RAG или дообучение модели: что выбрать бизнесу

RAG или дообучение LLM: чем отличаются, что дешевле и быстрее, когда нужно каждое и почему для базы знаний компании почти всегда выбирают RAG.

5 сентября 2026 г.4 мин чтения10 разделовРедакция ДАРЭ

Автоматизация продаж на ИИ. Telegram @coodare

Коротко: разные задачи, а не конкуренты

RAG — это поиск по вашим документам перед ответом: модель не «знает» ваш прайс, она находит нужный кусок и отвечает по нему. Дообучение (fine-tuning) меняет саму модель, чтобы она усвоила стиль, формат и специфику языка. Для базы знаний компании в 95% случаев нужен RAG: он дешевле, обновляется за минуты и не врёт про вчерашние цены. Дообучение берут, когда нужен особый формат ответа или узкая терминология.

Как работает RAG

Схема простая: ваши документы разбиваются на фрагменты и индексируются. Когда приходит вопрос клиента, система находит несколько релевантных кусков и передаёт их модели вместе с вопросом. Модель формулирует ответ строго по найденному.

Что это даёт на практике:

Актуальность. Поменяли прайс — заменили файл, ответы изменились сразу.
Проверяемость. Видно, из какого документа взят ответ.
Контроль выдумки. Нет релевантного фрагмента — срабатывает запасной сценарий, а не фантазия. Подробнее — разбор про галлюцинации.
Цена. Не нужны дорогие вычисления на обучение.

Что даёт дообучение

Fine-tuning меняет поведение модели: она начинает отвечать в вашем стиле, выдерживать нужный формат, понимать узкие профессиональные термины без объяснений. Знания о конкретных цифрах он при этом добавляет плохо — модель может «запомнить» устаревшую цену и повторять её уверенно.

Когда дообучение оправдано:

жёсткий формат ответа, который трудно описать инструкцией;
отраслевой язык, где обычная модель путает термины;
очень большой объём однотипных задач, где важна каждая доля стоимости запроса;
работа с локальной моделью в закрытом контуре, где нужен максимум из небольшой модели — см. ИИ-агент в закрытом контуре.

Сравнение по параметрам

Сравнение по параметрам — RAG или дообучение модели
Параметр	RAG	Дообучение
Что меняет	Данные для ответа	Поведение модели
Обновление информации	Минуты	Новый цикл обучения
Стоимость входа	Низкая	Заметно выше
Риск устаревших фактов	Низкий	Высокий
Прозрачность источника	Есть	Нет
Срок запуска	Дни-недели	Недели-месяцы

Почти всегда — гибрид, но начинают с RAG

Рабочее правило: факты — через поиск по документам, манеру и формат — через инструкции. К дообучению переходят, когда инструкции перестали справляться, а не «на всякий случай».

В реальных проектах связка выглядит так: качественная база знаний плюс поиск по ней, поверх — подробная инструкция роли и границ. Этого хватает подавляющему большинству задач: продажи, поддержка, запись, консультации по услугам.

Как собирается сама база знаний, описано в материале обучить ИИ-бота базе знаний.

Что определяет качество на практике

Когда RAG работает плохо, причина почти всегда не в модели, а в подготовке данных. Проверяйте три вещи:

Как нарезаны документы. Слишком крупные куски тянут в ответ лишнее и удорожают запрос, слишком мелкие теряют смысл.
Нет ли противоречий. Два прайса с разными цифрами — гарантированные плавающие ответы.
Есть ли ответы на реальные вопросы. Красиво оформленный регламент бесполезен, если клиенты спрашивают о другом.

Самый быстрый способ поднять качество — взять сотню настоящих переписок с клиентами и убедиться, что на каждый вопрос в базе есть внятный источник.

Три заблуждения

«Дообучим — и бот будет знать наш прайс». Не будет. Он усвоит формулировки, а цифры начнёт путать при первом же изменении цен.
«RAG — это дёшево и просто». Дёшево, но качество упирается в подготовку документов: мусор на входе — мусор на выходе.
«Чем больше документов, тем лучше». Наоборот: противоречащие друг другу файлы ухудшают ответы. Источник данных должен быть один.

Что это значит для бюджета

Проект на RAG укладывается в обычное внедрение под ключ: от 49 990 ₽ и 14–21 день, включая сбор и чистку источников, настройку поиска, границ и эскалации. Дообучение — отдельная история со своей сметой, и браться за него имеет смысл только после того, как исчерпаны возможности базы знаний и инструкций.

Про эксплуатационные расходы — сколько стоит API нейросети.

Хотите увидеть, как выглядит ответ строго по базе знаний? Демо ИИ-агента в Telegram — спросите то, чего в наших материалах нет, и посмотрите на реакцию.