Worknano

RAG и fine-tuning: два способа научить AI знать вашу компанию

Updated 2026-11-15

RAG и fine-tuning, если коротко: оба способа делают AI полезным для вашей собственной компании. При RAG AI в момент вашего вопроса ищет информацию вашей компании и отвечает по найденному. При fine-tuning AI дополнительно обучают на ваших примерах, и его поведение меняется навсегда. RAG даёт знания. Fine-tuning даёт привычки.

RAG: экзамен с открытой книгой

RAG расшифровывается как retrieval-augmented generation. Простыми словами: сначала найти, потом ответить. Когда вы задаёте вопрос, по вашим документам и записям запускается поиск. Наиболее подходящие фрагменты кладутся перед AI, и он пишет ответ по ним. Сам AI остаётся точно таким, каким был.

Спросите «О каком сроке уведомления мы договорились с арендодателем?», и поиск найдёт пункт в договоре аренды. AI ответит по этому пункту и сможет показать, откуда взят ответ.

Fine-tuning: дополнительное обучение

Fine-tuning берёт готовый AI и дообучает его на примерах, которые вы подготовили. Обычно для этого нужны сотни или тысячи примеров, каждый из которых показывает запрос и идеальный ответ. В результате получается новая версия AI, которая следует этим образцам без напоминаний каждый раз.

Компания может провести fine-tuning AI на двух тысячах прошлых ответов поддержки, чтобы каждый черновик получался в фирменном тоне.

Разница в одной таблице

RAGFine-tuning
Что меняетсяТо, что показывают AIСам AI
Подходит дляФактов, документов, актуальных записейТона, формата, одной узкой задачи
Когда информация меняетсяСледующий ответ использует новую версиюОбучение нужно повторять
Показывает, откуда взят ответДаНет
Что нужно для стартаВаше содержимое должно быть доступно для поискаНужно собрать и проверить много хороших примеров

Распространённое заблуждение

Многие владельцы думают, что fine-tuning это способ «научить AI нашу компанию»: загрузить справочник, прайс-лист и файлы клиентов, и он их будет знать. Fine-tuning так не работает. AI не хранит текст так, как картотека. Он усваивает закономерности. Поэтому он может назвать цену или имя неверно и при этом звучать уверенно. Факты должны лежать там, где их можно найти, обновить и проверить.

Что вам нужно? Четыре вопроса

  1. Нужны ли AI факты о ваших клиентах, продуктах или правилах? RAG.
  2. Меняется ли эта информация в течение года? RAG.
  3. Должны ли разные люди видеть разную информацию? RAG. Поиск может показывать каждому только то, что ему разрешено видеть. Обученный AI такого различия не делает.
  4. Содержание верное, а неверны только тон или формат? Сначала напишите более ясные инструкции и добавьте к ним несколько примеров. О fine-tuning думайте, только если этого недостаточно.

Для большинства небольших компаний вопрос решают первые три. Для fine-tuning нужен большой набор хороших примеров и человек, который за этим следит. Он окупается главным образом для одной узкой задачи, которую выполняют очень много раз.

Оба способа можно использовать и вместе. Один задаёт, как звучит ответ, другой что в нём содержится.

От чего зависит RAG

RAG хорош настолько, насколько хорошо то, что он может найти. Ваше содержимое должно лежать там, куда достаёт поиск. Оно должно быть актуальным. И не должно быть трёх старых версий одного и того же файла, которые говорят разное.

Как с этим работает Worknano

Worknano идёт путём «сначала найти». Его семантический поиск, то есть поиск, который находит текст по смыслу, охватывает документы, задачи, сделки, контакты и OKRs, включая текст внутри загруженных файлов PDF, Word, Excel и PowerPoint. AI Assistant и агенты отвечают по найденным фрагментам. Новое и изменённое содержимое становится доступным для поиска автоматически, поэтому переобучать ничего не нужно. Люди находят только то, что им разрешено читать. То, как должен звучать ассистент, тоже настраивается: голос бренда находится в разделе Organization, Settings.

Создайте бесплатный workspace, загрузите несколько документов и спросите ассистента, что в них написано.