RAG: co to jest i jak działa chatbot na wiedzy firmy

RAG (Retrieval-Augmented Generation) to technika, w której model AI przed odpowiedzią wyszukuje fragmenty w bazie wiedzy firmy i odpowiada na ich podstawie. Dzięki temu chatbot na stronie podaje informacje zgodne z Twoją ofertą, a wiedzę aktualizujesz, podmieniając dokumenty zamiast trenować model.

Zespół AI Agent HUBOpublikowano 8 min czytaniaDyskusja

Spis treści

Chatbot oparty wyłącznie na modelu językowym dobrze pisze, ale nie zna Twojego cennika, regulaminu zwrotów ani procedur. RAG to sposób, żeby dać mu tę wiedzę bez trenowania własnego modelu. Poniżej wyjaśniamy, jak działa, kiedy ma sens i jak przygotować do niego dokumenty.

W skrócie: RAG (Retrieval-Augmented Generation) to technika, w której AI przed udzieleniem odpowiedzi wyszukuje pasujące fragmenty w bazie wiedzy firmy i odpowiada na ich podstawie. Dzięki temu chatbot na stronie podaje informacje zgodne z Twoją ofertą, a wiedzę aktualizujesz, podmieniając dokumenty, a nie trenując model od nowa. O jakości odpowiedzi decydują przede wszystkim jakość i aktualność dokumentów.

RAG w AI – co to jest?

RAG, czyli Retrieval-Augmented Generation (po polsku: generowanie wspomagane wyszukiwaniem), to technika łącząca model językowy z zewnętrzną bazą wiedzy. Zanim model odpowie, system wyszukuje w tej bazie fragmenty związane z pytaniem i dołącza je do polecenia. Model formułuje odpowiedź na podstawie dostarczonych fragmentów, a nie tylko tego, czego nauczył się podczas treningu.

Nazwę spopularyzowała praca „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” zespołu Patricka Lewisa, opublikowana w 2020 r. i przyjęta na konferencję NeurIPS 2020. Autorzy połączyli model generujący tekst z wyszukiwarką przeszukującą wektorowy indeks Wikipedii. W firmie zamiast Wikipedii jest Twoja dokumentacja: oferta, FAQ, regulaminy i procedury.

Najważniejsza różnica: RAG nie zmienia samego modelu. Zmienia to, co model dostaje na wejściu. Obok pytania klienta trafiają do niego wybrane fragmenty Twoich dokumentów i instrukcja, żeby odpowiadał na ich podstawie.

Jak działa RAG krok po kroku?

RAG działa w dwóch etapach: najpierw przygotowujesz bazę wiedzy (indeksowanie), a potem przy każdym pytaniu system wyszukuje w niej pasujące fragmenty i przekazuje je modelowi (odpowiadanie). Tak samo opisuje to dokumentacja n8n: jeden workflow wgrywa dokumenty do bazy wektorowej, a drugi korzysta z niej, odpowiadając na pytania.

Etap 1 – przygotowanie bazy wiedzy:

  1. Zbierasz źródła: ofertę, cennik, regulaminy, FAQ, opisy produktów, procedury.
  2. Dzielisz dokumenty na mniejsze fragmenty (ang. chunking).
  3. Model embeddingowy zamienia każdy fragment na wektor, czyli ciąg liczb opisujący jego znaczenie.
  4. Wektory razem z treścią fragmentów i metadanymi (źródło, data, kategoria) zapisujesz w bazie wektorowej.

Etap 2 – odpowiadanie na pytanie:

  1. Klient zadaje pytanie w oknie czatu.
  2. Pytanie jest zamieniane na wektor tym samym modelem embeddingowym.
  3. Baza wektorowa zwraca kilka fragmentów najbliższych znaczeniowo.
  4. Model językowy dostaje pytanie, znalezione fragmenty i instrukcję, by odpowiadał tylko na ich podstawie.
  5. Odpowiedź wraca do klienta, najlepiej ze wskazaniem dokumentu, z którego pochodzi.

Embedding i baza wektorowa – co to?

Embedding to liczbowa reprezentacja tekstu w postaci wektora, którą tworzy model embeddingowy. Baza wektorowa (vector store) to baza danych przeznaczona do przechowywania i przeszukiwania takich wektorów. Wyszukiwanie odbywa się po podobieństwie znaczenia, a nie po identycznych słowach, więc pytanie „ile idzie paczka?” może trafić na fragment zatytułowany „Czas dostawy”, mimo że nie ma w nim słowa „paczka”.

RAG, fine-tuning czy zwykły chatbot – czym się różnią?

Chatbot z RAG różni się od zwykłego chatbota AI tym, że odpowiada na podstawie dokumentów firmy, a od fine-tuningu tym, że nie zmienia samego modelu. Fine-tuning, czyli dotrenowanie modelu na własnych przykładach, zmienia sposób odpowiadania, ale każda zmiana wiedzy wymaga ponownego dotrenowania. W RAG wystarczy podmienić dokument w bazie.

CechaZwykły chatbot AIChatbot z RAGFine-tuning
Skąd bierze wiedzęZ treningu modeluZ treningu modelu i z Twojej bazy wiedzyZ treningu modelu i Twoich przykładów treningowych
Zna dokumenty firmyNieTak, te wgrane do bazyTylko to, czego nauczył się z przykładów
Aktualizacja wiedzyNiemożliwa bez zmiany modeluPodmiana lub dodanie dokumentuPonowne dotrenowanie
Może wskazać źródło odpowiedziNieTak, jeśli zapisujesz metadaneNie
Typowe zastosowanieOgólne pytania, pisanie tekstówObsługa klienta, baza wiedzy, pomoc wewnętrznaStały styl lub format odpowiedzi

Chatbot AI na stronę internetową – gdzie RAG się sprawdza?

Chatbot RAG sprawdza się tam, gdzie klienci zadają powtarzalne pytania, a odpowiedzi są już zapisane w dokumentach firmy. Zamiast odpisywać ręcznie na te same wiadomości, zespół raz przygotowuje bazę wiedzy, a chatbot odpowiada z niej o każdej porze. Typowe przykłady:

  • sklep internetowy – dostawa, zwroty, dobór produktu, warunki gwarancji;
  • firma usługowa – zakres usług, przygotowanie do wizyty, często zadawane pytania;
  • firma B2B – specyfikacje, warunki współpracy, dokumentacja techniczna;
  • pomoc wewnętrzna – procedury i instrukcje dla pracowników.

RAG gorzej radzi sobie z danymi, które zmieniają się co chwilę, jak stany magazynowe czy status zamówienia. Takie informacje lepiej pobierać na bieżąco z systemu przez API, a to już zadanie dla agenta AI, który oprócz bazy wiedzy korzysta z narzędzi.

Jak przygotować bazę wiedzy dla chatbota RAG?

Bazę wiedzy przygotowujesz, wybierając aktualne dokumenty, porządkując je pod pytania klientów i dzieląc na fragmenty, które da się trafnie wyszukać. W RAG model odpowiada tylko tak dobrze, jak dobre są fragmenty, które dostanie, więc ten etap wymaga najwięcej uwagi.

  1. Wybierz dokumenty aktualne i jednoznaczne, a stare wersje usuń, żeby baza nie zawierała sprzecznych informacji.
  2. Pisz pod pytania klientów: nagłówki w formie pytań, jedna informacja w jednym akapicie.
  3. Dobierz wielkość fragmentów. Dokumentacja n8n wskazuje, że małe fragmenty (około 200–500 tokenów) sprzyjają precyzyjnemu wyszukiwaniu, a duże niosą więcej kontekstu, ale mogą zawierać szum. Zakładka między fragmentami pomaga zachować kontekst.
  4. Dodaj metadane: nazwę dokumentu, datę i kategorię, żeby chatbot mógł wskazać źródło.
  5. Używaj tego samego modelu embeddingowego przy wgrywaniu i wyszukiwaniu – tak zaleca dokumentacja n8n.
  6. Regularnie przeglądaj rozmowy i uzupełniaj bazę tam, gdzie chatbot nie znalazł odpowiedzi.

Jak poprawić trafność wyszukiwania?

Trafność wyszukiwania poprawia dodanie kontekstu do fragmentów i połączenie wyszukiwania wektorowego z wyszukiwaniem po słowach kluczowych. Anthropic opisał w 2024 r. technikę Contextual Retrieval, w której do każdego fragmentu przed indeksowaniem dopisuje się krótki opis jego miejsca w całym dokumencie. W testach opisanych przez Anthropic połączenie tej techniki z wyszukiwaniem BM25 zmniejszyło odsetek nieudanych wyszukiwań o 49%, a z dodatkowym rerankingiem o 67%.

Czy chatbot RAG może się mylić?

Tak, chatbot RAG może się mylić, choć opieranie odpowiedzi na dokumentach ogranicza ryzyko wymyślania informacji. Błąd pojawia się, gdy dokument jest nieaktualny, wyszukiwarka zwróci niewłaściwy fragment albo model źle go zinterpretuje. Dlatego warto zadbać o kilka zabezpieczeń:

  • instrukcję, by przy braku informacji w źródłach chatbot mówił, że nie wie, i podawał kontakt do zespołu;
  • wskazywanie dokumentu, z którego pochodzi odpowiedź;
  • możliwość przekazania rozmowy człowiekowi;
  • niewgrywanie do bazy danych, których klient nie powinien zobaczyć, bo wszystko, co jest w bazie, może trafić do odpowiedzi.

Pamiętaj też o przepisach. Od 2 sierpnia 2026 r. art. 50 ust. 1 AI Act wymaga, by systemy AI przeznaczone do bezpośredniej interakcji z ludźmi były projektowane tak, żeby rozmówca wiedział, że rozmawia z AI, chyba że jest to oczywiste. Szczegóły opisujemy w artykule AI Act w Polsce: obowiązki firm, terminy i kary.

Jak uruchomić chatbota RAG na stronie WordPress?

W AI Agent HUB chatbota na stronę uruchamiasz wtyczką AI Agent HUB PRO Chatbot dla WordPress, która wyświetla okno czatu i przesyła każdą wiadomość na wskazany webhook. Logika rozmowy, w tym wyszukiwanie w bazie wiedzy, działa w Twoim workflow w n8n, Make, Zapier albo we własnym API, a odpowiedź wraca do okna czatu.

  1. Pobierz wtyczkę (plik ZIP) z panelu AI Agent HUB.
  2. W WordPressie wybierz Wtyczki → Dodaj nową → Wyślij wtyczkę na serwer.
  3. Aktywuj wtyczkę.
  4. Wpisz klucz licencji wygenerowany w panelu.
  5. Podaj URL webhooka z n8n, Make lub Zapier.
  6. Dostosuj kolory, teksty i strony, na których pojawia się czat.

Samo wyszukiwanie w bazie wiedzy budujesz w workflow. n8n ma do tego węzły baz wektorowych, modeli embeddingowych i dzielenia tekstu na fragmenty. Wtyczka zapisuje logi konwersacji, więc widzisz, o co pytają klienci i gdzie brakuje odpowiedzi. Na tych samych workflow i tej samej bazie wiedzy możesz oprzeć voicebota AI do obsługi telefonów.

Chatbot jest dostępny w płatnych planach: Standard (597 zł/mies.) na 1 stronie, Premium (997 zł/mies.) na 10 stronach i VIP (1997 zł/mies.) bez limitu stron. W planie Free wtyczka nie jest dostępna.

Podsumowanie

RAG to technika, dzięki której chatbot odpowiada na podstawie dokumentów Twojej firmy, a nie tylko ogólnej wiedzy modelu. Działa w dwóch etapach: indeksowania dokumentów w bazie wektorowej i wyszukiwania pasujących fragmentów przy każdym pytaniu. Najwięcej zależy od jakości bazy wiedzy: aktualnych, uporządkowanych dokumentów podzielonych na sensowne fragmenty. Warto też zaplanować reakcję na brak odpowiedzi i informować rozmówcę, że rozmawia z AI. Jak taki chatbot działa na stronie WordPress, opisujemy na podstronie chatbot AI na wiedzy firmy (RAG).

Najczęstsze pytania

Co to jest RAG w AI?

RAG (Retrieval-Augmented Generation) to technika, w której model AI przed odpowiedzią wyszukuje pasujące fragmenty w zewnętrznej bazie wiedzy i formułuje odpowiedź na ich podstawie. Dzięki temu może korzystać z dokumentów firmy, których nie znał z treningu.

Jak jest RAG po polsku?

Retrieval-Augmented Generation tłumaczy się jako generowanie wspomagane wyszukiwaniem. W praktyce mówi się po prostu RAG albo chatbot na wiedzy firmy.

Czy RAG wymaga trenowania własnego modelu?

Nie. RAG korzysta z gotowego modelu językowego i dostarcza mu fragmenty Twoich dokumentów w poleceniu. Wiedzę zmieniasz, podmieniając dokumenty w bazie.

Czym chatbot RAG różni się od zwykłego chatbota AI?

Zwykły chatbot AI opiera się tylko na ogólnej wiedzy modelu językowego. Chatbot RAG najpierw wyszukuje informacje w bazie wiedzy Twojej firmy i na ich podstawie odpowiada, więc jego odpowiedzi są zgodne z Twoją ofertą.

Jakie dokumenty wgrać do bazy wiedzy chatbota?

Aktualne i jednoznaczne: ofertę, cennik, FAQ, regulaminy, opisy produktów i procedury. Nie wgrywaj danych, których klient nie powinien zobaczyć, bo wszystko z bazy może trafić do odpowiedzi.

Czy chatbot musi informować, że jest AI?

Od 2 sierpnia 2026 r. art. 50 ust. 1 AI Act wymaga, by systemy AI przeznaczone do bezpośredniej interakcji z ludźmi były projektowane tak, żeby rozmówca wiedział, że rozmawia z AI, chyba że jest to oczywiste.

W którym planie AI Agent HUB jest chatbot na stronę?

W płatnych planach: Standard (597 zł/mies.) na 1 stronie, Premium (997 zł/mies.) na 10 stronach i VIP (1997 zł/mies.) bez limitu stron. W planie Free wtyczka nie jest dostępna.

Źródła

  1. Lewis i in., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, NeurIPS 2020)
  2. Dokumentacja n8n: RAG in n8n
  3. Anthropic: Introducing Contextual Retrieval (19.09.2024)
  4. Rozporządzenie (UE) 2024/1689 (AI Act), art. 50 i art. 113 – EUR-Lex
  • #rag
  • #chatbot ai
  • #baza wiedzy
  • #chatbot na stronę
  • #n8n

Dyskusja

Komentarze wczytają się za chwilę.

  • Voiceboty i chatboty

    Integracja voicebota z CRM: jak to działa krok po kroku

    Integracja voicebota z CRM to automatyczne przekazywanie danych z rozmów telefonicznych do systemu sprzedaży. Po rozmowie voicebot wysyła dane leada przez webhook do CRM albo do platformy automatyzacji, np. n8n, która mapuje pola, sprawdza duplikaty i zapisuje kontakt. Handlowiec dostaje gotowy lead bez przepisywania notatek.

    7 min czytania

  • Voiceboty i chatboty

    Voxiora: co to jest, jak działa i ile kosztuje recepcjonistka AI

    Voxiora to recepcjonistka AI dla małych i średnich firm, którą prowadzi AI AGENT HUB P.S.A. z Katowic. Odbiera telefony firmowe przez całą dobę w ośmiu językach, umawia wizyty w Kalendarzu Google, przyjmuje wiadomości i przekazuje pilne sprawy człowiekowi. Pakiety kosztują od 241 zł netto miesięcznie przy płatności rocznej.

    15 min czytania

  • Voiceboty i chatboty

    Telofia: co to jest, jak działa i ile kosztuje asystent telefoniczny AI

    Telofia to wirtualna recepcjonistka AI dla małych i średnich firm, rozwijana przez AI Agent HUB. Odbiera telefony firmowe przez całą dobę w ośmiu językach, umawia wizyty w Kalendarzu Google, przyjmuje wiadomości i zapisuje każdą rozmowę z transkrypcją. Pakiety kosztują od 199 zł netto miesięcznie przy płatności rocznej.

    12 min czytania

Chcesz zdobyć certyfikat i zostać ekspertem wdrożeń AI?

Dowiedz się więcej