Röviden: változó céges tényekhez általában RAG kell, egyszeri kis dokumentumcsomaghoz elég lehet a hosszú kontextus, következetes stílushoz vagy speciális kimeneti viselkedéshez pedig finomhangolás jöhet szóba. A három módszer nem egymás fejlettebb változata: más problémát oldanak meg, és gyakran kombinálhatók.
Frissítve: 2026. szeptember 8. A legtöbb céges chatbot azért téved, mert a projekt rögtön modellel indul, miközben nincs kijelölve a hiteles adatforrás, a frissítés gazdája és a visszakereshető bizonyíték. Először azt döntsd el, hogy tényt szeretnél megtalálni, egy dokumentumcsomagot szeretnél egyszerre értelmezni, vagy a modell viselkedését szeretnéd következetessé tenni.
A három megoldás egy táblázatban
| Módszer | Erősség | Tipikus céges példa | Fő kockázat |
|---|---|---|---|
| RAG | Friss, forráshoz köthető tudás visszakeresése | Árlista, szabályzat, termékleírás, belső tudásbázis | Rossz dokumentum vagy gyenge találat esetén rossz kontextus érkezik |
| Hosszú kontextus | Egy adott feladat teljes dokumentumhalmazának közös értelmezése | Szerződéscsomag összevetése, kutatási dosszié, egyszeri audit | Költség, késleltetés és a lényeg elveszése a nagy bemenetben |
| Finomhangolás | Ismételhető forma, hangnem vagy döntési minta | Saját címkézés, speciális JSON, márkahangú rövid válasz | Nem lesz automatikusan friss ténytudás, és jó tanítóadat kell |
Mit csinál valójában a RAG?
A retrieval-augmented generation a kérdéshez releváns dokumentumrészleteket keres, majd ezeket adja a modellnek válaszalapként. Az OpenAI File Search útmutatója vektortárakhoz kötött fájlkeresést ír le, a keresési API pedig találati tartalmat, fájlazonosítót és hasonlósági pontszámot is visszaadhat. Ettől a rendszer még nem lesz automatikusan igaz: a forrásminőség, a darabolás, a metaadat és a jogosultsági szűrés továbbra is a te felelősséged.
RAG-ot válassz, ha az információ gyakran változik, sok dokumentumból kell keresni, vagy a válasz mellé forrás kell. Ilyen a garanciális szabály, aktuális ár, szolgáltatási feltétel vagy belső folyamatleírás.
Mikor jobb a hosszú kontextus?
Ha egy feladat dokumentumai kevesen vannak, együttesen értelmezendők és ritkán változnak, a teljes csomag kontextusba adása egyszerűbb lehet, mint külön keresőrendszer építése. Jó példa egy pályázati csomag vagy néhány egymásra hivatkozó szerződés összevetése.
A nagy kontextus azonban nem ingyenes tárhely. Mérd a tokenköltséget, a válaszidőt és azt, hogy a modell valóban megtalálja-e a fontos részletet. Ugyanazt a 20–50 kérdést teszteld rövidebb, célzott RAG-környezettel és teljes dokumentumcsomaggal.
Mikor indokolt a finomhangolás?
A finomhangolás akkor érdekes, ha a tudás helyett a viselkedés ismételhetőségét akarod javítani: például saját kategóriák, rövid márkahang, speciális szerkezet vagy sok jó bemenet–kimenet példából tanulható döntési minta. Friss árlistát, készletet vagy változó szabályzatot ne „taníts bele” fő megoldásként; ezekhez visszakereshető adatforrás kell.
Az adat-előkészítés fontosabb, mint a módszer neve
- Jelöld ki a hiteles forrásokat és a tartalomgazdát.
- Távolítsd el a duplikált, elavult és egymásnak ellentmondó dokumentumokat.
- Adj metaadatot: verzió, dátum, osztály, ügyféltípus és jogosultsági szint.
- Írj legalább 30 valós kérdést helyes válasszal és kötelező forrással.
- Legyen „nincs elég adat” eredmény és emberi átadás.
A jogosultságot keresés előtt szűrd. Ha egy munkatárs nem láthat egy dokumentumot, az AI se kaphassa meg kontextusként. A naplóban maradjon meg, mely fájlverzió és mely részlet támogatta a választ.
Mit mérj a pilotban?
- helyes válasz és helyes forrás együttes aránya;
- nem releváns vagy elavult találatok aránya;
- megalapozatlan állítások és helyes visszautasítások száma;
- p95 válaszidő és egy elfogadott válasz teljes költsége;
- jogosultsági szivárgás és emberi javítás ideje.
Egy céges tudásbázis jó első alkalmazása a saját adatokra épülő AI-ügynök. Ha még a felhasználási esetet keresed, olvasd el az AI-chatbot döntési útmutatót is.
Gyakori kérdések
A RAG megszünteti a hallucinációt?
Nem. Csökkentheti a megalapozatlan választ, ha jó forrást talál és a rendszer megköveteli a bizonyítékot, de rossz találatból vagy bizonytalan forrásból továbbra is születhet hibás kimenet.
Kell-e finomhangolás egy belső dokumentumchathez?
Általában nem első lépésként. Előbb a forrásokat, a keresést, a jogosultságot és a tesztkészletet tedd rendbe. Finomhangolás csak a megmaradó, ismételhető viselkedési hibára legyen válasz.
Kombinálható a három módszer?
Igen. Egy finomhangolt, következetesen formázó modell dolgozhat RAG-ból kapott friss forrásokkal, miközben egy-egy összetett esethez hosszabb dokumentumcsomagot kap.