ вслух и он опирается на конкретные сайты — это тоже RAG. Расшифровка тоже отвечает на вопрос, что такое RAG: Retrieval-Augmented Generation, «генерация, дополненная поиском». Если вы занимаетесь маркетингом и хотите, чтобы нейросети упоминали вашу компанию, разобраться в RAG нужно раньше, чем в любых тактиках. Потому что от того, как устроен этот механизм, зависит, попадёте вы в ответ ИИ или нет.

Что такое RAG: главное

• RAG — это связка «поисковик + языковая модель», а не одна нейросеть. Модель перед ответом ищет документы во внешней базе и отвечает по ним.
• Почти весь современный AI-поиск устроен так. Perplexity, ChatGPT с веб-поиском, Google AI Overviews, нейропоиск Алисы — это всё RAG-системы.
• Мест в ответе мало. По нашим замерам, Алиса AI в 64% ответов опирается ровно на пять источников, и набор при повторе вопроса почти не меняется.
• Чтобы вас процитировали, нужно пройти два этапа. Сначала вас должны найти на шаге поиска, потом — удобно процитировать на шаге генерации.
• Оптимизация под ИИ (AEO/GEO) — это подстройка под RAG. Технический доступ, прямой ответ на поверхности, конкретика и свежесть решают, попадёте вы в ответ или нет. Чем эта работа отличается от привычного SEO — разбирали в материале GEO или SEO для нейросетей.
• Дообучать модель под свою компанию не нужно и невозможно. У вас нет доступа к обучению ChatGPT или Алисы — а вот в их retrieval-корпус из открытого веба попасть можно.

RAG-система — это связка поисковика и языковой модели, а не одна нейросеть

На вопрос, что такое RAG-система, инженеры отвечают так: это система Retrieval Augmented Generation (RAG) из двух частей — модуля поиска и языковой модели. Поэтому RAG-модель — не отдельная нейросеть, а языковая модель, которой дали поиск по внешней базе знаний. Термин ввела команда исследователей из Facebook AI (сейчас Meta) в статье 2020 года — авторы предложили дополнять генеративную модель модулем извлечения фактов из внешнего источника.

Обычная языковая модель без RAG обучена на огромном массиве текстов и хранит знания в своих весах — в памяти, зашитой на этапе обучения. У такой памяти два больных места. Первое — она устаревает: модель с обучением до 2024 года не знает, что случилось в 2026-м. Второе — она любит выдумывать: когда фактов не хватает, модель достраивает ответ правдоподобной ерундой, и это называют галлюцинациями.

Вместо того чтобы полагаться только на память, RAG на каждый запрос лезет в свежий внешний источник — веб-индекс, базу документов, справочник — вытаскивает подходящие куски и передаёт их модели вместе с вопросом. Модель отвечает уже не по памяти, а по документам, которые лежат прямо перед ней. Как студент, которому на экзамене разрешили открыть учебник на нужной странице.

Сколько источников RAG берёт в один ответ: замер по Алисе AI

Мест в ответе нейросети немного, и у Алисы AI это видно особенно чётко. Мы пересчитали 526 ответов Алисы AI, снятых в наших замерах с июня по октябрь 2026 года. Источники приложены к каждому из них. Ровно пять источников — в 338 ответах (64%), десять — в 130 (25%). Остальные варианты встречаются редко. Получается, что система берёт из выдачи блок, а не подбирает источники по одному под каждый абзац.

Второе наблюдение — набор устойчив. Мы сравнивали ответы на один и тот же вопрос, заданный повторно в одном прогоне: какую долю от всех разных ссылок двух ответов составляют общие. У Алисы AI это в среднем 82%, у ChatGPT с поиском — 46% (архив прогонов на сентябрь 2026 года). Это сходится с отчётом Ашманова: Алиса ищет в органике Яндекса и отбирает источники из верхних результатов, поэтому видимость в ней ведёт себя как позиция в выдаче.

Для бизнеса вывод простой. В ответе Алисы вы конкурируете за пять мест, и эти места почти не меняются, когда тот же вопрос задают снова. Если вас нет в верхней части выдачи по вопросу клиента, модель не увидит ваш сайт, сколько бы раз вопрос ни задавали. Если вы там есть, вас будут цитировать стабильно.

Как работает технология RAG внутри: четыре шага от запроса до ответа

RAG проходит четыре шага: запрос превращается в вектор, система ищет по векторной базе близкие по смыслу фрагменты, найденное подклеивают к вопросу в один промпт, и модель пишет ответ по этим фрагментам со ссылками на источники. Когда вы задаёте вопрос нейропоиску, под капотом происходит именно это.

1. Запрос превращается в вектор. Ваш вопрос прогоняют через модель-эмбеддер, которая переводит текст в набор чисел — координаты смысла. Похожие по смыслу фразы получают близкие координаты, даже если слова разные.
2. Поиск по базе. Система сравнивает вектор запроса с векторами документов в базе (её называют векторной) и достаёт несколько самых близких фрагментов. Это и есть retrieval — извлечение. Хранилище, по которому ищет система, — это и есть RAG-база: у Perplexity и Алисы это веб-индекс, у корпоративного чат-бота — документы компании.
3. Сборка контекста. Найденные фрагменты подклеивают к вашему вопросу в один большой промпт. Получается инструкция вида «вот вопрос, вот выдержки из источников — ответь по ним».
4. Генерация ответа. Языковая модель читает всё это и формулирует ответ, опираясь на переданные фрагменты. Хорошая RAG-система тут же проставляет ссылки на те источники, откуда взяла факты.

Весь путь занимает секунды, и пользователь видит только финал — связный ответ со сносками. Но для маркетолога важен второй шаг. Если ваш сайт не попал в базу и не был извлечён на шаге поиска, до генерации он просто не дойдёт. Нейросеть физически не сможет вас процитировать, потому что не будет держать вас перед глазами.

Как мы разбирали в тексте «Почему ИИ не видит ваш сайт», чаще всего компания выпадает именно на этом шаге — робот получает пустую страницу и добавить в базу нечего.

Почти весь современный AI-поиск — это RAG

Продукты, которыми люди пользуются каждый день, устроены одинаково — просто вслух про RAG говорят редко.

• Perplexity — поисковик, который так и построен: находит источники, отвечает по ним, показывает ссылки. Классический RAG в чистом виде.
• ChatGPT с веб-поиском — когда включён режим поиска, модель достаёт свежие страницы и отвечает по ним, а не по памяти.
• Google AI Overviews — те самые AI-ответы над выдачей Google подтягивают информацию из живого поискового индекса.
• Нейропоиск Алисы — по отчёту «Ашманова и партнёров» о «Поиске с Алисой», Алиса сначала ищет в органике Яндекса, берёт верхние результаты и уже по ним строит генеративный ответ. Попасть в ответ — значит попасть в топ органики плюс пригодность текста для цитирования.

Чтобы нейросеть вас упомянула, вашего контента должно хватать сразу на двух этапах. Сначала — чтобы вас нашли на шаге retrieval (это про индексацию и релевантность). Потом — чтобы вас удобно было процитировать на шаге генерации (это про то, как написан сам текст). Оба этапа и закрывает продвижение бренда в нейросетях.

Почему RAG — это фундамент оптимизации под нейросети

Оптимизацию под ИИ-ответы называют по-разному: AEO (Answer Engine Optimization), GEO (Generative Engine Optimization) — что за этим стоит на практике, разбирали в материале про GEO-оптимизацию и попадание в ответы ChatGPT, Perplexity и Яндекс AI. За модными аббревиатурами стоит ровно одна идея — подстроить сайт под то, как RAG вытаскивает и использует источники. Ahrefs в своём разборе RAG прямо связывает видимость в AI-поиске с попаданием в retrieval-этап: нет вас в извлекаемом корпусе — нет и в ответе.

Из механики RAG вытекают вполне конкретные требования к контенту.

Вас должно быть легко найти технически. Если страница отдаётся только после выполнения JavaScript, а робот получает пустой HTML, ваш текст может не попасть в индекс, из которого RAG достаёт документы. Чистый серверный HTML, открытый доступ для AI-краулеров, аккуратная структура — это входной билет.

Ответ на вопрос должен лежать на поверхности. RAG вытаскивает фрагменты, а не весь сайт целиком. Если прямой ответ спрятан в середине длинного абзаца, шанс, что именно этот кусок извлекут и процитируют, падает. Поэтому в текстах под нейросети работает приём «сначала ответ, потом детали»: чёткий тезис в первом предложении раздела, подзаголовки-утверждения, короткие самодостаточные блоки.

Факты нужно подкреплять. Модель охотнее цитирует куски с конкретикой — цифрами, датами, именами, ссылками на первоисточник. Абстрактная вода на шаге генерации проигрывает фрагменту, где есть за что зацепиться. По этой же логике хорошо заходят структурированные данные и понятная разметка: они помогают машине разобрать, что перед ней.

Свежесть имеет цену. Раз RAG на каждый запрос лезет за актуальными документами, устаревшая страница проигрывает обновлённой. Регулярное обновление помогает остаться в выдаче, из которой набирают контекст. Технический доступ при этом решает не меньше свежести: если робот не видит текст, обновляйте его сколько угодно — в контекст он не попадёт. Почему так выходит, разбирали в статье почему ИИ не видит ваш сайт.

Чем RAG отличается от дообучения модели под свою компанию

Частый вопрос: если нужно, чтобы ИИ знал про мою компанию, может, проще дообучить модель на своих данных? Это другой подход, и для задачи видимости он почти всегда лишний.

Дообучение (файн-тюнинг) меняет саму модель — долго, дорого, и результат живёт внутри одной конкретной модели. RAG ничего в модели не меняет: он просто подаёт свежие документы в момент запроса. Для бизнеса, который хочет попадать в ответы публичных нейросетей, файн-тюнинг вообще не вариант — вы не имеете доступа к обучению ChatGPT или Алисы. А вот в их retrieval-корпус попасть можно: он собирается из открытого веба — на этом и держится продвижение в ответах ChatGPT. Именно поэтому работа над видимостью в ИИ — это работа с RAG, а не с обучением моделей. IBM в своём объяснении формулирует так же: RAG даёт модели доступ к актуальным внешним знаниям без переобучения.

Что сделать с сайтом, чтобы RAG его нашёл и процитировал

• Проверьте, что ваши ключевые страницы отдаются роботам как обычный HTML и открыты для AI-краулеров. Самая простая проверка — открыть исходный код страницы (Ctrl+U в браузере) и найти в нём первый абзац текста: если его там нет, робот видит пустую страницу.
• Перепишите важные страницы под принцип «прямой ответ вперёд»: тезис — в начало раздела, детали — потом.
• Добавьте конкретику: цифры, даты, источники. Убирайте абстрактные формулировки, которые нечего цитировать.
• Следите, попадаете ли вы в топ органики по своим темам — для Алисы это прямой пропуск в ответ.
• Обновляйте материалы, а не бросайте их после публикации.

RAG звучит как термин для инженеров, но по сути это правила игры, по которым нейросети выбирают, кого показать пользователю. Понимаете механику — понимаете, за счёт чего одни компании попадают в ответы ИИ, а другие остаются невидимыми, хотя сайт у них вроде бы есть.

ОБ АВТОРЕ

Сергей Бурый Сооснователь Звонко. Эксперт по практическому применению ИИ, главный редактор международных медиапроектов, преподаватель СПбГУ