RAG architektura

Co to je

Jazykový model sám o sobě nezná váš sortiment, skladovou dostupnost ani reklamační řád. Když se ho zákazník zeptá „Můžu vrátit rozbalený mixér?", model si odpověď domyslí. Někdy správně, někdy ne.

RAG tenhle problém řeší jednoduše: než model odpoví, systém vyhledá ve vašich datech relevantní pasáže a vloží je do zadání. Model dostane instrukci „odpovídej jen podle těchto podkladů". Výsledkem jsou odpovědi, které odpovídají vašim podmínkám, a u každé lze ukázat zdroj.

Proč ne raději dotrénovat model? Protože data e-shopu se mění denně. Ceny, sklad a akce do trénování nedostanete. V RAG stačí aktualizovat index.

Jak to funguje

RAG má dvě fáze.

Příprava dat (indexace)

1. Sběr zdrojů — katalog produktů, kategorie, FAQ, obchodní podmínky, návody, interní dokumentace.
2. Dělení na úseky (chunking) — dlouhé dokumenty se rozdělí na menší části, typicky po odstavcích nebo sekcích. Špatné dělení je nejčastější důvod slabých odpovědí.
3. Embeddingy — každý úsek převede embedding model na vektor.
4. Uložení do vektorového úložiště: samostatná vektorová databáze (např. Qdrant), nebo rozšíření pgvector v PostgreSQL.

Odpověď na dotaz

1. Dotaz uživatele se převede na vektor stejným modelem.
2. Vyhledání nejpodobnějších úseků. V e-shopu kombinujeme vektorové hledání s fulltextem, protože kódy produktů a EAN najde fulltext spolehlivěji.
3. Přeřazení (reranking) — volitelný krok, kdy specializovaný model seřadí nalezené úseky podle skutečné relevance.
4. Generování — jazykový model dostane dotaz a vybrané úseky a sestaví odpověď, ideálně s odkazem na zdroj.

Pokročilejší varianta je agentní RAG: model sám rozhodne, kde hledat (katalog, stav objednávky přes API, FAQ), a může hledat víckrát. To už se blíží AI agentům.

Výhody a limity

Výhody

• Odpovědi vycházejí z vašich dat a dají se ověřit podle zdroje.
• Aktualizace je levná — změníte dokument, přepočítáte jeho embedding, hotovo.
• Funguje s libovolným jazykovým modelem. Model můžete vyměnit bez přestavby celého řešení.

Limity

• Kvalita stojí na datech. Zastaralé FAQ nebo protichůdné podmínky vedou ke špatným odpovědím. RAG chyby v datech nezakryje, spíš je zviditelní.
• Model může i s podklady odpovědět nepřesně. Proto nastavujeme pravidlo „když podklad chybí, řekni to a předej člověku".
• Živá data (sklad, cena, stav objednávky) nepatří do indexu, ale do přímého volání API v okamžiku dotazu.
• Kvalitu je potřeba měřit. Bez sady testovacích otázek nevíte, jestli změna pomohla, nebo uškodila.

Legislativa. Od 2. 8. 2026 platí čl. 50 nařízení EU o umělé inteligenci (AI Act): chatbot, se kterým mluví zákazník, musí dát jasně najevo, že jde o AI, pokud to není zřejmé z kontextu. Pokud RAG pracuje s osobními údaji zákazníků, platí navíc GDPR — souvislosti rozebíráme v článku AI a GDPR.

Jak to řešíme v Převeďshopu

RAG stavíme jako základ pro chatboty a znalostní báze. Oddělení AI a automatizace vede Frank, který má na starosti n8n a AI agenty.

1. Audit dat — projdeme, co máte (FAQ, podmínky, katalog, e-maily podpory), a co je potřeba nejdřív opravit.
2. Návrh architektury — výběr modelů, úložiště a napojení na e-shop, ERP nebo helpdesk. Živá data řešíme přes API, ne přes index.
3. Testovací sada — reálné dotazy vašich zákazníků, na kterých měříme kvalitu před spuštěním i po každé změně.
4. Nasazení jako AI chatbot pro zákazníky nebo jako interní znalostní báze pro podporu a obchod.
5. Provoz — automatická aktualizace indexu při změně dat a dohled nad odpověďmi, případně v rámci AI Care.

Jednodušší řešení typu AI FAQ nasazujeme obvykle za dny až 2 týdny, komplexní integrace a agenti trvají 4–8 týdnů.