# RAG пояснила: Походження та основи

Я ніколи не шукав " інструкції з розгортання " і нічого не отримавMSC2 навіть якщо там єM SK3 стаття про МSK4 видаwanie до виробництва"? РАГ МSK6 ПерешуканняMСК7 Поширене генерування МСК8 вирішує це, зрозумівши значенняМСК9 не тільки ключові слова М СК10 Ця серія показує вам, як виникла РАГ МСК11 як він працює під капюшоном MСК12 і як побудувати системи виробництваМ СЦК13 Від семантичного пошуку до штучного інтелектуM СЦK14 наділений Q МШК15 А з цитатами МСП16 все з працюючою Ц МСС17 приклади коду ММСК18

<datetime class="hidden">2025-11-22T09:00</datetime>

<!-- category -- AI, RAG, Machine Learning, Semantic Search, LLM, AI-Article -->
# Введение

**Навігація серії 📖** Це частина 1 РАG (RetrievalM SK2Augmented Generation

- **Частина 1: Походження та основи RAG** ( цей artykułM SK1 - Що таке вбудовані матеріали, чому вони важливі
- [Частина 2: Архітектура та інтер 'єри РАГ](/blog/rag-architecture) - чорнилуванняМSK1 маркуванняM SK2 векторні бази даних
- [Частина 3: RAG в практиці](/blog/rag-practical-applications) - Збудувати повноцінні системи RAG
- [Частина 4aM SK1 ONNX & Гарантійне вdrożenie](/blog/semantic-search-with-onnx-and-qdrant) - Процесор - приємна база семантичного пошуку
- [Частина 4bM SK1 Семантичний пошук в дії](/blog/semantic-search-in-action) - Typeahead , гібридні пошукові системи, і інтерфейси
- [Частина 5: Гібридне пошук МSK1 АвтоM SK2 Індексування](/blog/rag-hybrid-search-and-indexing) - Моделі інтеграції виробництва
- [Частина 6: GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) - Графи знань для корису -зрозуміння рівня

RAG (RetrievalM SK1Augmented Generation) був розроблений, щоб зробити штучний інтелект розумнішим — даючи ЛЛМ доступ до інформації, яку вони не мали МSK4 не були навчені на МSK5 Але ось що в МSK6 що в ' цікаво М SK8 технологія відкриває можливості далеко за межами штучного чатбота M SK9 вона дає силу семантичним пошукам на веб-сайтах

**Двойна природа:** RAG може допомогти клієнтам: ( кращий пошук; , точні відповіді з цитатами; МSK2 або використовувати їх; МSK3 маніпулятивні поради; M SK4 пам 'ятування негативних відгуків;, поширення рекламного контенту; ). Різниця полягає в тому, що МSK7 – це не технологія, а МSK8 – це наміри; МСК9 – намірі; МSК10 – семантичний пошук, який допомагає користувачам знайти те, чого вони насправді потребують; ММСК11 – чудовий; MМСК12 – один із тих, що надає перевагу тому, чим ти заробляєш найбільше грошей, тоді як виглядаєш допомігним.

**Ось правда про РАГ** Це звучить загрозливо. Вektorні вбудовані модуліM SK1 Моделі трансформаторів ? Квітальні хаїси МSK3 Але, як і все інше у програмному забезпечення, МSK4 це МSK5 лише про те, щоб зрозуміти, як він працює МСК6 Вам не потрібно М СК7 знати математику, яка стоїть за архітектурою трансформатора, більше, ніж вам потрібно розуміти конструкцію для написання C M СК8

**РАГ в трьох кроках:**

1. Перетворити текст на цифри (введенняM SK1
2. Найти подібні числа ( пошук вектораM SK1
3. Використовуйте те, що ви знайшли: (отображайте результати або перейдете до LLM

Це МСК0 , а це МСК1 . Решта - деталі розробки.

Ця серія показує, як побудувати RAG-системи, які працюють за допомогою коду C# . Без ручного обертання МSK2 Без припущень

**Що ви зрозумієте в цій серії?**

- **Частина 1 МSK1 цей artykułM SK2**: Як виникла РАG і чому вона важлива
- **Частина 2**: Полна технічна архітектура і інтерфейси LLM
- **Частина 3**: Побудувати реальні системи з прикладами коду

Пізніше я покажу вам, як побудувати цілу систему RAG, включно з

- [CPU-зручний семантичний пошук з вбудовами ONNX](/blog/semantic-search-with-onnx-and-qdrant) ( Частка МSK1
- [セルбні-сервісовані векторні бази з Qdrant](/blog/semantic-search-with-onnx-and-qdrant) ( Частка МSK1
- [Гібридний пошук і автоматичний індексування](/blog/rag-hybrid-search-and-indexing) ( Частка МSK1

[TOC]

# Що таке RAG?

**Видобуток-Augmented GenerationM SK1** Найти важливу інформацію, потім використати їїM SK1

```mermaid
flowchart LR
    A[User Question] --> B[Retrieve Relevant Info]
    B --> C[Retrieved Documents/Context]
    C --> D[Generate Response]
    A --> D
    D --> E[Grounded, Accurate Answer]

    style B stroke:#f9f,stroke-width:2px
    style D stroke:#bbf,stroke-width:2px
```

**Без РАG:** Пользователь запитує: → LLM припускає з пам 'яті, що → може галюцинувати

**З РАГ:** Пользователь запитує: → Найти необхідні Docs → LLM відповіді, використовуючи ті Docs

```csharp
// Without RAG: Hope the LLM knows
var answer = await llm.GenerateAsync("How do I deploy Docker?");
// Risk: Might make up outdated or wrong steps

// With RAG: Give it the docs
var relevantDocs = await vectorSearch.FindSimilar("How do I deploy Docker?");
var context = string.Join("\n", relevantDocs.Select(d => d.Text));
var answer = await llm.GenerateAsync($"Context: {context}\n\nQuestion: How do I deploy Docker?");
// Result: Answer based on YOUR actual Docker deployment docs
```

**Ключеві ідеї:** Розмежне зберігання знань ( пошук ) від обґрунтування

# Звідки взялася РАГ

RAG базується на десятиліттях пошуку та дослідження NLP. Розуміння цієї історії допоможе вам зрозуміти, чому RAG розроблений так, як він є

## Традиційне пошук (pre-2010sM SK2

**Keyword-на основі пошукуM SK1**

- **TF-IDF**: Частота тривалості МSK1 частота зворотнього документу МSK2 звичайні слова менш важливі
- **BM25**: Ймовірний рейтинг - досі базовий для пошуку ключевих слів
- **Невизначено співпадіння**:
  - **Звуковий матеріал**: Телефонічний алгоритм ("SmithM SK2 співпадає МSK3Smythe")
  - **Дистанція Левенштейна**: Управляємо відстані МSK1багато вставокМСК2удаленняMСК3замінкиМ СК4
  - **N-Grams**: KarakterM SK1 послідовності слів для часткового співпадіння

**Проблема:** Вони співпадають *символи*, не *значення*. Поиск " Оркестрування контейнерів МSK2 і ви виграєте МSK3 не знайдете мSK4 Докер-шварт мSK5 допоки ці слова не з 'являться . Вони могли виконувати типи, але не семантику

## Відповідь на раннє запитання (2010sM SK1

**Watson (IBMM SK1 2011):**

- Об 'єднання пошуку з розрахунками на основі правил-
- Вииграв Jeopardy! але потребував величезної рукиM SK1 штучного знання
- І все ще сильно залежать від співпадіння ключевих слів

**Моделі розуміння читання:**

- Можна було отримати відповіді з запропонованих уривок
- Але спочатку треба було дати їм правильний шлях.
- Жоден семантичний пошук, щоб знайти цей абзац

## Революція глибокого навчання (2017+)

**Перетворники (2017):** "[Увага - це все, що вам потрібно](https://arxiv.org/abs/1706.03762)"

- Нейронні мережі, які можуть розуміти контекст
- Основа для всього, що сталося після

**БЕРТ (2018):**

- Контекстове розуміння мови
- МСК0БанкМSK1 означає різні речі в "біжній банкуМСК3 проти МСК4заощадженьному банкуMСК5
- Можна створити вбудовані додатки, які захоплюють значення

**ГПЗМSK0 (2019/2020):**

- Великі мовні моделі, які могли б генерувати послідовний текст
- але лише на їх тренувальних даних
- Проблеми галюцинацій виникли

**Широкі вектори:**

- Текст → значні числа у просторі високого розміру
- Схожі значення векторів поблизу →
- Це зробило можливим семантичний пошук

**БART МSK0Facebook AI, Октябрь M SK2**

- Двохсторонній та автоматичний-Регресивний трансформатор Майка Льюїса та іншихM SK1
- Поєднання кодувальника BERT- з декодером GPTM SK1
- Зруйнування автоенкодера, навчаного псованим текстом, а потім реконструюючи його
- Чудово для генерації тексту та задач зрозумів
- Стало основою РАГ

**ММSK0M-100 M SK2Facebook AI, Октябрь 2020):**

- Перше багато-на-багато мультимовних моделей перекладу
- Прямий переклад між мовами 100 без англійського повороту
- 2,200 мовні напрямки (10x більше, ніж попередні моделі
- Показані трансформатори могли виконувати величезні міжланкові-задачі

**Реальний-приклад світуM SK1** Моя [інструмент для перекладу нейронних машин](https://github.com/scottgal/mostlyucid-nmt) використовує BART як модель зворотнього перетворення, коли первинні послуги недоступні.

## Народіння сучасного РАГ (Май МSK1

Початковий документ "[Видобуток МСК0 Поширене генерування знань МSK1Мовні завдання НЛП](https://arxiv.org/abs/2005.11401)" від Патріка Льюїса та інших МSK1 МSK2Facebook AI Research ) офіційно запровадило RAG

**Що вони об 'єднали:**

- Дослідження щільного проходу (DPR) - представлення вектора, вивченеM SK3 не ключові слова
- Генератор БАРТ - модель МSK1 seq з МSK2
- Закінчити-на-завершити розмежовлювану архітектуру M SK2 віднайти і генерувати разом

**Результати:** Системи RAG випереджували значно більші моделі з знаннями.

## Чому RAG вибухнув?

ChatGPT, GPT -4, і Клод зробив RAG невід 'ємним

1. **Проблема галюцинацій** - Лідери LLM впевнені в тому, що вони вигадують факти
2. **Вирізання знань** - Літактори, навчені на даних МSK1 не знають МSK2 не знає про 2024 події
3. **Prywatні дані** - LLMs can't access your company ' internal docs МSK3 RAG can
4. **Ціна** - Гарний МSK1Налагодження LLM дорого коштує ($10KM SK3K++). RAG дешево МSK5збереження
5. **Пояснення** - РАG може цитувати джерела , роблячи їх доступними для перевірки та надійними МSK2

**Сьогодні (2024-2025):** RAG - це де-факто стандарт для систем виробництва штучного інтелекту, які потребують точності та перевірливості.

# Як працює РАГ: Велика картина

Перед тим, як зануритися у технічні деталі (, яку ми МSK1 опишемо в частині МSK2, дайте ' зрозуміти високий ХМSK4 рівень робочого потоку ГМSK5

## Три етапи

Системи RAG працюють в трьох різних етапах:

### Фаза 1: Індексування МSK1 Один -Встановлення часу МSK3

```mermaid
flowchart LR
    A[Your Documents] --> B[Split into Chunks]
    B --> C[Generate Embeddings]
    C --> D[Store in Vector DB]

    style C stroke:#f9f,stroke-width:2px
    style D stroke:#bbf,stroke-width:2px
```

**Що відбувається?**

1. Візьміть свою базу знань.
2. Розподілити на обробляемые шматочки (пунктиM SK1 розділиМSK2
3. Перетворити кожен шматок на векторне введення ( сукупність чиселM SK1
4. Поміщайте вектори в базі даних, оптимізовані для пошуку схожості

**Ключева концепція:** Схожі значення створюють схожі вектори, так, що "Докерний контейнерM SK2 і МSK3платформа для контейнерівМSK4 закінчуються тісно разом у векторному просторі.

### Фаза 2: Діагностика МSK1 Кожне запитання МSK2

```mermaid
flowchart LR
    A[User Question] --> B[Generate Query Embedding]
    B --> C[Search Vector DB]
    C --> D[Top K Most Similar Chunks]

    style B stroke:#f9f,stroke-width:2px
    style C stroke:#bbf,stroke-width:2px
```

**Що відбувається?**

1. Пользователь задає питання
2. Перетворити питання на вектор (саму модель, яку використали для індексуванняM SK1
3. Найти найбільш схожі вектори в базі даних
4. Поверніть верхню частину K найбільш відповідних шматків (звичайно 3-10)

**Чому це працює:** " Як я розміщую контейнери ?" МSK2 питання МSK3 семантично подібне до фрагментів про розміщение Докера M SK4 навіть якщо різні слова

### Фаза 3: генерація МSK1 Кожне запитання МSK2

```mermaid
flowchart TB
    A[User Question] --> B[Build Prompt]
    C[Retrieved Context] --> B
    B --> D[LLM]
    D --> E[Generated Answer with Citations]

    style B stroke:#f9f,stroke-width:2px
    style D stroke:#bbf,stroke-width:2px
```

**Що відбувається?**

1. Розгляньмо питання користувача'
2. Візьміть отримані фрагменти контексту
3. Створити про prompt
4. Посилати на LLM для генерації
5. LLM дає відповідь, засновану на заданому контексті

**Магія:** ЛЛМ може галюцинувати факти, які не є в контексті. Він може тільки синтезувати та пояснити, що йому дано.

## Простий приклад

Дозвольте' відслідковувати пошук через системуM SK1

**Пользователь запитує:** "Як я користуюсь Docker Compose

**Шаг 1 МSK1 ПерейняттяM SK2**

```
Query embedding: [0.234, -0.891, 0.567, ...]

Search vector DB for similar embeddings...

Retrieved chunks:
1. "Docker Compose is a tool for defining multi-container applications..." (similarity: 0.92)
2. "To use Docker Compose, create a docker-compose.yml file..." (similarity: 0.87)
3. "The docker-compose up command starts all services..." (similarity: 0.83)
```

**Шаг 2 МSK1 генераціяM SK2**

```
Prompt to LLM:
"Context:
[1] Docker Compose is a tool for defining multi-container applications...
[2] To use Docker Compose, create a docker-compose.yml file...
[3] The docker-compose up command starts all services...

Question: How do I use Docker Compose?

Answer (use the context above):"

LLM Response:
"To use Docker Compose [1], start by creating a docker-compose.yml file [2] that
defines your services. Then run 'docker-compose up' to start all services [3]..."
```

**Результат:** Справжня відповідь з прихованими цитатами з вашої документації.

# RAG проти. Інші підходи

Для того, щоб зрозуміти, коли використовувати RAG ( і коли не ), потрібно порівняти його з альтернативамиM SK2

## РАГ протиМSK0 Фині-Tuning

| Концепція МSK1 РАГ МSK2 Чудово - Налаштування မ်SK4
|--------|-----|-------------|
| **Обновлення знань** | Незабаром МSK1just update the knowledge baseM SK2 МSK3 Requires retraining |
| **Ціна** | Трохи нижчий МSK1 зберігання МSK2 вбудова ) мSK4 високий мSK5 час тренування ГПЗ
| **Точность** | Побудована на джерелах МSK1 Може галюцинувати МSK2
| **Налагодження** | Ограничений на пошук | Глубока адаптація до моделі МSK2
| **Пояснення** | високий МSK1можливо знайти джерелаM SK2 МSK3 нижчий (чорний ящик) ≥|
| **Найкраще для** | ЗнанняM SK1 інтенсивні завдання | Стиль/ адаптація формату МSK4

**Коли використовувати Fine-Tuning:**

- Вам потрібна модель, щоб вивчити конкретний **стиль** або **формат**
- У вас великий, чистий набор даних
- Вам потрібна модель для інтерфейсу **візерунки**, не факти
- До прикладу: Змушувати GPT писати як Шекспір

**Коли використовувати RAG:**

- Вам потрібно **точность фактів** з цитатами
- Ваша база знань часто змінюється
- У вас є приватні дані/
- Ціна та простота
- Наприклад: Customer support chatbot M SK1my company's docs change weekly )

**Чи можна об 'єднати обидві?** Так! ЧудовоM SK1 золота для стилю , РАG для фактів .

## RAG проти. Довгий контекст Windows

Нові LLM мають величезні контекстні вікна.

**Проблеми з довгими контекстами:**

1. **Ціна**: Цінні шкалки з токенами МSK1 МSK2 за запит швидко зростає
2. **Тривалість**: Обробка МSK1K टोकенів займає багато часу
3. **Втрачений всередині**: Літературні літературники борються за використання інформації серед довгих контекстів
4. **Розтягування**: Полезна інформація захоронена в шумі
5. **Практичні обмеження**: Ви можете ' не помістити Docs в контексті всієї компанії

**Коли довгий контекст має сенс:**

- Один великий документ (eM SK1g., для аналізу контракту
- Все важливе. (не обов 'язково відфільтруватиM SK1
- Ціна не є проблемою
- Нижчий обсяг запиту

**Коли RAG має сенс:**

- Велика база знань (мільйони документівM SK1
- Потрібно знайти відповідний підбір
- високий об 'єм запитів (цінні питанняM SK1
- Реальний-tydові aktualiзації знань

**Найкращі практики:** Використовуйте RAG, щоб вибрати найсучасніший зміст, тоді використайте довгий контекст для цього підмноження.

## RAG vs. Пропонування з прикладами

Небагато-заказів стрічки МSK1показуючи приклади в заказіM SK2 це проста база

**Наприклад, про prompt:**

```
Examples:
Q: What is Docker?
A: Docker is a containerization platform...

Q: How does Kubernetes work?
A: Kubernetes orchestrates containers...

Q: What is my new question?
A: [LLM generates answer]
```

**Ограничення:**

- Ограничений на те, що вписується у контекстний вікно
- Ручна реакція на приклади
- Не масштабується до великих баз знань
- Без семантичного пошуку - ви вручну обираєте приклади

**покращення RAG:**

- Автоматично знаходить найкращі приклади (за допомогою пошуку подібностіM SK1
- Скала до необмежених прикладів (вгорі лише K надсилається на LLM)
- Пристосовується до запиту (різноманітні питання отримують різні прикладиM SK1

Ви можете подумати про RAG як "небагато автоматизованихM SK1показування на шкалі."

## Гібридний пошук: RAG M SK1 Традиційний пошук

Ви можете об 'єднати RAG з традиційним пошуком повного-тексту, використовуючи Reciprocal Rank Fusion M SK1RRF).

**Чому гібрид?**

- **Семантичний пошук**: Чудово для концептуальних комбінацій ("гортання помилками МSK2 знаходки МSK3безперервний менеджмент
- **Поиск по ключевым словам**: Чудово для точного визначення термінів.
- **Гібрид**: Найкраще з обох світів

```csharp
public async Task<List<SearchResult>> HybridSearchAsync(string query)
{
    // Run both searches in parallel
    var semanticTask = SemanticSearchAsync(query, limit: 20);
    var keywordTask = KeywordSearchAsync(query, limit: 20);

    await Task.WhenAll(semanticTask, keywordTask);

    var semanticResults = await semanticTask;
    var keywordResults = await keywordTask;

    // Combine using Reciprocal Rank Fusion
    return ApplyRRF(semanticResults, keywordResults);
}

private List<SearchResult> ApplyRRF(
    List<SearchResult> list1,
    List<SearchResult> list2,
    int k = 60)
{
    var scores = new Dictionary<string, double>();

    // Score from first list
    for (int i = 0; i < list1.Count; i++)
    {
        var id = list1[i].Id;
        scores[id] = scores.GetValueOrDefault(id, 0) + 1.0 / (k + i + 1);
    }

    // Score from second list
    for (int i = 0; i < list2.Count; i++)
    {
        var id = list2[i].Id;
        scores[id] = scores.GetValueOrDefault(id, 0) + 1.0 / (k + i + 1);
    }

    // Merge and sort by combined score
    var allResults = list1.Concat(list2)
        .GroupBy(r => r.Id)
        .Select(g => g.First())
        .OrderByDescending(r => scores[r.Id])
        .ToList();

    return allResults;
}
```

# Чому RAG має значення

Тепер, коли ви розумієте, що таке РАГ, то знаєте, звідки він взявся і як він порівнює з альтернативами. Тут ми знаємо:

**1. Democratізація штучного інтелекту**

- Ви не потребуєте штрафу
- Вам не потрібна команда інженерів ML
- Будь-який програміст може створювати RAG-системи за допомогою існуючих інструментів

**2. Практична точность**

- Галюцинація - це проблема #1 з ЛЛМ у процесі виробництва
- RAG вирішує проблему шляхом базування відповідей на реальних документах
- Цитації роблять його перевірливим і надійним

**3. Знову вгорі- доM SK2Дата**

- Традиционний штучний інтелект
- RAG: Обновляйте свої документи, вчасно допоміщаєте знання
- Критичний для швидкого-переміщення доменів МSK1технологіїM SK2 новини, нормативні акти МSK4

**4. Prywatність та контроль**

- Ваші дані залишаються у вашій інфраструктурі
- Можуть працювати виключно локально (local embeddings + local LLM МSK2 local vector DB)
- Ніяких даних не надсилають OpenAI чи іншим провайдерам хмар

**5. KosztM SK1Effective**

- Утримка дешева ( копійки за ГБ МSK1
- Вбудова дешева (на відсоток цента на МSK1документиM SK2
- Набагато дешевше, ніж fine-tunening або довгі контекстні вікна

**6. Розмаїтні додатки**

- Семантичний пошук (непотрібний LLM!)
- Q&A системи з цитатами
- Рекомендація щодо змісту
- Письменні асистенти
- Керування знаннями
- Справці з документацією
- Допомічники

# Завершення: Від історії до втілення

Ми відслідковували еволюцію RAG, ' і :

- **До-2010s**: Поиск по ключевым словам
- **2010s**: Розуміння читати
- **2017-2020**: Перетворювачі та вбудовані модулі
- **2020**: Современный RAG МSK1 відрізати МSK2 генерувати )
- **2023-Назад**МSK0 Стандарт виробництва ( галюцинації МSK2 вартість + конфіденциальність

**Найголовніша інформація з частини 1:**

- RAG відокремлює **зберігання знань** (вektor DBM SK1 від **усвідомлення** МSK0LLM)
- Він вирішує проблему галюцинацій, базуючи відповіді на реальних документах.
- Це дешевше і гнучкіше, ніж звичайне
- Він працює краще, ніж довгий контекст для великих баз знань
- МSK0 - це, по суті, МSK1 - автоматизовані кілька кадрів

**Три кроки - модель розуму**

1. Перетворити текст на цифри (введенняM SK1
2. Найти подібні числа ( пошук вектораM SK1
3. Використовуйте те, що ви знайшли. (отображайте або додайте до LLM

Все інше - оптимізація.

# Пройти до частини 2: Архітектура та інтер 'єри

Тепер ви розумієте, **що** RAG це, **чому** це важливо, і **де** це прийшло з. Але як це насправді працює під капюшономM SK1

В **[Частина 2: Архітектура та інтер 'єри РАГ](/blog/rag-architecture)**, ми занурюємось у деталі

**Повний трубопровод РАГ:**

- Фаза 1: Індексування МSK1 видобуток тексту МSK2 стратегії відокремлення , генерація вміщування \ , векторне зберігання \ МSK5 \
- Фаза 2: Діагностика МSK1 вбудова запиту МSK2 вимірювання подібності , переоцінка
- Фаза 3: генерація МSK1повільна конструкція МSK2 Параметри ЛЛМ , пост-- обробка

**Внутрішні LLM:**

- Що таке टोकони і чому вони важливі для РАG
- KV-каш: Як LLM запам 'ятовує контекст
- Контекстові вікна та стратегії управління токенами
- Оптимізація RAG для ефективності та вартості символів

**Технічні глибокі занурення:**

- Вektorні бази даних та алгоритми пошуку схожості
- Втілення моделей та нормування
- Strategiи, що зберігають контекст
- Практичні приклади коду в C#

**[Далі переходимо до частини 2: Архітектура та інтер 'єри →](/blog/rag-architecture)**

Після частинки 2, ви ' будете готові до частини МSK2, де ми будуємо реальні системи МSK3 розв 'язуємо звичайні проблеми \ , і досліджуємо передові технології, такі як HyDE \ МSK5 \ multi \- \ query RAG

## Ресурс

**Фундаментальні матеріали:**

- [Видобуток МСК0 Поширене генерування знань МSK1Мовні завдання НЛП](https://arxiv.org/abs/2005.11401) - Оригинальний RAG папір
- [Дослідження щільного проходу для Open-Домена Відповідь на запитання](https://arxiv.org/abs/2004.04906) МSK0 DPR (Основи відтворенняM SK2
- [Увага - це все, що вам потрібно](https://arxiv.org/abs/1706.03762) - Перетворники МSK1введення фундаментуM SK2

**Дальне читання:**

- [Як працює нейронний машинний переклад](/blog/how-neural-machine-translation-works) - Усвідомлення моделей штучного інтелекту, що лежать за вбудовами

**Далі в цій серії:**

- [Частина 2: Архітектура та інтер 'єри РАГ](/blog/rag-architecture) - технічне глибоке занурення
- [Частина 3: RAG в практиці](/blog/rag-practical-applications) - Збудувати реальні системи

**[Пройти до частини 2 МSK1](/blog/rag-architecture)**