Применение подходов повышения качества генерируемых ответов LLM-систем искусственного интеллекта при использовании накопленной информации предприятия

Развитие больших языковых моделей (LLM) расширило возможности обработки неструктурированных данных в корпоративных средах. Однако фундаментальное ограничение LLM заключается в их зависимости от данных предварительного обучения, что уменьшает их способность надежно работать с информацией предприятий, неопубликованной в других источниках. В статье представлен анализ современных подходов использования корпоративных данных для повышения качества ответов, генерируемых LLM. Рассматриваются системы поисковой дополненной генерации (Retrieval-Augmented Generation RAG) как в классической векторной реализации, так и в графовом расширении (GraphRAG). Обсуждаются агентные системы и интеграция в их архитектуру RAGи GraphRAG-подходов, что позволяет строить сложные системы искусственного интеллекта и решения, требующие многоэтапного анализа корпоративных неструктурированных данных. Описывается архитектура классического векторного RAG-подхода, которая состоит из трех основных этапов: получение векторных представлений индексируемых фрагментов документации; поиск фрагментов, релевантных запросу пользователя; формирование ответа по извлеченному контексту, объединенному с исходным запросом. В качестве основного ограничения выделяется отсутствие механизма целостного анализа загруженных проприетарных данных. В свою очередь GraphRAG использует механизм создания графа знаний по контексту, что позволяет работать не с семантически похожими фрагментами данных, а с иерархически кластеризованной информацией посредством накопительного анализа текстовых сводок. Сформулированы недостатки и преимущества использования подходов, определены критерии целесообразности практического применения RAG и GraphRAG, приведены примеры систем, для которых они могут применяться. 

1. Винер Н. Кибернетика, или Управление и связь в животном и машине / пер. с англ. И. В. Соловьева и Г. Н. Поварова; под ред. Г. Н. Поварова. 2-е изд. М. : «Наука» Главная редакция изданий для зарубежных стран, 1983.

2. Денисенко В. Ю. Мониторинг эффектов цифровых продуктов в условиях цифровой трансформации промышленных предприятий // Креативная экономика. 2021. Т. 15. № 5. С. 1715–1724.

3. Кокуйцева Т. В., Овчинникова О. П. Методические подходы к оценке эффективности цифровой трансформации предприятий высокотехнологичных отраслей промышленности // Креативная экономика. 2021. Т. 15. № 6. С. 2413–2430.

4. Кочетков Е. П., Забавина А. А., Гафаров М. Г. Цифровая трансформация компаний как инструмент антикризисного управления: эмпирическая оценка влияния на эффективность // Стратегические решения и риск-менеджмент. 2021. Т. 12. № 1. С. 68–81.

5. Куренков А. Л. Управление цифровой трансформацией коммерческих предприятий : монография. М. : Инфра-М, 2025.

6. Уколов В. Ф., Афанасьев В. Я., Черкасов В. В. Ключевые эффекты цифровизации и возможные потери // Вестник университета. 2019. № 8. С. 55–58.

7. Ценжарик М. К., Крылова Ю. В., Стешенко В. И. Цифровая трансформация компаний: стратегический анализ, факторы влияния и модели // Вестник Санкт-Петербургского университета. Экономика. 2020. Т. 36. Вып. 3. С. 390–420.

8. Brown T., Mann B., Ryder N. et al. Language Models are Few-Shot Learners // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 1877–1901.

9. Edge D., Trinh H., Cheng N. et al. From Local to Global: A GraphRAG Approach to QueryFocused Summarization. URL: https://arxiv.org/abs/2404.16130 (дата обращения: 19.02.2026).

10. Fortunato S. Community Detection in Graphs // Physics Reports. 2010. Vol. 486. N 35. P. 75–174.

11. Jeffcock P. What's the Difference between AI, Machine Learning, and Deep Learning? Peter Jeffcock. URL: https://blogs.oracle.com/bigdata/difference-ai-machine-learning-deeplearning (дата обращения: 09.03.2020).

12. Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge Intensive NLP Tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459–9474.

13. Liu N. F., Lin K., Hewitt J. et al. Lost in the Middle: How Language Models Use Long Contexts. URL: https://arxiv.org/abs/2307.03172 (дата обращения: 19.02.2026).

14. Shinn N., Cassano F., Gopinath A. et al. Reflexion: Language Agents with Verbal Reinforcement Learning. URL: https://arxiv.org/abs/2303.11366 (дата обращения: 19.02.2026).

15. Traag V. A., Waltman L., Van Eck N. J. From Louvain to Leiden: Guaranteeing Well Connected Communities // Scientific Reports. 2019. Vol. 9. N 1. Article 5233.

16. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need. URL: https://arxiv.org/abs/1706.03762 (дата обращения: 19.02.2026).

17. Wei J., Wang X., Schuurmans D. et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. URL: https://arxiv.org/abs/2201.11903 (дата обращения: 19.02.2026).

18. Yao S., Zhao J., Yu D. et al. ReAct: Synergizing Reasoning and Acting in Language Models // International Conference on Learning Representations (ICLR), 2023. URL: https://collaborate.princeton.edu/en/publications/react-synergizing-reasoning-and-actingin-language-models/ (дата обращения: 19.02.2026).