UsługiTworzenie systemów RAG

Tworzenie systemów RAG odpowiadających na podstawie dokumentów firmy

Twoi pracownicy dostają odpowiedzi z instrukcji, regulaminów, umów i dawnych zgłoszeń w kilka sekund, ze wskazanym źródłem, zamiast przeszukiwać foldery albo odrywać od pracy osobę, która wie. RAG, czyli retrieval-augmented generation, wyszukuje w twoich dokumentach pasujące fragmenty i przekazuje je modelowi językowemu, zanim ten odpowie. Budujemy takie systemy w twoim środowisku razem z twoim zespołem albo naprawiamy te, które już działają. Sprawdzają się w zespołach serwisu, wsparcia, sprzedaży i administracji, które codziennie odpowiadają na pytania na podstawie dokumentów. Nasi inżynierowie pracują w Niemczech i w Polsce i testują po polsku, angielsku i niemiecku.

Porozmawiaj z inżynierem

Jak powstaje odpowiedź na pytanie

1
Źródła trafiają do systemu razem z właścicielem, wersją i zasadami dostępu.
2
Wyszukiwanie łączy dokładne identyfikatory z wyszukiwaniem po znaczeniu.
3
Do modelu trafiają tylko fragmenty, które pytająca osoba może przeczytać.
4
Odpowiedź wskazuje swoje źródła. Gdy źródła jej nie potwierdzają, system mówi o tym wprost, a jeśli skonfigurowano przekazywanie spraw, kieruje pytanie do człowieka.

Co się zmienia w twojej firmie

Wiedza przestaje zależeć od tego, kogo akurat da się zapytać. Inżynier wsparcia, nowa osoba w dziale obsługi albo handlowiec pyta własnymi słowami i w kilka sekund dostaje odpowiedź z zatwierdzonych dokumentów, z odnośnikiem do fragmentu. Eksperci, którzy co tydzień odpowiadali na te same pytania, odzyskują ten czas na sprawy, które wymagają ich wiedzy.

Odpowiedzi w kilka sekund zamiast szukania w folderach, wiki i starych zgłoszeniach
Mniej przerywania pracy ekspertom, którzy wiedzą, gdzie co jest zapisane
Nowi pracownicy szybciej stają się produktywni, bo mogą sami sprawdzać informacje
Klienci szybciej dostają odpowiedź, bo obsługa znajduje ją jeszcze w trakcie rozmowy
Odpowiedzi, które można sprawdzić, bo każda wskazuje źródło

Więcej szczegółów

Firmy idą w tę stronę. W badaniu Bitkom z 2026 roku 22% firm korzystających z AI używa jej do wewnętrznego zarządzania wiedzą, wobec 11% w 2025 roku. Jak to wygląda dla całego działu, od pierwszych pytań po radę zakładową, opisujemy na naszej stronie o zastosowaniu w zarządzaniu wiedzą.

Przykład takiej pracy

Załóżmy, że inżynier wsparcia pyta, które wersje firmware urządzenia wymagają ręcznego resetu po aktualizacji. Odpowiedź jest w dwóch zatwierdzonych runbookach i jednej notce do wydania. System musi znaleźć tę notkę po dokładnym numerze wersji, wybrać właściwą sekcję runbooka i odpowiedzieć z odnośnikiem do każdego dokumentu. Jeśli notkę wycofano w zeszłym tygodniu, nie może zostać użyta.

Źródła, właściciele i uprawnienia

Zaczynamy od przeglądu źródeł i tego, kto ma do nich dostęp. Każdy fragment zachowuje odniesienie do oryginalnego dokumentu, właściciela i wersji, więc odpowiedź da się prześledzić do źródła. Po tym przeglądzie podłączamy systemy, w których dokumenty już są.

Więcej szczegółów

Uprawnienia sprawdzamy, zanim jakikolwiek tekst trafi do modelu. Ktoś, kto nie może otworzyć dokumentu w systemie źródłowym, nie powinien dostać odpowiedzi zbudowanej na jego podstawie.

Dostęp zgodny z uprawnieniami w systemie źródłowym
Zmiany i usunięcia synchronizowane, żeby usunięte treści znikały też z indeksu

Chcesz omówić to na własnym przykładzie? Pierwsza rozmowa jest bezpłatna i trwa 30 minut.

Umów 30-minutową rozmowę

Jak znaleźć właściwy fragment

Do wyszukiwania dokumenty dzieli się na fragmenty, a fragment wyjęty z dokumentu może stracić kontekst, który nadawał mu sens. Dlatego zapisujemy ten kontekst przy każdym fragmencie. Wyszukiwanie po znaczeniu dobrze radzi sobie ze zwykłym językiem, ale potrafi pominąć dokładne ciągi znaków, takie jak kody błędów czy numery części. Tam, gdzie mają znaczenie, dokładamy wyszukiwanie leksykalne.

Więcej szczegółów

Każda odpowiedź wskazuje fragmenty, na których się opiera. Gdy system nie znajdzie nic trafnego albo źródła są sprzeczne, mówi o tym i może przekazać pytanie człowiekowi.

Testy, utrzymanie i przekazanie

Przed uruchomieniem przygotowujemy z twoim zespołem zestaw testowy. Wyszukiwanie i odpowiedzi oceniamy osobno, bo lepszy prompt nic nie da, jeśli właściwy fragment nie trafił do modelu. Śledzimy też czas odpowiedzi i koszt pytania.

Więcej szczegółów

Po uruchomieniu twój zespół dostaje testy, zadania synchronizacji i runbook opisujący dodawanie źródeł, zmianę uprawnień i analizę błędnej odpowiedzi.

Pytania, na które dokumenty odpowiadają, wraz z oczekiwanymi źródłami
Pytania, na które nie odpowiadają i przy których system powinien odmówić
Pytania, na które nowszy dokument daje inną odpowiedź
Pytania od osób bez dostępu do źródła

Kiedy warto budować własny system RAG

Czasem wystarczy mniej. Krótkie dokumenty, które rzadko się zmieniają, można przekazać modelowi bezpośrednio. Jeśli obecna wyszukiwarka już znajduje właściwy dokument, być może wystarczy ją poprawić, a gotowa usługa bazy wiedzy obsłuży typowe źródła z prostymi uprawnieniami. Jeśli któraś z tych opcji pasuje, powiemy ci o tym na pierwszej rozmowie.

Więcej szczegółów

Fine-tuning zmienia sposób działania modelu, na przykład format odpowiedzi albo to, jak klasyfikuje zgłoszenie. Fakty, które zmieniają się co tydzień, powinny trafiać do modelu przez wyszukiwanie, bo inaczej każda zmiana wymagałaby nowego treningu.

Pytania

Czy asystent wiedzy się nam opłaca?

Opłaca się tam, gdzie wiele osób codziennie szuka podobnych informacji albo gdzie kilku ekspertów spędza dużą część tygodnia na odpowiadaniu na pytania. Bierzemy próbkę prawdziwych pytań, zapisujemy, ile dziś trwa znalezienie odpowiedzi, i mierzymy ponownie z systemem na tych samych pytaniach. Od tego porównania zależy, czy wdrażasz system szerzej.

Od czego zależą koszty systemu RAG?

Od liczby i stanu źródeł, złożoności uprawnień, języków i formatów dokumentów, od tego, czy działa na własnych serwerach, czy na twoim własnym koncie w chmurze, i od liczby użytkowników. Korzystanie z modelu to bieżący koszt każdego pytania, który mierzymy od początku. Każdy krok ma stałą cenę, uzgodnioną na piśmie po pierwszej rozmowie.

Czy nasze dokumenty zostają w firmie?

Tak, jeśli tego potrzebujesz. Indeks, wyszukiwanie i model językowy mogą działać w całości na własnych serwerach albo na twoim własnym koncie w chmurze, z modelem open-weight, czyli takim, którego wagi możesz uruchomić u siebie, jeśli żaden zewnętrzny dostawca nie może widzieć tekstu. To, co jest przechowywane, gdzie jest przetwarzane i kto może czytać logi, dokumentujemy dla twojego inspektora ochrony danych, który decyduje razem z prawnikami.

Jak wygląda pierwsza rozmowa?

Trzydzieści minut z jednym z naszych inżynierów, bezpłatnie, o pytaniach, na które twój zespół potrzebuje odpowiedzi, i o tym, gdzie leżą dokumenty. Nie potrzebujemy dostępu do twoich systemów. Potem proponujemy zakres i cenę.

Czy możecie naprawić system RAG, który już mamy?

Tak. Uruchamiamy go na zestawie testowym z prawdziwych pytań i oceniamy osobno wyszukiwanie i odpowiedzi. Dzięki temu widać, gdzie leży problem i od której poprawki zacząć.

Czy system przestanie udzielać błędnych odpowiedzi?

Żaden system nie ma racji za każdym razem. Wskazywanie źródeł, testy z pytaniami bez odpowiedzi i możliwość odmowy ograniczają błędne odpowiedzi. Zestaw testowy pokazuje, jak często system dobrze odpowiada na twoje pytania.

Ile dokumentów potrzebujemy?

Nie ma stałego minimum. Liczy się to, czy dokumenty zawierają odpowiedzi, których szukają użytkownicy, i czy każde źródło ma właściciela. Sprawdzamy jedno i drugie podczas przeglądu źródeł.

Powiązane usługi

Integracja danych dla AI

Odpowiedzi z udziałów plików, SharePoint, ERP i zgłoszeń w kilka sekund, dla asystentów i agentów, z zachowanymi uprawnieniami i testami.

Agenci AI i automatyzacja procesów

Agenci, którzy przejmują rutynowe kroki złożonych spraw i przekazują decyzje ludziom, z kosztem każdej obsłużonej sprawy.

Chatboty AI

Klienci i pracownicy szybciej dostają odpowiedzi z twoich danych, z zatwierdzonymi działaniami i przekazaniem sprawy ludziom, gdy to ważne.

Dostęp agentów do systemów (MCP)

Agenci AI, którzy sprawdzają i zmieniają dane w twoich systemach, z wąskimi uprawnieniami, akceptacją zmian przez człowieka i testami.

Trenowanie własnych modeli

Mały model open-weight wytrenowany do jednego zadania i porównany z twoim obecnym modelem pod względem kosztu i dokładności.

AI on-premise

AI na ofertach, umowach i aktach klientów, a dane zostają w firmie: własne serwery albo własne konto w chmurze, przetestowane przed startem.

Testowanie systemów AI

Przed startem testy akceptacyjne na twoich przypadkach pokazują, jak często chatbot, asystent albo agent ma rację, w języku, którym posługuje się twój zespół QA.

Z bloga

Uprawnienia w RAG

Jak reguły dostępu trafiają z systemów źródłowych do indeksu wyszukiwania, gdzie się gubią i które testy negatywne pokazują, że nikt nie pobierze tego, czego nie może otworzyć.

Wyszukiwanie czy generowanie?

Procedura diagnostyczna, która pokazuje, czy błędna odpowiedź RAG zaczęła się w ingestii, wyszukiwaniu, rerankingu czy w modelu, z oznaczonymi dowodami i śladem dla każdego pytania.

Nieaktualne dokumenty w RAG

Jak utrzymać aktualność asystenta, gdy dokumenty są edytowane, przenoszone, ograniczane albo usuwane: projekt synchronizacji i testy kanarkowe, które dowodzą, że stara treść zniknęła.

Porozmawiaj z inżynierem

Przynieś kilka pytań, na które twój zespół zbyt długo szuka odpowiedzi w dokumentacji. Rozmowa trwa 30 minut i nie wymaga dostępu do twoich systemów ani danych.

Umów 30-minutową rozmowę

Rezerwacja odbywa się w Kalendarzu Google.

Gdy umawiasz rozmowę, rozmawiasz z Mickeyem Grafem

Założył Cloudsail i od 2017 roku wdraża uczenie maszynowe na produkcji, między innymi jako inżynier AI w trivago i SAP. Rozmowa może być po polsku, niemiecku albo angielsku.

Ocena 4,9 na 5 w serwisie Clutch

Wolisz najpierw napisać? Zostaw e-mail i kilka zdań. Mickey sam czyta każdą wiadomość i odpowiada e-mailem z propozycją terminów.