Wyszukiwanie kontekstowe w RAG (Contextual Retrieval)

Wyszukiwanie kontekstowe w RAG, nazywane Contextual Retrieval, to technika poprawiająca odnajdywanie informacji w bazie wiedzy dla AI. Zanim dokument zostanie podzielony na fragmenty i zapisany w indeksie, każdy fragment otrzymuje zwięzły kontekst. Może to być nazwa dokumentu, temat sekcji, data, odbiorca, etap procesu albo krótkie wyjaśnienie relacji z całością. Dopiero połączenie fragmentu z takim opisem trafia do embeddingów i, jeśli używasz go, indeksu słów kluczowych. Celem nie jest napisanie lepszego tekstu przez model, lecz znalezienie właściwego dowodu przed wygenerowaniem odpowiedzi.

Problem pojawia się po zwykłym chunkingu. Dokument jest cięty na równe części, a fragment „cena obejmuje dwa spotkania” traci informację, czy dotyczy konsultacji, kursu, aktualnej oferty czy archiwalnej promocji. Dla człowieka sens wynika z nagłówka i miejsca w dokumencie. Dla wyszukiwarki wektorowej samotny fragment bywa zbyt ogólny. Model może więc dostać tekst podobny językowo, lecz dotyczący innej usługi albo innego klienta. Contextual Retrieval przywraca minimalny kontekst potrzebny do sensownego dopasowania.

To nie jest to samo co długi prompt ani wklejenie całej bazy wiedzy do okna kontekstowego. W RAG system najpierw wybiera kilka fragmentów, a potem przekazuje je modelowi wraz z pytaniem. Wyszukiwanie kontekstowe ulepsza etap wyboru. Nie zastępuje też wyszukiwania hybrydowego, które łączy podobieństwo znaczeniowe ze słowami kluczowymi, ani rerankingu, który sortuje już znalezione wyniki. Te techniki można łączyć: kontekst wzbogaca fragmenty, wyszukiwanie hybrydowe buduje pulę kandydatów, a reranker wybiera te najbardziej przydatne do odpowiedzi.

Praktyczny przykład: ekspertka sprzedaje programy mentoringowe i trzyma w bazie RAG oferty, FAQ, transkrypcje konsultacji oraz polityki współpracy. Fragment o „dwóch spotkaniach” może wystąpić w kilku plikach. Podczas indeksowania system dopisuje do każdego fragmentu krótką notę: „Oferta: Mentoring dla ekspertów, wersja z maja 2026, sekcja Zakres, dotyczy pakietu Premium”. Gdy asystent odpowiada na pytanie o zakres pakietu, ma większą szansę odzyskać właściwy zapis. Nadal powinien pokazać źródło i zaznaczyć, gdy nie znajduje aktualnego dokumentu, zamiast zgadywać.

Dobry kontekst powinien być krótki, sprawdzalny i oparty na samym dokumencie. Nie dodawaj do każdego fragmentu marketingowych interpretacji ani informacji, których dokument nie potwierdza. Przydatne pola to typ dokumentu, tytuł, właściciel, data obowiązywania, sekcja oraz jednozdaniowe streszczenie roli fragmentu. Jeżeli korzystasz z modelu do wygenerowania tego opisu, zapisuj także wersję promptu i testuj próbkę wyników. W przeciwnym razie błędny opis zostanie powielony w całym indeksie i może pogorszyć wyszukiwanie zamiast je naprawić.

Wdrożenie zacznij od małej, mierzalnej bazy. Zbierz na przykład 30 rzeczywistych pytań o ofertę, onboarding lub procedury i zapisz poprawne źródła odpowiedzi. Najpierw zmierz, czy zwykłe fragmenty zwracają właściwy dokument. Następnie dodaj kontekst do nowo tworzonych fragmentów i porównaj wyniki na tym samym zbiorze pytań. Sprawdź nie tylko, czy odpowiedź brzmi dobrze, ale czy system odzyskał aktualny fragment, nie miesza klientów i podaje cytowanie. Taki test chroni przed wdrażaniem efektownej techniki bez realnej poprawy.

Contextual Retrieval ma koszt i ograniczenia. Dopisanie kontekstu zwiększa liczbę tokenów w indeksie, a generowanie opisów wymaga dodatkowego przetwarzania przy aktualizacji bazy. Kontekst może się też zestarzeć, gdy zmienia się oferta, dokument lub reguła biznesowa. Technika nie rozwiązuje problemu słabych danych źródłowych, błędnych uprawnień ani halucynacji modelu po pobraniu dokumentów. Nie powinno się nią maskować chaosu w źródle prawdy. Jeśli dokument nie ma właściciela, daty i jasnego statusu, najpierw uporządkuj ten dokument, a dopiero potem inwestuj w indeks.

Dla solopreneurki lub małego zespołu najważniejsza zasada brzmi: kontekst ma pomagać znaleźć decyzję, nie produkować więcej tekstu. Zacznij od dokumentów, których błędne odczytanie ma koszt biznesowy, na przykład aktualnej oferty, zasad współpracy i materiałów onboardingowych. Zostaw w odpowiedzi link lub cytat do źródła, wprowadź proces aktualizacji przy zmianie oferty i ogranicz bazę do zatwierdzonych plików. Wtedy wyszukiwanie kontekstowe staje się elementem wiarygodnego systemu AI, a nie kolejną warstwą techniczną bez właściciela.