Что такое LLM, RAG и ИИ-агенты простыми словами

В описаниях AI-проектов рядом часто встречаются LLM, RAG и ИИ-агенты. Это не три разновидности одной нейросети, а разные части или подходы внутри системы.

Если совсем коротко: LLM работает с языком, RAG добавляет внешние знания, а агент может выбирать действия и использовать инструменты. Разберем на одном примере.

LLM, Large Language Model, - большая языковая модель. Она умеет отвечать на вопросы, писать и редактировать текст, извлекать информацию и работать с инструкциями. Современный текстовый чат-бот обычно использует именно такую модель.

Представим внутреннего помощника компании. Сотрудник спрашивает: «Как оформить командировку?» LLM может дать правдоподобный общий ответ, но она не обязана знать актуальный регламент именно этой компании.

Модель не получает автоматически новые внутренние документы. Если правил сотни и они меняются, прикладывать нужный файл к каждому запросу неудобно. Для таких задач используют RAG. Он особенно полезен там, где ответ должен опираться на конкретную базу знаний, а сами документы можно обновлять независимо от модели.

RAG, Retrieval-Augmented Generation, - подход, при котором система сначала ищет релевантную информацию во внешней базе знаний, а затем передает найденные фрагменты языковой модели как контекст.

В нашем примере RAG сначала найдет актуальную инструкцию по командировкам, а LLM сформирует ответ на ее основе. Это позволяет обновлять знания без полного переобучения модели.

Но RAG не делает систему безошибочной. Если документы устарели, поиск нашел не тот фрагмент или модель неверно использовала контекст, ответ тоже будет слабым.

Документы обычно делят на фрагменты и подготавливают для поиска. По вопросу система находит близкие по смыслу части текста и передает их модели. Поэтому качество зависит не только от LLM, но и от базы знаний, поиска, фильтров и проверки ответа.

Это важное отличие от простого «загрузили документы в нейросеть». Разработчик должен решить, как разбивать тексты, какие фрагменты считать релевантными и сколько контекста передавать модели. Ошибка на этапе поиска может испортить ответ даже при сильной LLM.

ИИ-агент получает цель, выбирает следующий шаг и может использовать доступные инструменты: поиск, базу данных, API, календарь или CRM.

Например, сотрудник просит проверить срок договора и создать задачу менеджеру, если он заканчивается в этом месяце. Агентная система может получить данные, проверить условие, вызвать нужный инструмент и сформировать результат. Разработчик заранее задает доступы, ограничения и места, где требуется подтверждение человека.

Чем больше инструментов доступно агенту, тем важнее контроль. Система, которая только ищет информацию, и система, которая может менять данные в CRM или отправлять запросы во внешние сервисы, требуют разного уровня проверок и ограничений.

Чаще эти подходы соединяются. Агент может использовать LLM для понимания задачи, RAG для поиска по документам и внешние инструменты для действий. Но добавлять все сразу не нужно: если задача решается обычным кодом или одним документом, сложная агентная архитектура будет лишней.

За чат-интерфейсом появляются Python, API, базы данных, поиск, оценка качества, безопасность и развертывание. Для RAG нужны знания об эмбеддингах и поиске, для агентов - об инструментах, состоянии, доступах и обработке ошибок.

В программе «Разработка искусственного интеллекта» ЗоргоСферы LLM, генеративный ИИ, RAG и ИИ-агенты идут после базовых блоков по математике, Python, данным, машинному и глубокому обучению.

LLM работает с языком. RAG подключает внешние знания. ИИ-агент использует модель как часть системы, которая может выполнять последовательность действий. Новичку полезнее сначала научиться определять, какой механизм нужен конкретной задаче, а не собирать максимально сложную архитектуру.

Смотрите также: «Какие навыки нужны разработчику ИИ в 2026 году»