---
title: "Ano ang RAG? Retrieval-augmented generation, paliwanag"
description: "Kinukuha ng RAG ang kaugnay na bahagi ng dokumento mo at idinadagdag sa prompt para doon sumagot ang LLM. Paano ito gumagana at kailan panalo ang long context."
url: https://broadrouter.com/fil/glossary/rag/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/rag/) (na-update noong 2026-11-14).

# RAG (retrieval-augmented generation)

Na-update 2026-11-14

Ang RAG (retrieval-augmented generation) ay isang pattern kung saan kinukuha muna ng application ang mga bahaging may kinalaman sa tanong mula sa isang external na store, gaya ng search o vector index, saka idinadagdag sa prompt para makasagot ang language model mula sa text na iyon, hindi lang mula sa memorya nito.

Tinatawag ding: RAG sa AI, ano ang RAG, retrieval-augmented generation, retrieval augmented generation, RAG pipeline, retrieval-augmented LLM

Binibigyan ng RAG ang model ng bukas na libro: bago ito sumagot, hinahanap ng code mo ang mga kaugnay na pahina at inilalagay sa prompt.

## Paano ito gumagana

Galing ang termino kina Lewis et al. (2020). Pinagsama nila ang isang generator model (“parametric memory”) at “a dense vector index of Wikipedia” (Salin ng BroadRouter: “isang dense vector index ng Wikipedia”), ang “non-parametric memory”, na naaabot sa pamamagitan ng isang neural retriever. Iniulat nilang mas maganda ang resulta nito sa open-domain question answering kaysa sa mga model na umaasa lang sa sarili nilang weights.

Ganito kadalasan ang isang modernong RAG pipeline na gumagamit ng LLM API:

1.  **Index.** Hatiin ang mga dokumento sa mga chunk, gawing [embeddings](https://broadrouter.com/fil/glossary/embeddings/) ang bawat isa at i-store sa isang [vector database](https://broadrouter.com/fil/glossary/vector-database/), kadalasang kasama ng keyword index.
2.  **Retrieve.** I-embed ang tanong ng user at kunin ang mga chunk na pinakatugma, halimbawa 5 hanggang 20.
3.  **Generate.** Ilagay ang mga chunk na iyon sa prompt, kasama ang instruction na doon lang kumuha ng sagot at banggitin ang mga ito. Ipadala sa chat model.

Hindi kailanman naghahanap nang mag-isa ang model. Ang kalidad ng retrieval ang nagtatakda ng hangganan: kung hindi nakuha ang tamang bahagi, hindi ito magagamit ng model.

## Bakit ito mahalaga

-   **Bagong impormasyon.** Natatapos ang weights ng model sa training cutoff nito. Sa RAG, puwede itong sumagot batay sa price list o patakaran ngayong araw.
-   **Gastos.** Mas kaunting input token ang 10 chunk kaysa sa buong corpus sa bawat tanong.
-   **Traceability.** Puwedeng banggitin ng sagot ang mga bahaging pinagmulan nito, na sumusuporta sa [grounding](https://broadrouter.com/fil/glossary/grounding/) at nagpapadali sa pagtukoy ng [hallucination](https://broadrouter.com/fil/glossary/hallucination/).
-   **Mahalaga ang pagkakasunod.** Mas nagagamit ng model ang simula at dulo ng mahabang prompt kaysa sa gitna. Unahin ang pinakamagagandang bahagi. Tingnan ang [lost in the middle](https://broadrouter.com/fil/glossary/lost-in-the-middle/).

## Sa BroadNet Inference

Ang generation step ang sakop ng BroadNet. Walang nakalistang embeddings endpoint sa docs nito, kaya kailangan ng retriever ng hiwalay na embedding model o keyword search. Tumatanggap ang DeepSeek V4.1 Flash at GLM 5.3 ng hanggang 1,048,576 token na context, kaya praktikal ang maluwag na retrieval (o walang retrieval para sa maliliit na corpus). Kinukumpara ng post na [long context vs RAG](https://broadrouter.com/fil/blog/long-context-vs-rag/) ang dalawa sa gastos at recall, at tinatalakay ng [Arabic RAG search](https://broadrouter.com/fil/blog/arabic-rag-search/) ang normalisation at hybrid retrieval para sa Arabic.

## Mga karaniwang pagkakamali

-   Pagsisi sa model kahit ang retriever ang may mali. I-log kung aling mga chunk ang nakuha para sa bawat sagot.
-   Mga chunk na humahati sa gitna ng table o pangungusap.
-   Walang instruction na sabihing “not found” (hindi nahanap). Kung wala nito, pinupunan ng model ang kulang mula sa memorya nito.

## Mga tanong

### Pareho ba ang RAG at fine-tuning?

Hindi. Nagdadagdag ang RAG ng mga dokumento sa prompt sa oras ng request at walang binabago sa model. Binabago naman ng fine-tuning ang weights ng model. Mas madaling i-update ang RAG; ire-index mo lang ulit ang dokumento sa halip na mag-retrain.

### Kailangan ko ba ng vector database para sa RAG?

Hindi palagi. Puwedeng maging retriever ang keyword search, isang SQL query o maliit na in-memory index. Nakakatulong ang vector database kapag marami kang dokumento at kailangan mo ng semantic na pagtutugma.

### Napapalitan ba ng 1M-token na context window ang RAG?

Minsan. Kung kasya ang buong corpus at madalas itong tanungin nang may caching, puwede mong ipadala lahat. Para sa malaki o mabilis magbagong corpus, mas mura at mas mabilis pa rin ang retrieval kada tanong.

## Tingnan din

-   [Embeddings](https://broadrouter.com/fil/glossary/embeddings/) (termino)
-   [Vector database](https://broadrouter.com/fil/glossary/vector-database/) (termino)
-   [Context window](https://broadrouter.com/fil/glossary/context-window/) (termino)
-   [Grounding](https://broadrouter.com/fil/glossary/grounding/) (termino)
-   [AI hallucination](https://broadrouter.com/fil/glossary/hallucination/) (termino)
-   [Lost in the middle](https://broadrouter.com/fil/glossary/lost-in-the-middle/) (termino)
-   [Chunking (RAG)](https://broadrouter.com/fil/glossary/chunking/) (termino)
-   [Reranking](https://broadrouter.com/fil/glossary/reranking/) (termino)
-   [Hybrid search](https://broadrouter.com/fil/glossary/hybrid-search/) (termino)
-   [BM25](https://broadrouter.com/fil/glossary/bm25/) (termino)
-   [Paano gamitin ang OpenAI Python SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-python-sdk/) (gabay)
-   [Long context vs RAG: kailan pinapalitan ng 1M token ang vector DB](https://broadrouter.com/fil/blog/long-context-vs-rag/) (artikulo)
-   [Arabic RAG: normalisation, chunking at retrieval na gumagana](https://broadrouter.com/fil/blog/arabic-rag-search/) (artikulo)
-   [Kailan sulit ang 1M-token na context window (at kailan hindi)](https://broadrouter.com/fil/blog/million-token-context-window-guide/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-rag&utm_content=page-cta) ·

**Mga source**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, NeurIPS 2020)](https://arxiv.org/abs/2005.11401)
-   [OpenAI, vector embeddings guide (gamit sa search)](https://developers.openai.com/api/docs/guides/embeddings)
-   [API reference ng BroadNet Inference, mga model ID at context (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-rag&utm_content=sources#models)
