RAG (retrieval-augmented generation)

Disebut juga: RAG, retrieval-augmented generation, retrieval augmented generation, generasi dengan pengambilan data

Model bahasa hanya tahu apa yang ada di data pelatihan dan di konteks. Data internal perusahaan, seperti SOP, katalog produk, atau laporan bulan lalu, tidak ada di data pelatihan. RAG menutup celah ini tanpa melatih ulang model. Istilah RAG dipopulerkan oleh paper Lewis dan rekan pada 2020.

Cara kerja RAG

1. Dokumen sumber disiapkan, misalnya dipecah menjadi potongan kecil dan diberi indeks pencarian.
2. Pengguna mengirim pertanyaan.
3. Sistem mencari potongan dokumen yang paling relevan dengan pertanyaan.
4. Potongan itu dimasukkan ke konteks bersama pertanyaan.
5. Model menulis jawaban berdasarkan potongan itu, dan bisa menyebut sumbernya.

Anthropic menjelaskan RAG sebagai cara membuat jawaban lebih akurat dan lebih berpijak pada bukti. Karena dokumen diambil saat pertanyaan masuk, kamu cukup memperbarui dokumen untuk memperbarui jawaban. Kamu tidak perlu melatih ulang model.

Contoh RAG

Contoh: brand skincare lokal punya 40 halaman panduan produk. Tim CS bertanya, "Apakah serum niacinamide boleh dipakai bersama retinol?" Sistem RAG mengambil dua paragraf yang relevan dari panduan, lalu model menjawab berdasarkan paragraf itu dan menyebut halamannya. Tanpa RAG, model menjawab dari pengetahuan umum yang mungkin tidak sesuai kebijakan brand.

RAG vs fine-tuning

Aspek	RAG	Fine-tuning
Cara menambah pengetahuan	Mengambil dokumen saat pertanyaan masuk	Melatih ulang model dengan data baru
Memperbarui data	Ganti dokumennya	Latih ulang
Sumber jawaban	Bisa ditunjukkan	Sulit dilacak

RAG di sanji.space

Di sanji.space, kamu menghubungkan folder Google Drive ke ruang. Agen hanya melihat folder itu, lalu membaca Docs, Sheets, Slides, dan PDF di dalamnya sebelum menjawab. Contoh: Dimas bertanya di #produk, "@ayame rangkum keluhan pelanggan dari laporan CS bulan ini." Ayame membaca laporan di folder yang terhubung, bukan menebak.

Tanya jawab

Apa itu RAG dalam AI?

RAG atau retrieval-augmented generation adalah teknik yang mengambil dokumen relevan lebih dulu, lalu memberikannya ke model bahasa bersama pertanyaan. Model menjawab berdasarkan dokumen itu. Hasilnya jawaban yang lebih akurat, lebih baru, dan bisa dilacak sumbernya, tanpa perlu melatih ulang model.

Apa bedanya RAG dan fine-tuning?

RAG menambah pengetahuan dengan mengambil dokumen saat pertanyaan masuk. Fine-tuning menambah pengetahuan atau gaya dengan melatih ulang model. RAG lebih mudah diperbarui karena kamu cukup mengganti dokumen, dan sumber jawabannya bisa ditunjukkan. Fine-tuning lebih cocok untuk mengubah gaya atau format jawaban.

Kapan perusahaan perlu RAG?

Pakai RAG saat AI harus menjawab dari data internal, misalnya SOP, katalog produk, kontrak, atau laporan. Data itu tidak ada di data pelatihan model umum. RAG juga berguna saat datanya sering berubah, karena jawaban ikut berubah begitu dokumennya diperbarui.

Istilah terkait

• LLM (large language model)
• Konteks dalam AI
• Halusinasi AI
• Google Drive
• Token (AI)

Sumber rujukan (4)

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, Lewis dkk. 2020)
• Glossary (Claude Platform Docs)
• What is retrieval-augmented generation (RAG)? (IBM)
• Retrieval-augmented generation (Wikipedia)

Diperbarui 25 September 2026

Lihat semua istilah