«Хочу, чтобы нейросеть знала мои документы» — за этой фразой почти всегда стоит запрос на дообучение, а нужен обычно поиск. Ошибка стоит дорого: дообучение — это часы вычислений, подготовленный датасет и результат, который нельзя быстро откатить. Поиск — это индекс, который перестраивается за минуты.
Facts о сторонних инструментах и требованиях к железу в этом тексте проверялись 26.08.2026; проверьте актуальность на момент чтения.
#Один вопрос, с которого начинается выбор
Спросите себя: что именно должно измениться — то, что модель знает, или то, как она себя ведёт?
- Меняется знание (документы, факты, переписка, цены, регламенты, ваша личная история) — это RAG. Знание живёт вне модели, обновляется записью в базу и мгновенно доступно.
- Меняется манера (формат вывода, тон, жаргон предметной области, устойчивое следование сложной инструкции, разметка ответа) — это дообучение. Манера живёт в весах и одним поиском не чинится.
Большая часть запросов «научите модель моим данным» относится к первой категории, потому что данные у людей меняются постоянно, а стиль ответа их устраивает. Именно поэтому вопрос стоит задавать до того, как начинать собирать датасет.
#Что такое дообучение и что оно делает хорошо
Дообучение (fine-tune) — это дополнительное обучение готовой модели на своих примерах, после которого её веса меняются. Чаще всего используют LoRA-адаптеры: обучаются не все параметры, а небольшой довесок, который потом подключается к базовой модели. Подробно про процесс и требования — в гайде о том, как сделать свою модель через дообучение.
Что дообучение делает лучше любого поиска:
- Форма ответа без напоминаний. Модель начинает выдавать нужный формат сама, без инструкции в каждом запросе. Это экономит токены на каждом обращении.
- Жаргон и узкая терминология. Если в вашей области слова значат не то, что в общем языке, дообучение выравнивает это на уровне модели.
- Стабильность поведения. Промпт можно случайно испортить одной правкой; веса так не ломаются.
- Короткие запросы. Не нужно тащить в контекст длинные инструкции и примеры — они уже внутри.
Это не мелочи: там, где ассистент обрабатывает тысячи однотипных запросов, экономия контекста и стабильность формата окупают обучение.
#Сравнение по семи критериям
Смотреть в таблице стоит на две строки — «скорость обновления» и «откат». Именно они чаще всего решают спор на практике, а не качество ответов.
| Критерий | RAG | Дообучение |
|---|---|---|
| Обновление знания | минуты, запись в базу | новый прогон обучения |
| Откат ошибки | удалить запись | перевыпустить адаптер |
| Требуемые данные | сами документы | размеченные примеры |
| Железо | как для обычного ответа | GPU или долгий CPU-прогон |
| Ссылка на источник | есть по построению | отсутствует |
| Влияние на манеру | почти нет | основное назначение |
| Цена ошибки | низкая, локальная | высокая, глобальная |
Строка про источник важнее, чем кажется. RAG может показать, откуда взят факт, потому что фрагмент физически лежит в промпте — устройство этого конвейера разобрано в статье о том, что такое RAG простыми словами. Дообученная модель показать источник не может: знание размазано по весам, и на вопрос «откуда ты это взял» честного ответа не существует. Для персональной памяти это решающий довод.
#Дерево решений
- Факты меняются чаще, чем раз в квартал? Да → RAG. Нет → шаг 2.
- Нужно уметь показать источник ответа? Да → RAG. Нет → шаг 3.
- Проблема в том, что модель отвечает не тем стилем или не в том формате? Да → шаг 4. Нет → RAG (и, вероятно, проблема в поиске, а не в модели).
- Пробовали переписать системный промпт и дать 3–5 примеров прямо в нём? Нет → сделайте это сначала. Да, не помогло → шаг 5.
- Есть ли у вас хотя бы несколько сотен согласованных примеров «вход — правильный выход»? Нет → дообучать нечем, соберите данные. Да → дообучение оправдано.
Шаг 4 отсекает большинство случаев, и это не отговорка: примеры в промпте работают на удивление далеко. Сколько примеров нужно для реального обучения и почему меньшие числа не работают — в разборе сколько примеров нужно для дообучения.
#Где дообучение объективно лучше
Есть класс задач, где RAG проигрывает вчистую, и делать вид, что это не так, нечестно.
Жёсткий формат на большом потоке. Если ассистент обязан выдавать структуру, которую нельзя нарушить, и делает это тысячи раз в день, инструкции в промпте — это налог на каждый запрос плюс шанс сбоя. Дообученная модель держит формат дешевле.
Узкий язык. Медицинские сокращения, юридические формулы, внутренние коды компании — там, где общая модель систематически ошибается в терминах, поиск не помогает: он подложит правильный документ, а модель всё равно перескажет его неверными словами.
Экономия контекста при слабом железе. На небольшой локальной модели длинный промпт — это и задержка, и деградация качества. Перенос части поведения в веса освобождает окно под собственно данные.
Работа без хранилища. Если по условиям задачи внешней базы быть не должно вовсе, RAG отпадает по определению.
#Где RAG объективно лучше
Симметрично: RAG выигрывает всё, что связано с изменчивостью и проверяемостью. Новый факт становится доступен сразу после записи. Неверный факт удаляется точечно и перестаёт влиять на ответы. Ответ можно сопроводить цитатой и датой. И главное для личного ассистента: память о вас меняется постоянно — вы переезжаете, меняете работу, бросаете проекты. Модель, в веса которой зашита ваша прошлогодняя жизнь, — это не память, а окаменелость. Как устроены слои, которые с этим справляются, разобрано в статье о том, как работает память у ИИ.
Отдельный аргумент — стоимость ошибки. В RAG ошибка живёт в одной строке базы. В дообученной модели ошибка живёт в весах, и вы узнаете о ней через месяц, когда модель уверенно повторит её в новом контексте.
#Комбинация: когда нужно и то и другое
Подходы не исключают друг друга и на практике часто идут парой: дообучение задаёт манеру, RAG приносит факты. Так строятся отраслевые ассистенты — модель обучена говорить на языке предметной области, а конкретные документы подкладываются поиском.
Порядок при этом важен: сначала RAG, потом дообучение. Сначала вы выясняете, что проблема действительно в поведении, а не в том, что нужный документ не находится. Обратный порядок обходится дорого — вы обучаете модель компенсировать плохой поиск, и она делает это выдумыванием. Типовые ситуации, когда обучение точно лишнее, собраны в материале о том, когда дообучение не нужно.
#Частые вопросы
#Можно ли дообучением «залить» в модель свои документы?
Технически данные попадут в веса, но результат обычно разочаровывает: модель начинает уверенно смешивать детали разных документов и не может показать источник. Для фактов, которые нужно воспроизводить точно, поиск надёжнее по устройству.
#Сколько стоит дообучение по сравнению с RAG?
RAG почти не добавляет стоимости сверх обычного ответа — только индекс и немного лишних токенов в промпте. Дообучение требует разового прогона на GPU или долгого прогона на CPU и повторяется при каждом существенном обновлении данных. Конкретные цифры зависят от размера модели и железа — их имеет смысл замерять на своей конфигурации, а не брать из чужих отчётов.
#Что выбрать, если данных мало — пара сотен заметок?
RAG. Для дообучения такого объёма недостаточно, а поиску маленькая база даже удобнее: меньше шума, выше точность попадания.
#Устаревает ли дообученная модель?
Да, ровно в темпе устаревания данных, на которых её учили. Никакого механизма «забыть выученное» у неё нет: неверный факт из датасета остаётся в весах до следующего обучения.
#Помогает ли дообучение против галлюцинаций?
Скорее наоборот. Обучение на своих примерах делает модель увереннее в своей области, включая те случаи, где она ошибается. Проверяемость даёт не обучение, а наличие источника рядом с ответом.
#Вывод
Если у вас меняются факты — берите RAG, и не начинайте с обучения: оно решает другую задачу и стоит на порядок дороже в обслуживании. Если у вас не меняются факты, но не устраивает манера, и вы уже честно попробовали системный промпт с примерами — тогда дообучение оправдано. Если не устраивает и то и другое, стройте в порядке «сначала поиск, потом веса»: обратный порядок маскирует проблемы поиска и делает их невидимыми.