Retrieval-augmented generation (RAG) — это метод, при котором система ИИ сначала выполняет поиск по набору доверенных документов, а затем пишет ответ, используя найденную информацию. Для B2B-маркетинговых команд RAG превращает описания продуктов, тематические исследования, презентации по продажам и статьи поддержки в источник, на который может опираться помощник, поэтому черновики и ответы остаются основанными на фактах компании, а не на общих знаниях модели.
Как работает RAG?
Система RAG состоит из двух частей. Часть поиска разбивает документы на фрагменты, преобразует их в числовые представления, называемые эмбеддингами, и сохраняет их в векторной базе данных или поисковом индексе. Когда поступает вопрос, она находит наиболее релевантные ему фрагменты. Часть генерации передает эти фрагменты вместе с вопросом языковой модели, которая пишет ответ на их основе.
Многие системы сочетают векторный поиск с поиском по ключевым словам, так как точные коды или названия продуктов надежнее находятся по ключевым словам. Хорошие системы также возвращают цитаты, чтобы пользователи могли проверить, из какого документа взято предложение.
Почему RAG важен для B2B-маркетинга?
B2B-продукты, как правило, сложны, специфичны и часто обновляются. Общая модель не знает список интеграций вашего продукта, ваши ценовые уровни или детали тематического исследования за прошлый квартал. Без обоснования она заполняет пробелы правдоподобными догадками.
RAG снижает этот риск и делает ИИ полезным для задач, зависящих от знаний компании. Он также сокращает время, которое маркетологи тратят на поиск нужного слайда или спецификации на общих дисках.
Какие варианты использования B2B-маркетинга лучше всего подходят для RAG?
Лучшие варианты использования требуют точных фактов о компании и часто повторяются. Начальный список:
- Подготовка первых версий страниц продуктов и одностраничников на основе утвержденных спецификаций
- Ответы на вопросы отдела продаж о функциях, интеграциях и конкурентах
- Написание ответов на RFP и анкеты безопасности на основе прошлых утвержденных ответов
- Создание контента для email-рассылок, ссылающегося на правильные тематические исследования
- Работа веб-сайт-помощника, который отвечает на вопросы покупателей из документации
- Обобщение интервью с клиентами и извлечение цитат по темам
Ответы на RFP — распространенный первый проект. Команды неоднократно отвечают на похожие вопросы, прошлые ответы уже существуют, и точность важна, что именно там, где помогает поиск.
Рабочее руководство: как настроить RAG?
Настройка больше связана с контентом, чем с кодом. Большинство проблем в проектах RAG возникают из-за беспорядочных или устаревших исходных материалов.
Шаг 1: Выберите и очистите источники
Начните с определенного набора: текущая документация по продукту, утвержденные сообщения, опубликованные тематические исследования и прошлые ответы на RFP. Удалите устаревшие версии. Если три разные презентации описывают цены по-разному, помощник тоже будет это делать.
Шаг 2: Выберите платформу
Варианты варьируются от no-code до кастомных решений. Многие команды начинают со встроенных функций: кастомные GPT или проекты в ChatGPT, Claude Projects, Google NotebookLM или Microsoft Copilot, подключенный к SharePoint. Более крупные команды строят на фреймворках, таких как LangChain или LlamaIndex, с векторной базой данных, такой как Pinecone, Weaviate или pgvector. Выбирайте в зависимости от чувствительности данных, объема и того, кто будет поддерживать систему.
Шаг 3: Напишите инструкции
Укажите модели отвечать только на основе полученного контента, цитировать источники и сообщать, когда она не может найти ответ. Добавьте правила стиля для тона и терминологии.
Шаг 4: Протестируйте с реальными вопросами
Соберите от 50 до 100 реальных вопросов от отделов продаж, поддержки и маркетинга. Запустите их, проверьте ответы по источнику и запишите ошибки. Большинство ошибок будут связаны с отсутствующими или противоречивыми документами.
Какая гигиена данных требуется для RAG?
Качество RAG зависит от качества документов с течением времени, а не только при запуске. Назначьте владельцев источников и установите даты проверки.
- Дайте каждому документу четкого владельца и дату «последней проверки»
- Архивируйте старые версии вместо того, чтобы оставлять их в индексируемой папке
- Используйте четкие заголовки, так как поиск лучше работает с хорошо структурированным текстом
- Держите конфиденциальные материалы, такие как условия сделок, вне широко доступных индексов
- Переиндексируйте после крупных релизов продуктов
Контроль доступа — часть гигиены. Помощник RAG не должен раскрывать документы, которые пользователю не разрешено видеть. Корпоративные инструменты обычно соблюдают существующие разрешения; кастомные сборки должны реализовывать это явно.
Как измерить систему RAG?
Измеряйте как качество ответов, так и бизнес-эффект. Для качества сохраняйте фиксированный набор тестовых вопросов и ежемесячно оценивайте ответы на точность, полноту и правильность цитирования. Отслеживайте долю вопросов, на которые система отказывается отвечать, что показывает пробелы в контенте.
Для бизнес-эффекта измеряйте время, сэкономленное на конкретных задачах, например, часы на RFP до и после, и внедрение целевой командой. Система, которую никто не использует, не имеет ценности, какой бы точной она ни была.
Как Alien Road применяет RAG для B2B-клиентов
В типичном проекте агентство начинает с инвентаризации контента: где находятся документы по продуктам, сообщениям и тематическим исследованиям, какие версии являются текущими и кто ими владеет. Это часто выявляет противоречивые документы, которые сбили бы с толку любого помощника.
Настройка обычно начинается с одного варианта использования, например, ответов на RFP или вопросов по поддержке продаж. Команда очищает набор источников, выбирает платформу, соответствующую потребностям клиента в безопасности, пишет инструкции и создает тестовый набор из реальных вопросов, предоставленных отделом продаж. Ответы должны включать цитаты, чтобы пользователи могли их проверить.
Отчетность проводится ежемесячно: точность тестового набора, отклоненные вопросы, использование командой и время, сэкономленное на целевой задаче. Отклоненные вопросы пополняют бэклог контента, поэтому база знаний улучшается по мере использования системы.
Какие ошибки приводят к провалу проектов RAG?
Распространенные ошибки предсказуемы. Команды индексируют все на общем диске, включая черновики и старые цены, и помощник начинает их цитировать. Или они строят умную систему, которую никто не открывает, потому что она живет вне инструментов, которые люди уже используют.
- Индексация каждого файла вместо курируемого, принадлежащего набора
- Разбиение документов на фрагменты настолько маленькие, что теряется контекст
- Пропуск цитат, из-за чего пользователи не могут проверить ответы
- Запуск без тестового набора, поэтому качество никогда не измеряется
- Размещение помощника в отдельном приложении вместо Slack, Teams или CRM
Исправление этого на раннем этапе стоит недорого. Исправление после того, как пользователи потеряли доверие, стоит намного дороже.
С чего начать на этой неделе
Спросите свой отдел продаж о двадцати вопросах, которые они чаще всего отправляют в маркетинг или продукт. Соберите документы, которые должны на них отвечать, и проверьте, являются ли эти документы актуальными и последовательными.
Загрузите очищенный набор в простой инструмент, такой как Claude Project, кастомный GPT или NotebookLM, и задайте эти двадцать вопросов. Запишите, какие ответы неверны и почему. Этот список — ваш первый план по очистке контента и отправная точка для правильной настройки RAG.
Читайте дальше: ИИ-оптимизация · ИИ-оптимизация