Vad är RAG (Retrieval-Augmented Generation)?

Här är vad RAG är, hur det fungerar steg för steg, och när ditt företag behöver det.

Hur fungerar RAG steg för steg?

RAG arbetar i fyra steg: din fråga skickas till ett söksystem, de mest relevanta bitarna ur kunskapskällan hämtas, de skickas med som kontext till språkmodellen, och modellen skriver ett svar grundat i dem. Själva sökningen bygger oftast på så kallade embeddings.

I grunden kombinerar RAG två sorters minne: modellens inbyggda minne, det den lärt sig under träningen, och ett externt minne, en kunskapsbas som den slår upp i vid varje fråga. Idén presenterades 2020 i en forskningsartikel av Patrick Lewis med flera. Det inbyggda minnet är fryst vid träningstillfället; det externa kan du uppdatera när som helst, utan att röra modellen.

Så här ser flödet ut:

1. Frågan översätts till en sökning, vanligtvis genom att omvandlas till en numerisk representation (en embedding).
2. Söksystemet hämtar de textstycken ur din kunskapskälla som ligger närmast frågan, ofta ur en vektordatabas.
3. De hämtade styckena skickas med som kontext till språkmodellen, tillsammans med själva frågan.
4. Modellen formulerar ett svar som bygger på de hämtade styckena, inte enbart på sin träning.

Två delar gör jobbet. Retrievern (söksystemet) hittar rätt information, och generatorn (språkmodellen) skriver svaret. Amazons genomgång av RAG beskriver samma uppdelning. För att sökningen ska hitta rätt delas dokumenten oftast upp i mindre stycken i förväg, så att bara de relevanta bitarna följer med, inte hela dokument.

Varför är RAG viktigt för företag?

RAG gör AI användbar på din egen information. Det minskar risken för påhittade svar, ger aktuella uppgifter, och varje svar går att spåra tillbaka till ett specifikt dokument. Dessutom slipper du träna om modellen varje gång din data ändras.

Det sista är poängen för de flesta företag. En språkmodell kan inget om dina interna rutiner, ditt sortiment eller förra veckans prislista, eftersom den aldrig sett dem. Med RAG pekar du modellen mot dina källor, och den svarar utifrån dem. Google Clouds genomgång lyfter just det som RAG:s främsta nytta: färska, verifierbara svar utan omträning.

Kontrollen är en underskattad fördel. Du bestämmer själv vilka källor AI:n får använda, och eftersom svaret kan kopplas till ett dokument går det att granska. Salesforce lyfter just spårbarheten som en av RAG:s främsta affärsnyttor, och IBM beskriver grundningen i hämtade källor som det som håller nere påhittade svar. Det är skillnad mot en modell som svarar fritt ur minnet, där du inte vet var uppgiften kommer ifrån.

Så bygger vi RAG

Hos oss ligger sanningen i versionshanterad text, och RAG läggs ovanpå som ett härlett lager: det hjälper en agent att hitta och navigera i informationen, men det får aldrig tyst ersätta den dokumenterade källan.

Praktiskt kombinerar vi strukturerad navigering, för att hitta rätt avsnitt och kunna peka på var ett svar kommer ifrån, med hybrid sökning, alltså vektorsökning plus vanlig textsökning, och en reranker som ordnar träffarna efter relevans. Varje svar ska gå att spåra tillbaka till sitt original. Principen: strukturerad navigering och källspårning först, bred RAG sedan.

Eteyas RAG-flöde: en fråga går via hämtning, navigation och sökning till agentkontext och ett grundat svar, allt vilar på facit i versionshanterad text som källa till sanning.

RAG eller finjustering: vad är skillnaden?

Kort: RAG ger modellen ny kunskap, finjustering ändrar dess beteende. RAG matar in fakta och dokument vid frågetillfället, vilket passar aktuell och egen information. Finjustering tränar i stället om modellen för att ändra ton, format eller färdigheter. De löser olika problem.

Aspekt	RAG	Finjustering
Vad det ändrar	Vilken kunskap modellen når	Hur modellen beter sig (ton, format)
Uppdatera	Byt ut dokumenten, gäller direkt	Träna om, tar tid och kostar
Bäst för	Egna och aktuella fakta, källhänvisning	Stil, struktur, specialiserade uppgifter
Spårbarhet	Svaret kan kopplas till en källa	Svårt att spåra var svaret kommer ifrån

För de allra flesta svenska företag är RAG det som behövs, inte finjustering. Vill du att AI:n ska kunna era produkter, rutiner och dokument är det kunskap, inte beteende, du är ute efter. De två går att kombinera, men börja med RAG: det är billigare, snabbare att uppdatera och lättare att granska.

När behöver du RAG, och när inte?

Använd RAG när svaren ska bygga på din egen eller aktuell kunskap: supportdokument, interna policys, produktkataloger, prislistor. Du behöver inte RAG för enkla uppgifter, eller när all information du behöver redan får plats i själva frågan.

Tumregeln är enkel. Måste AI:n veta något specifikt om ditt företag eller något som ändras ofta, är RAG rätt. Räcker det modellen redan kan, eller får hela underlaget plats i prompten, lägger RAG bara till komplexitet i onödan.

I praktiken är RAG ofta motorn bakom en AI-agent som svarar på frågor om just ditt företag. För helheten kring hur sådana agenter fungerar för svenska företag, läs vår pelar-guide om AI-agenter, eller definitionen av vad en AI-agent är. När agenten dessutom behöver läsa och skriva i dina system i realtid används ofta MCP-protokollet i stället: RAG hämtar kunskap, MCP kopplar mot system.

Vanliga frågor