RAG (генерация с дополненным поиском)

Автоматический перевод данной английской страницы, не проверенный носителем языка.

RAG (Retrieval-Augmented Generation — генерация с дополненным поиском) — архитектура ИИ, которая сочетает поиск информации с генерацией текста, позволяя LLM опираться на внешние источники знаний, а не полагаться исключительно на обучающие данные. В образовании RAG решает проблему галлюцинаций, делает возможным тьюторство, опирающееся на учебный план, и питает предметно-специфичные тьюторы на базе ИИ.

Вопросы для размышления

• Вы, вероятно, видели, как чат-бот на базе ИИ уверенно утверждал нечто ложное. Что меняет «опирание» ответа модели на внешние документы в этом режиме отказа — и какие новые режимы отказа оно может внести?
• RAG находит релевантные материалы и подаёт их генератору. Прежде чем читать, подумайте: какие допущения это делает о качестве найденного контента — и о том, является ли найденный текст действительно тем, чему стоит учить?
• Страница противопоставляет RAG дообучению: поиск опирает ответы на актуальные источники без переобучения, тогда как дообучение встраивает поведения. Если бы вы строили тьютора, согласованного с учебным планом, какому подходу вы доверились бы в части точности, а какому — в части стиля преподавания?
• RAG представлен как основной ответ на проблему галлюцинаций в образовании. Но подумайте: если сам источник поиска содержит ошибки или устарел, может ли RAG всё ещё галлюцинировать? Где гарантия «опоры на проверенный контент» может разрушиться на практике?
• Для разработчика или преподавателя: что ещё тьютор должен «знать» помимо содержания учебника — педагогику, когда удерживать ответы, как проверять понимание? Где одного RAG для этого было бы недостаточно, и с чем вы бы его сочетали?

Введение

Как RAG используется в образовании

• Предметно-специфичный поиск с учётом нотаций: AlgoRAG индексирует учебники, 847 слайдов лекций, 312 решённых практических задач, 156 шаблонов разобранных доказательств и 89 рабочих листов по сложности для курсов по теоретической информатике, добавляя распознавание математических сущностей и переупорядочение с учётом нотаций; он ответил на все 179 составленных преподавателями экзаменационных вопросов в пределах таймаута 240 секунд (в среднем 38.0 секунды), но дал BLEU-4 = 0.0000 и оценку по рубрике 0.7620, что иллюстрирует и ценность архитектуры, и пределы метрик, используемых для её оценки.
• Снижение галлюцинаций: EduGuard и EduZone используют RAG, чтобы удерживать ответы тьюторов на базе ИИ опирающимися на проверенный образовательный контент, снижая Риск галлюцинаций.
• Опора хороша ровно настолько, насколько хороша проверка источника: только 1 из 12 участников заметил намеренно несоответствующую карточку источника, поэтому метка происхождения может действовать как печать авторитета, а не как приглашение проверить найденный материал (Sun et al. (2026)).
• Тьюторство, опирающееся на учебный план: KITE находит релевантные материалы учебного плана, чтобы информировать ответы при тьюторстве, обеспечивая согласованность с содержанием курса.
• Локальное развёртывание для институционального контроля: CourseChat запускает тьютора на базе RAG для нескольких курсов в бакалавриате по бизнес-образованию на локальных edge-хостах с локальной векторной базой данных и моделью 8B, обслуживаемой через Ollama, удерживая материалы курса и диалоги студентов в инфраструктуре университета; выбор модели стал совместным решением по «железу» и обслуживанию, когда более крупные кандидаты не прошли проверку задержки (CourseChat).
• Индексирование учебников и материалов: Организация синтетических учебников индексирует образовательный контент для поиска. StructRAG расширяет поиск на структурированные диаграммы.
• Интеграция в конвейер обучения: Обучение педагогического LLM использует RAG, чтобы опирать обучение тьюторов на лучшие практики образования.
• Академическая поддержка для конкретного курса: Beacon находит материалы из одобренных учебных материалов одного модуля по программированию, чтобы служить студентам, которые не решаются обратиться к лектору, и 89% из 15 оценивающих студентов оценили его ответы как высоко согласованные с материалами курса; смысл проектирования состоит в том, что опора — это институциональный ответ на рассогласование между LLM общего назначения и ожиданиями на уровне модуля.
• Структура на этапе приёма против поиска на этапе запроса: Wright (2026) скомпилировал один и тот же корпус курса DS3001 по машинному обучению в семь взаимосвязанных вики-страниц концепций с цитированием источников и сопоставил его с настроенным базовым вариантом vector-RAG на основе поиска по встроенным представлениям с разбиением на фрагменты. На 59 написанных человеком вопросах скомпилированное вики лучше отвечало, чем настроенный индекс (9.95 против 9.05 из 10, с бутстрап-доверительным интервалом разности, исключающим ноль), и чаще опиралось на материал, который отвечающий действительно видел (98% против 81%), причём оба разрыва примерно утраивались на вопросах, требовавших материала более чем с одной страницы (оценки для межстраничных вопросов 9.93 против 8.14, где доля ответов RAG с опорой упала с 87% до 64%). Разрыв в опоре не был отказом поиска: лишь 2 из 11 неопирающихся ответов vector RAG были промахами поиска, тогда как остальные 9 имели релевантные фрагменты в контексте и всё равно добавляли неподтверждённые детали — свидетельство того, что структура на этапе приёма ограничивает изобретательность, а не только доступ.

RAG и дообучение

RAG играет роль, дополняющую дообучение Большие языковые модели (LLM) — поиск даёт актуальную, предметно-специфичную опору без переобучения, тогда как дообучение встраивает педагогические поведения. Исследования базы знаний изучают оба подхода и их сочетание.

Связанные концепции

• Большие языковые модели (LLM)
• Генеративный ИИ
• Риск галлюцинаций
• Граф знаний
• Edtech-платформа
• Интеллектуальное тьюторство
• Обучение и дообучение LLM
• Педагогическая безопасность
• K-12
• Высшее образование
• Технологии — Зонтичная категория: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)

Связанные статьи

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education
• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers
• Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education
• Advancing diagram-based reasoning in AI tutoring systems: a structural approach for STEM education
• Beyond Rephrasing: Book-Level Organization Improves Synthetic Textbook Data for Mid-Training
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• AlgoRAG: Retrieval-Augmented Generation for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory — AlgoRAG: генерация с дополненным поиском для образования по теоретической информатике — всеобъемлющая рамка оценки для анализа алгоритмов и теории сложности
• Reducing Barriers to Academic Support: Evaluating a Course-Specific RAG System for Addressing Help-Seeking Disparities in Higher Education — Снижение барьеров для академической поддержки: оценка системы RAG для конкретного курса при устранении неравенства в обращении за помощью в высшем образовании
• Potential for Enhanced Learning in Machine Learning Classes by Using Wiki LLM Indexing — Потенциал улучшения обучения на занятиях по машинному обучению с использованием индексирования через вики и LLM
• On-Premises Multi-Course RAG Tutoring for Business Education: Hardware–Software Trade-offs in a Campus AI Tutor — Локальное тьюторство с RAG для нескольких курсов в бизнес-образовании