Все больше вашей аудитории получает ответы от ИИ, а не из списка ссылок. Поэтому, когда кто-то спрашивает помощника о вашей категории, ответ формируется на основе источников, которые вы, возможно, даже не видите, и ваш бренд либо появляется в нем, либо нет.

Этот сдвиг меняет требования ИИ к контент-маркетингу. Раньше написание качественной страницы было финишной чертой. Теперь вам также нужно знать, как системы ИИ находят, выбирают и цитируют страницы, и это начинается с вопроса, который многие маркетологи еще не успели задать: что такое RAG в ИИ?

Pew Research Center изучил это поведение в исследовании. Пользователи переходили по традиционной ссылке в результатах поиска в 8% случаев, когда Google показывал сводку ИИ, по сравнению с 15% посещений без нее. Меньшее количество кликов означает, что сам ответ имеет больший вес, как и источники, стоящие за ним — страницы, из которых система черпает информацию, могут формировать то, что она говорит о вас.

Это руководство объясняет RAG простым языком, начиная с того, что это значит для вашего маркетинга, и заканчивая тем, как это работает. Вы получите контрольный список для того, чтобы сделать ваш контент более удобным для систем поиска.

Одно предостережение: контент, удобный для поиска, может улучшить доступность для машин, но не гарантирует попадание в выдачу или цитирование.

Оглавление

Что такое RAG в ИИ?
Почему RAG в ИИ важен для маркетологов?
Как работает RAG в ИИ?
Почему RAG может влиять на AEO и видимость бренда?
Когда следует использовать RAG, а когда — дообучение (fine-tuning)?
Как сделать контент удобным для поиска?
Каких распространенных ошибок RAG следует избегать маркетологам?
Глоссарий RAG для маркетологов
Что означает RAG для вашей стратегии AEO?
Как HubSpot AEO может помочь без лишнего жаргона
Часто задаваемые вопросы о RAG в ИИ

RAG в ИИ — это метод, который извлекает релевантную информацию из внешней базы знаний перед тем, как модель генерирует ответ. Название расшифровывается как retrieval-augmented generation (генерация с дополнением поиском), и оно также встречается в обсуждениях настроек GenAI RAG. В каждом случае RAG дополняет запрос модели извлеченным исходным материалом, что улучшает обоснованность ответа.

Без RAG языковая модель отвечает на основе того, что она усвоила во время обучения. С RAG она сначала проверяет источник. Этим источником может быть справочный центр, база данных продуктов или набор корпоративных документов, и ответ отражает то, что модель находит там.

Почему RAG в ИИ важен для маркетологов?

RAG важен, потому что он связывает ответы ИИ с исходным материалом, и ваш контент может стать этим материалом.

Стандартная большая языковая модель (LLM) генерирует ответы на основе паттернов, изученных во время обучения. Эти знания имеют дату отсечения и не включают вашу последнюю страницу с ценами, запуск продукта или статью справки. RAG заполняет этот пробел. Система извлекает релевантный контекст из внешней базы знаний, а затем использует его для написания ответа.

Для маркетологов из этого следуют три вывода:

Ваш контент может быть найден и процитирован. Когда поисковая система использует поиск, страницы, из которых она берет данные, могут влиять на то, что она говорит о вашем бренде.
Ясность и актуальность становятся факторами конкуренции. Страницы с четкими фактами, последовательной терминологией и актуальной информацией дают поисковой системе лучший материал для работы.
Владение имеет значение. Кто-то должен поддерживать источник истины, потому что поисковая система может вывести только то, что существует и к чему она имеет доступ.

Поисковые системы извлекают и цитируют источники по-разному, поэтому вы не можете предсказать результаты для какой-либо одной платформы. Что вы можете сделать, так это сделать ваш контент более понятным для машин, чему и посвящены разделы ниже.

Как работает RAG в ИИ?

RAG работает в три этапа: поиск (retrieve), дополнение (augment), генерация (generate). Если вы хотите сначала получить более широкое представление о том, что происходит внутри этих систем, наше руководство о том, как работает ИИ, охватывает основы.

Поиск. Система берет вопрос и ищет в базе знаний наиболее релевантные фрагменты.
Дополнение. Она добавляет эти фрагменты к запросу модели, предоставляя модели исходный материал для работы.
Генерация. Модель пишет ответ, используя как вопрос, так и извлеченный материал.

Вот пример, понятный маркетологу. Допустим, у вашей компании есть статья справки о сбросе пароля. За кулисами система RAG заранее подготавливает эту статью:

Чанкинг (разбиение): она разбивает статью на более мелкие фрагменты, например, по одному разделу на шаг или тему.
Эмбеддинги: она преобразует каждый фрагмент в числовое представление его смысла, чтобы система могла сопоставлять по смыслу, а не по точным ключевым словам.
Векторная база данных: она хранит эти эмбеддинги в базе данных, созданной для быстрого поиска сходства.

Когда кто-то спрашивает: «Как мне сбросить пароль?», система находит наиболее близкие по смыслу фрагменты, добавляет их в запрос и генерирует ответ. Если система настроена на отображение источников, она может процитировать статью справки.

Текстовая версия рабочего процесса: поступает вопрос, система извлекает соответствующие фрагменты из базы знаний, добавляет их в запрос, модель генерирует ответ, и ответ может содержать ссылку на источник.

Что такое генерация с дополнением поиском (RAG)?

Генерация с дополнением поиском — это метод, который объединяет языковую модель с внешним источником информации. Термин происходит из исследовательской работы 2020 года Льюиса и др., исследование, в которой предварительно обученная языковая модель была объединена с поисковым индексом Википедии. Этап поиска дает модели доступ к информации, хранящейся вне ее собственных параметров, поэтому этот подход поддерживает более свежие и специализированные ответы, когда источник поиска поддерживается и доступен.

Здесь полезны три различия:

RAG против веб-поиска: Веб-поиск возвращает список ссылок для чтения. RAG извлекает фрагменты и использует их для написания ответа.
RAG против обучения: Обучение навсегда меняет то, что знает модель. RAG предоставляет информацию в момент вопроса и оставляет веса модели неизменными.
RAG против дообучения: Дообучение корректирует поведение или стиль модели с помощью дополнительных данных обучения. RAG добавляет знания во время ответа. Мы сравним их более подробно ниже.

Как объяснить RAG вашей команде?

Попробуйте такую аналогию: стандартная LLM — это умный коллега, отвечающий по памяти, а система RAG — это тот же коллега, у которого в другой вкладке открыта корпоративная вики-система. Коллега так же умен, но ответ хорош ровно настолько, насколько хороша вики. Если вики устарела, неорганизованна или в ней отсутствуют страницы, ответ будет таким же.

Эта формулировка также подсказывает вашей команде, на чем сосредоточиться. Вы не можете контролировать модель, но вы можете улучшить вики. Для маркетологов «вики» включает ваш сайт, справочный центр, документацию и страницы продуктов.

Почему RAG может влиять на AEO и видимость бренда?

RAG может влиять на оптимизацию для поисковых систем (AEO), потому что системы поиска выбирают, какие фрагменты передать модели, а четкие, заслуживающие доверия фрагменты использовать проще. Контент, удобный для поиска, использует четкую структуру, последовательную терминологию и явные факты, что улучшает доступность для машин и потенциал цитирования, не гарантируя его.

Подумайте о том, как поисковая система работает со страницей. Она разбивает страницу на фрагменты и оценивает каждый из них по отдельности. Фрагмент, который начинается с прямого ответа, четко называет продукт или тему и излагает факты полными предложениями, может существовать автономно. Фрагмент, в котором говорится «как упоминалось выше, это лучший вариант», теряет свой контекст.

Именно здесь AEO отличается от традиционного поиска. Если вы привыкли оптимизировать контент для ранжирования, наше руководство по AI SEO объяснит, как эти два подхода пересекаются и в чем их различия. Короче говоря, ранжирование позволяет вашей странице попасть в список результатов, в то время как поиск и цитирование определяют, будет ли система ИИ использовать вашу страницу в ответе.

Имейте в виду, что поисковые системы (answer engines) различаются. Некоторые извлекают данные из живой сети, некоторые — из курируемых индексов, а некоторые — из частных документов компании. Поведение при цитировании зависит от платформы и может меняться по мере обновления продуктов. Относитесь к любой тактике как к способу, который может повысить ваши шансы, а затем оценивайте результат.

Когда следует использовать RAG, а когда — дообучение (fine-tuning)?

Используйте RAG, когда ваша информация часто меняется или когда ответы должны быть подкреплены ссылками на источники. Используйте дообучение, когда вам нужно изменить то, как модель ведет себя, пишет или выполняет специализированную задачу. Объяснение RAG от Turbine Kreuzberg — полезный сторонний справочный материал по процессу «поиск, дополнение, генерация» (retrieve, augment, generate) и для этого сравнения.

Вот простое руководство для принятия решения:

Ваш контент обновляется еженедельно или ежедневно (цены, политики, детали продукта): RAG. Обновите базу знаний, и ответы будут отражать изменения.
Вам нужны ответы, привязанные к конкретным документам: RAG, поскольку извлеченные фрагменты могут быть представлены в качестве источников.
Вам нужен последовательный голос бренда или формат вывода: дообучение, так как оно формирует стиль и поведение.
Вам нужно, чтобы модель лучше справлялась с узкой задачей, например, классификацией обращений в поддержку: дообучение.
Вам нужны и свежие факты, и специализированный стиль: объедините их.

Оба подхода имеют ограничения. RAG зависит от качества поиска, поэтому плохо организованная база знаний дает плохие ответы. Дообучение «запекает» знания в модель на определенный момент времени, поэтому они устаревают и требуют переобучения для обновления. Ни один из методов не отменяет необходимости проверки человеком, поэтому наиболее эффективный подход обычно гибридный: инструмент предлагает, человек принимает решение.

Как сделать контент удобным для поиска?

Начните с этого чек-листа. Каждый пункт делает ваш контент более доступным для системы поиска, чтобы она могла его найти, интерпретировать и доверять ему.

Структура: используйте описательные заголовки, короткие абзацы и одну основную идею для каждого раздела.
Четкие факты: излагайте ключевые факты простыми предложениями. Размещайте названия, цифры и определения в тексте, а не только на изображениях.
Терминология: используйте одни и те же названия для продуктов, функций и концепций везде.
Метаданные: следите за точностью заголовков, описаний, дат и авторства.
Канонические источники: выберите одну авторитетную страницу по каждой теме и ссылайтесь на нее с других страниц.
Актуальность: регулярно просматривайте и обновляйте страницы, чувствительные к фактору времени.
Владение: назначьте ответственного за каждую важную страницу.
Контроль доступа: определите, какой контент является общедоступным, а какой — ограниченным, и убедитесь, что права доступа работают должным образом.
Проверка человеком: поручите человеку проверять все, что попадает в базу знаний или публикуется на основе черновиков, созданных ИИ.

Как структурировать страницы для поиска и цитирования?

Инструменты ИИ могут никогда не добраться до сути. Начинайте каждый раздел с ответа, а затем добавляйте детали. Заголовок, содержащий вопрос, за которым следует ответ из одного-двух предложений, дает поисковой системе готовый фрагмент для извлечения.

Пишите предложения, в которых называете предмет обсуждения.

Фраза «HubSpot AEO показывает маркетологам, как их бренд отображается в ответах, сгенерированных ИИ» полностью понятна сама по себе.
Фраза «Это показывает вам, как вы отображаетесь» — нет, если фрагмент отделен от предыдущего предложения.

Используйте списки и короткие таблицы для сравнения и описания шагов. Добавляйте дату и автора на страницы, где важны актуальность и экспертность.

Какой лучший способ упаковки знаний для RAG?

Если вы создаете внутреннего помощника, например, чат-бота, обученного на базе вашего справочного центра, то, как упакована ваша база знаний, определяет эффективность поиска. Вот практики, которые помогают больше всего:

Одна тема на документ или раздел.
Удаление дубликатов и противоречивых версий.
Размещение текущей версии в базе знаний и архивирование старой.
Преобразование PDF, презентаций и скриншотов в текст, доступный для поиска.
Тегирование контента по продукту, аудитории и дате.

Боты для клиентов — один из самых распространенных вариантов использования этого подхода. Для понимания реального контекста посмотрите эти примеры ИИ в обслуживании клиентов. Поиск также является ключевой возможностью для более автономных систем, и типы ИИ-агентов часто полагаются на него для поиска информации перед принятием мер.

Каких распространенных ошибок RAG следует избегать маркетологам?

Большинство сбоев RAG связаны с контентом, а не с моделью. Остерегайтесь следующего:

Неструктурированный контент: длинные страницы без заголовков дают системам поиска плохие границы фрагментов.
Непоследовательная терминология: если вы называете одну и ту же функцию тремя разными именами, система может воспринимать их как три разные вещи.
Скрытые факты: ключевые детали, спрятанные в пятом абзаце, могут быть отделены от контекста, который придает им смысл.
Ресурсы только с изображениями: текст внутри изображений и графиков может никогда не попасть в базу знаний.
Устаревшая информация: старые цены или выведенные из эксплуатации функции могут всплывать в ответах.
Слабые права доступа: внутренние или конфиденциальные документы могут просочиться в ответы, если контроль доступа не работает.
Неясное владение: когда у страницы нет владельца, ее никто не обновляет.

Галлюцинации заслуживают особого внимания. Галлюцинация — это когда ИИ с уверенностью генерирует ложную информацию. RAG снижает риск, основывая ответы на источниках, но не устраняет его полностью.

Исследование под руководством Стэнфорда, опубликованное в Journal of Empirical Legal Studies в 2025 году, протестировало инструменты юридических исследований на базе RAG, которые поставщики рекламировали как исключающие галлюцинации. Исследователи обнаружили, что инструменты от LexisNexis и Thomson Reuters допускали ошибки hallucinated more than 17% of the time, хотя этот показатель был ниже, чем у чат-бота общего назначения. Поиск помогает, но проверка человеком все равно необходима.

Эта проверка применима и к контенту, созданному с помощью ИИ. Инструменты обнаружения ИИ могут пометить текст, который выглядит написанным машиной, но они не могут сказать вам, верны ли факты в нем. Проверка фактов остается работой человека.

Чтобы поддерживать надежность базы знаний, установите несколько правил управления:

Периодичность проверки: проводите аудит ценных страниц ежеквартально, а страниц с ценами, политиками и продуктами — чаще.
Версионирование: ведите учет того, что изменилось (и когда) в ключевых наборах данных.
Устаревание: удаляйте или перенаправляйте устаревшие страницы и убирайте их из любой базы знаний.
Журналы изменений: отмечайте обновления на странице или в вашей системе контента, чтобы владельцы и рецензенты видели, что является актуальным.

Глоссарий RAG для маркетологов

Вот термины, с которыми вы будете сталкиваться чаще всего, и их значение для вашей работы. Дополнительную ИИ-лексику см. в нашем глоссарии по искусственному интеллекту для маркетологов.

Retrieval-augmented generation (RAG): метод, который извлекает релевантную информацию из внешнего источника и передает ее языковой модели перед генерацией ответа. Маркетинговое значение: ваш контент может стать таким источником.

Chunking (фрагментация): разбиение документов на небольшие отрывки для хранения и поиска. Маркетинговое значение: каждый раздел вашей страницы может оцениваться отдельно, поэтому делайте разделы самодостаточными.

Embeddings (эмбеддинги): числовые представления текста, отражающие его смысл, что позволяет системам сопоставлять связанные идеи, даже если формулировки различаются. Маркетинговое значение: использование единообразной терминологии облегчает сопоставление.

Векторная база данных: база данных, которая хранит эмбеддинги и быстро находит наиболее похожие из них. Маркетинговое значение: именно здесь в системе RAG обычно хранится подготовленный контент.

Augmentation (дополнение): добавление извлеченного материала в промпт модели, чтобы у нее был контекст для ответа.

Citations (цитирование): ссылки, указывающие на источники, на которых основан ответ. Маркетинговое значение: цитирование — это способ, с помощью которого бренды получают признание и трафик от ответов ИИ, хотя не каждая система их предоставляет.

Hallucinations (галлюцинации): ложная или вымышленная информация, сгенерированная ИИ-моделью. Маркетинговое значение: точный исходный контент снижает риск, а проверка позволяет выявить оставшиеся ошибки.

База знаний: коллекция документов, из которых система RAG извлекает информацию. Маркетинговое значение: поддержание базы знаний — это в такой же степени задача контент-менеджмента, как и техническая работа.

Контекстное окно: объем текста, который модель может учитывать одновременно. Маркетинговое значение: помещается лишь ограниченный объем извлеченного материала, поэтому приоритет отдается наиболее релевантным фрагментам.

Что означает RAG для вашей стратегии AEO?

Понимание того, как работает RAG в ИИ, сводится к четырем практическим действиям:

Излагайте факты четко. Размещайте определения, технические характеристики и утверждения в виде прямых, полных предложений в начале каждого раздела.
Поддерживайте единый источник истины. Выберите каноническую страницу для каждой темы и следите за тем, чтобы связанные с ней страницы соответствовали ей.
Поддерживайте информацию актуальной и пригодной для цитирования. Обновляйте контент по графику, указывайте даты и ссылайтесь на достоверные источники для подтверждения собственных утверждений.
Согласуйте владельцев контента и процессов управления. Маркетинг, продукт, поддержка и юридический отдел — каждый из них владеет частью общей картины, и кто-то должен координировать, кто и что обновляет.

Ничто из этого не гарантирует, что поисковая система будет извлекать или цитировать ваш контент. Это лишь делает ваш контент более удобным для работы и помогает поддерживать точность фактов о вашем бренде везде, где они используются.

Как HubSpot AEO может помочь без лишнего жаргона

Как только ваш контент приведен в порядок, возникает вопрос о том, как ваш бренд представлен в ответах ИИ сегодня. HubSpot AEO показывает маркетологам, как их бренд отображается в ответах, сгенерированных ИИ, и какие источники влияют на видимость. Он также предоставляет анализ цитирования и приоритетные рекомендации, которые помогают маркетологам решить, что улучшить в первую очередь.

Рассматривайте это как способ мониторинга видимости в ИИ, проверки источников ответов и выбора приоритетных действий. Сам по себе этот инструмент не делает контент готовым к RAG и не может гарантировать извлечение или цитирование. Работа с контентом, описанная выше, по-прежнему стоит на первом месте.

Хотите узнать, какое место занимает ваш бренд в ответах ИИ? Изучите State of AEO.

Часто задаваемые вопросы о RAG в ИИ

Нужно ли мне менять CMS для поддержки RAG?

Обычно нет. Системы RAG извлекают информацию из контента, который вы уже опубликовали или сохранили, поэтому большинству команд не нужна новая CMS. Полезными будут четкая структура, точные метаданные и текст, доступный для машинного чтения. Если ваша CMS затрудняет управление этими элементами, например, блокируя контент внутри изображений или PDF-файлов, именно это и нужно исправить.

Чем RAG отличается от традиционного SEO?

Традиционное SEO фокусируется на получении высоких позиций в списке результатов поиска. RAG — это метод, который системы ИИ используют для извлечения отрывков и формирования ответов на их основе. Эти практики пересекаются, поскольку четкая структура и достоверный контент помогают и там, и там, но цели различаются: SEO стремится получить клики за счет ранжирования, а AEO стремится занять место в самом ответе.

Как узнать, цитируют ли ИИ-ассистенты мой контент?

Вы можете провести тестирование: задавайте ИИ-ассистентам вопросы, проверяйте их ответы и смотрите, на какие источники они ссылаются. Поскольку ответы зависят от платформы и меняются со временем, разовая проверка дает ограниченную информацию. Специализированный инструмент, такой как HubSpot AEO, может отслеживать, как ваш бренд представлен в ответах и какие источники их формируют. Перед использованием проверьте доступность текущего плана и объем функций.

Когда стоит рассмотреть дообучение (fine-tuning) вместо RAG?

Рассматривайте дообучение, когда вам нужно изменить поведение, тон или производительность модели при выполнении специализированной задачи, а ваша информация меняется нечасто. Если ваш приоритет — актуальные факты и ответы, подкрепленные источниками, RAG обычно подходит лучше. Многие команды используют оба метода.

С чего начать?

Проведите аудит своих самых важных страниц. Выберите десять тем, которые наиболее важны для вашего бизнеса, найдите страницу, которая должна отвечать на каждую из них, и проверьте, четко ли сформулирован ответ, используется ли единообразная терминология и указана ли актуальная дата. Исправьте их в первую очередь, а затем назначьте ответственного и график проверки для каждой страницы.