RAG — co to jest i jak działa [prosty przewodnik 2026]

RAG a fine-tuning — czym się różnią

To najczęstsza pomyłka w całym temacie, więc zatrzymajmy się tu na moment. RAG i fine-tuning to nie są dwie nazwy tej samej rzeczy.

Fine-tuning to douczanie modelu — bierzesz gotowy model i trenujesz go dalej na własnych przykładach, żeby zmienić jego zachowanie. Wiedza wchodzi wtedy „do środka" modelu i zostaje tam na stałe.

RAG niczego nie zmienia w modelu. Dane podajesz w momencie zadawania pytania, jako kontekst. Model pozostaje taki sam — zmienia się tylko to, co dostaje na wejściu.

Kryterium	RAG	Fine-tuning
Gdzie jest wiedza	w zewnętrznej bazie	wewnątrz modelu
Aktualizacja danych	dodajesz plik do bazy	trzeba przetrenować model od nowa
Koszt startu	niski	wysoki
Czas wdrożenia	godziny	dni lub tygodnie
Świeżość informacji	zawsze aktualna	z momentu treningu
Wskazanie źródła	tak, można pokazać fragment	nie
Do czego służy	dostarczenie wiedzy	zmiana stylu i zachowania

W zestawieniu RAG vs fine-tuning najprostsza reguła brzmi tak: RAG dokłada wiedzę, fine-tuning zmienia zachowanie.

Jeśli chcesz, żeby AI znało Twoje procedury, cennik czy dokumentację — potrzebujesz RAG. Jeśli chcesz, żeby odpowiadało w konkretnym tonie, formacie albo żargonie branżowym — to zadanie dla fine-tuningu. W firmowych wdrożeniach zdecydowanie częściej chodzi o to pierwsze.

Jest jeszcze jeden argument, o którym rzadko się mówi: przy RAG możesz usunąć informację. Wystarczy skasować dokument z bazy. Przy modelu douczonym na tych danych wycofanie ich jest znacznie trudniejsze — co ma znaczenie choćby przy RODO.

---

Kiedy warto użyć RAG — praktyczne zastosowania

RAG AI sprawdza się wszędzie tam, gdzie odpowiedź musi pochodzić z konkretnych, Twoich materiałów. Poniżej pięć zastosowań, które w firmach pojawiają się najczęściej.

Chatbot na firmowej bazie wiedzy. Najpopularniejsze zastosowanie. Pracownik pyta „ile dni urlopu na żądanie mi przysługuje", a RAG chatbot odpowiada na podstawie regulaminu, a nie ogólnej wiedzy o polskim prawie pracy. Podobny mechanizm pokazuję na przykładzie chatbota AI w Telegramie zbudowanego w n8n.

Asystent do dokumentów. Wrzucasz umowy, raporty albo dokumentację techniczną i pytasz o nie normalnym językiem. Zamiast przeszukiwać setki stron, dostajesz odpowiedź z podaniem miejsca, z którego pochodzi.

Wyszukiwarka semantyczna. Zamiast szukać po słowach, użytkownik opisuje, o co mu chodzi. Przydatne przy dużych archiwach treści, gdzie ludzie nie znają dokładnego nazewnictwa.

Obsługa klienta na bazie FAQ. System odpowiada na powtarzalne pytania na podstawie zatwierdzonych treści, a sprawy, których nie znajdzie w bazie, przekazuje człowiekowi. Kluczowe jest tu właśnie to drugie — dobrze ustawiony RAG wie, kiedy nie wie.

Agent, który sam decyduje, kiedy sięgnąć do bazy. To już krok dalej: system nie odpytuje bazy przy każdym pytaniu, tylko sam ocenia, czy jej potrzebuje. Więcej o tym, jak działają takie systemy, opisuję w artykule o agentach AI.

Warto też wiedzieć, kiedy RAG nie jest odpowiedzią. Jeśli Twoje dane mieszczą się w kilku akapitach, nie buduj bazy wektorowej — wklej je po prostu do promptu. RAG zaczyna mieć sens dopiero wtedy, gdy materiału jest za dużo, żeby zmieścić go w jednym zapytaniu.

---

Jak zbudować RAG w praktyce — bez kodu

Dobra wiadomość: żeby uruchomić działający system RAG AI, nie musisz być programistą. Narzędzia no-code mają dziś gotowe moduły do wszystkich elementów tej układanki.

Jeśli chcesz tylko zobaczyć efekt na własnych dokumentach, zanim cokolwiek zbudujesz — zacznij od NotebookLM. To gotowy produkt Google oparty dokładnie na tym mechanizmie: wrzucasz pliki, zadajesz pytania, dostajesz odpowiedzi z cytowaniami. Bez bazy wektorowej i bez konfiguracji. Kontroli nad wyszukiwaniem tam nie masz, ale jako test pomysłu sprawdza się w pięć minut.

Najprostsza droga prowadzi przez n8n albo Make.com połączone z bazą wektorową. Cały system składa się z dwóch osobnych przepływów.

Przepływ pierwszy — wgrywanie dokumentów. Uruchamiasz go raz, a potem przy każdym nowym pliku. Pobiera dokument (np. z Google Drive), dzieli go na fragmenty, liczy dla nich embeddingi przez OpenAI i zapisuje wynik w bazie wektorowej.

Przepływ drugi — odpowiadanie. Odbiera pytanie, szuka pasujących fragmentów w bazie, skleja je z pytaniem i wysyła do modelu, a odpowiedź odsyła użytkownikowi.

Typowy zestaw narzędzi dla takiego wdrożenia to: n8n jako silnik przepływu, OpenAI embeddings do zamiany tekstu na wektory, Supabase albo Pinecone jako baza wektorowa i dowolny model językowy do generowania odpowiedzi.

Koszt startu jest niski, ale nie zerowy — i warto to wiedzieć zawczasu. n8n w wersji self-hosted jest darmowy bezterminowo, Supabase i Pinecone mają darmowe plany wystarczające na naukę. Za wywołania OpenAI płacisz jednak od pierwszego zapytania: embeddingi w modelu text-embedding-3-small kosztują ok. 0,02 USD za milion tokenów, czyli przy zwykłej firmowej bazie dokumentów są to dosłownie grosze. Nowe konta dostają zwykle niewielkie środki startowe, ale wygasają po kilku miesiącach.

Najbliższym praktycznym punktem startu na tym blogu jest agent AI w n8n rozmawiający z bazą danych — pokazuję tam krok po kroku, jak połączyć model językowy z zewnętrznym źródłem danych i jak wygląda konfiguracja poszczególnych węzłów. To ten sam mechanizm, tylko na bazie SQL zamiast wektorowej.

Jedna rzecz, która decyduje o jakości

Jeśli miałbym wskazać moment, w którym najczęściej wszystko się psuje, to jest nim podział dokumentów na fragmenty.

Zbyt małe kawałki tracą kontekst — model dostaje zdanie wyrwane ze środka procedury i nie wie, czego dotyczy. Zbyt duże rozmywają znaczenie, przez co wyszukiwanie przestaje trafiać. W praktyce dobrze działają fragmenty odpowiadające jednej sekcji lub podrozdziałowi, z niewielkim zakładem na sąsiednie akapity.

Jeśli Twój RAG odpowiada nietrafnie, w pierwszej kolejności sprawdź właśnie sposób dzielenia dokumentów — nie model.

---

Podsumowanie

RAG w jednym zdaniu: sposób na to, żeby AI odpowiadało na podstawie Twoich danych, zamiast zgadywać z pamięci. To dlatego jest dziś najskuteczniejszą obroną przed halucynacjami AI — model nie wytworzy dokumentu, którego nie ma w bazie.

Trzy rzeczy warte zapamiętania:

• Kolejność ma znaczenie — najpierw wyszukiwanie w bazie, potem generowanie odpowiedzi. Nigdy odwrotnie.
• Baza wektorowa szuka po znaczeniu, nie po słowach kluczowych — dlatego działa nawet wtedy, gdy pytanie brzmi zupełnie inaczej niż dokument.
• RAG to nie fine-tuning — pierwszy dokłada wiedzę i można ją w każdej chwili zaktualizować, drugi zmienia zachowanie modelu i wymaga przetrenowania.

Największą wartością RAG nie jest nawet to, że model wie więcej. Jest nią to, że wie, skąd wie — a gdy nie znajdzie odpowiedzi w Twoich materiałach, potrafi się do tego przyznać. Przy zastosowaniach firmowych to zwykle ważniejsze niż sama elokwencja odpowiedzi.

Chcesz dostawać takie rozkładane na czynniki pierwsze tematy AI po polsku? Zapisz się do newslettera — wysyłam tylko wtedy, gdy mam coś konkretnego do pokazania.

---

Najczęstsze pytania

Co to jest RAG w AI?

RAG (retrieval augmented generation) to technika, w której model AI najpierw wyszukuje informacje w zewnętrznej bazie dokumentów, a dopiero potem generuje odpowiedź na ich podstawie. Dzięki temu odpowiada z Twoich danych zamiast z ogólnej wiedzy zdobytej podczas treningu, znacznie rzadziej zmyśla i potrafi wskazać źródło informacji.

Jak działa RAG?

RAG działa w czterech etapach. Pytanie użytkownika zostaje zamienione na wektor liczb reprezentujący jego znaczenie. System wyszukuje w bazie wektorowej fragmenty o najbliższym sensie. Znalezione fragmenty trafiają razem z pytaniem do modelu językowego. Model formułuje odpowiedź wyłącznie na podstawie dostarczonego materiału. Cały proces trwa kilka sekund i nie wymaga udziału człowieka.

Czym różni się RAG od fine-tuningu?

Fine-tuning to douczanie modelu na własnych przykładach — wiedza trafia na stałe do jego wnętrza, a każda aktualizacja wymaga ponownego treningu. RAG niczego w modelu nie zmienia: dane podaje jako kontekst w momencie zadawania pytania. RAG jest tańszy, szybszy we wdrożeniu i pozwala aktualizować dane przez dodanie pliku do bazy. W uproszczeniu: RAG dokłada wiedzę, fine-tuning zmienia styl i zachowanie.

Czy RAG można zbudować bez programowania?

Tak. Narzędzia no-code takie jak n8n czy Make.com mają gotowe moduły do dzielenia dokumentów, liczenia embeddingów i obsługi baz wektorowych. Make ma natywną aplikację Pinecone z modułami do zapisu i przeszukiwania wektorów, a n8n zestaw węzłów Vector Store (m.in. Qdrant i PGVector). Wystarczy połączyć je wizualnie w dwa przepływy: jeden wgrywa dokumenty do bazy, drugi odpowiada na pytania. Uwaga na koszty: n8n self-hosted oraz darmowe plany Supabase i Pinecone nic nie kosztują, ale zapytania do OpenAI są płatne od pierwszego użycia — przy testowej bazie dokumentów mówimy jednak o kwotach rzędu kilku złotych.