{"canonical_url":"https://engineer.company/sv/glossary/retrieval-augmented-generation/","content_markdown":"# Retrieval-augmented generation\n\n## Vad det är\n\nRetrieval-augmented generation är ett sätt att besvara en fråga med en\nspråkmodell i två steg. Först söker applikationen i en samling dokument efter de\nutdrag som mest sannolikt innehåller svaret. Sedan lägger den in utdragen i\nmodellens indata bredvid frågan, och modellen skriver svaret utifrån dem i\nstället för utifrån det den tog till sig under träningen. Namnet, som oftast\nförkortas RAG, kommer från en forskningsartikel från 2020 om kunskapsintensiva\nspråkuppgifter som att besvara öppna frågor.\n\nArtikeln beskrev två slags minne. En förtränad modell bevarar det den har lärt\nsig i sina parametrar, och det kallade författarna parametriskt minne. Ett\nseparat index över dokument, som en tränad sökmodell, en så kallad retriever,\nsöker i, är icke-parametriskt minne. Deras system kopplade en förtränad\nsequence-to-sequence-modell till ett tätt vektorindex över Wikipedia, och de\njämförde två sätt att använda träffarna: det ena låter hela svaret bygga på\nsamma utdrag, det andra kan hämta från olika utdrag för varje token det skriver.\nPå tre referenstester för frågebesvarande i öppna domäner satte systemet nya\nrekord, och författarna fann att texten det genererade var mer specifik, mer\nvarierad och mer faktamässigt korrekt än texten från en jämförbar modell utan\nsökning.\n\nEn applikation kan bygga samma mönster av delar den redan har: ett sökindex över\nde egna dokumenten och en stor språkmodell som den anropar via ett API. Sökdelen\när vanlig sökning, och båda familjerna av sökning dyker upp här. Sparse\nretrieval matchar ord, på det sätt som fulltextsökning rangordnar dokument med\nen poängfunktion som BM25. Dense retrieval gör om frågan och varje utdrag till\nvektorer av tal och returnerar de utdrag vars vektorer ligger närmast, och det\när vektorsökning. En artikel från 2020 om dense passage retrieval fann att en\ntät retriever, tränad på ett måttligt antal par av frågor och utdrag, slog en\nstark BM25-baslinje med 9 till 19 procentenheter, mätt på hur ofta rätt utdrag\nfanns bland de tjugo första resultaten. Ett system kan köra båda och slå ihop de\ntvå listorna.\n\n## Varför det spelar roll\n\nEn språkmodell känner bara till det som stod i träningstexten, och den texten\nslutar vid ett fast datum och har aldrig innehållit dina avtal, dina prislistor\neller anteckningarna från förra veckans möte. RAG-artikeln pekar på två\nsvagheter hos kunskap som ligger i parametrar: det är svårt att visa var ett\nsvar kom ifrån, och svårt att uppdatera kunskapen. Sökningen tar hand om båda.\nSvaret kan hänvisa till de utdrag modellen fick, så att en läsare kan öppna\nkällan och kontrollera den, och ny kunskap når modellen i samma ögonblick som\nett dokument kommer in i indexet, helt utan en träningskörning.\n\nDet placerar också frågan om vem som får se vad där den hör hemma. En sökning\nkan köras med behörigheterna hos den som frågar, så att modellen bara får se\nutdrag som den personen själv hade kunnat öppna. I en modell som hade tränats på\nsamma dokument finns inte den gränsen: allt den har lärt sig är tillgängligt för\nalla som använder den.\n\nPriset är att svaret aldrig blir bättre än det sökningen returnerar. En modell\nsom får fel utdrag skriver ett flytande svar utifrån dem, och en modell som inte\nfår något användbart svarar kanske ur minnet ändå. Det mesta av arbetet i ett\nsystem byggt på retrieval-augmented generation ligger därför i datan och\nsökningen, inte i modellen.\n\n## Så ser det ut i praktiken\n\nSpåret nedan följer en fråga genom ett sådant system. Sökningen körs med\nbehörigheterna hos användaren som frågar, varje utdrag kommer med filen och\nsidan det kommer från, och instruktionerna ber modellen svara utifrån utdragen\noch ingenting annat:\n\n```text\nfråga:     Vilka leveransvillkor gäller för order 4471?\nanvändare: sälj-3 (roll: sälj, region: norr)\n\nträffar, filtrerade till det sälj-3 får läsa:\n  [1] avtal/ramavtal-2025.pdf, sida 4\n      ”Varor levereras till köparens lager,\n       om inte ordern anger något annat.”\n  [2] order/4471.txt, rad 12\n      ”Leveransvillkor: se ramavtalet.”\n\ninstruktioner:\n  Svara bara utifrån utdragen nedan och hänvisa till dem som [n].\n  Om de inte besvarar frågan, säg det.\n\nsvar:\n  Order 4471 hänvisar till ramavtalet [2], som säger att\n  varor levereras till köparens lager [1].\n```\n\nVarje del av spåret är data som systemet kan kontrollera. Ett test kan bekräfta\natt rätt utdrag kom tillbaka för en känd fråga, ett skript kan bekräfta att\nvarje `[n]` i svaret hänvisar till ett utdrag som faktiskt hittades, och en\nperson som läser svaret kan slå upp sidan 4 i avtalet.\n\nFörarbetet som detta kräver är ämnet för sidan om\n[företagsdata redo för AI-agenter](/sv/ai-data/) här på webbplatsen. Den\nbeskriver hur gamla PDF:er, inskannade dokument och e-postarkiv görs om till\nsökbar text med källan sparad bredvid, och hur varje rad bär med sig varifrån\nden kom och när, alltså systemet, inläsningen, filen och sidan, så att en agent\nkan hänvisa till posten bakom en siffra och en människa kan öppna den. Sidan\nlägger också reglerna i datan och inte i prompten: agenten agerar med sin\nanvändares behörigheter, aldrig en administratörs, och varje läsning loggas med\npersonen den gjordes för.\n\n## Var det går fel\n\n**Sökningen missar, och modellen svarar ändå.** När rätt utdrag inte hittas får\nmodellen ändå något och skriver ändå ett svar. Mät sökningen för sig: skriv ner\nriktiga frågor tillsammans med de utdrag som besvarar dem, och kontrollera hur\nofta de utdragen finns bland resultaten modellen får. Be modellen säga till när\nutdragen inte besvarar frågan, och ta med sådana frågor bland testfallen.\n\n**Utdrag som skär svaret i två.** När dokument delas upp i bitar av fast längd\nskiljs en tabell från sin rubrik och en klausul från sitt undantag, och varje\nhalva vilseleder när den hittas ensam. Dela längs den struktur som dokumentet\nredan har, alltså styckena, sidorna och tabellraderna, och håll dokumentets\ntitel och placering ihop med varje bit.\n\n**Indexet bryr sig inte om vem som frågar.** Ett index som har byggts av en\ntjänst som kan läsa allt returnerar utdrag ur dokument som den som frågar inte\nfår öppna, och modellen sammanfattar dem för den personen. Filtrera på\nanvändarens behörigheter inne i sökningen, i indexet eller databasen, innan\nnågot når modellen. En regel i prompten är inte åtkomstkontroll.\n\n**Instruktioner planterade i ett dokument.** Text som hittas är text som någon\nannan har skrivit, och modellen kan inte på ett tillförlitligt sätt skilja ett\nutdrag från en instruktion. NIST:s profil för generativ AI beskriver indirekt\nprompt injection som attacker mot applikationer byggda på språkmodeller genom\ndata som sannolikt kommer att hämtas, och en artikel från 2023 demonstrerade\nsådana attacker mot verkliga system. Behandla varje utdrag som hittas som indata\ndu inte kan lita på, låt inget utdrag utlösa en handling utan en kontroll i kod,\noch ge verktygen som modellen kan anropa inte fler behörigheter än användaren\nsjälv har.\n\n**Ett index som släpar efter.** Ett dokument ändras eller raderas, och indexet\ninnehåller fortfarande de gamla utdragen, så systemet svarar självsäkert utifrån\nett avtal som inte längre gäller. Uppdatera indexet varje gång en källa ändras,\nta bort utdrag när deras dokument raderas, och visa datumet för varje källa\nbredvid svaret.\n\n**Källhänvisningar som inte säger det svaret påstår.** En modell kan hänvisa\ntill utdrag [2] för en mening som utdrag [2] inte stöder, och NIST påpekar att\ngenererade källhänvisningar själva kan vara konfabulerade. Kontrollera i kod att\nvarje hänvisning pekar på ett utdrag som hittades, och låt människor\nstickprovsgranska svar mot deras källor som en fast del av testarbetet.\n\n## Läs mer\n\n- [Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)\n  — artikeln från 2020 som introducerade RAG-modellerna och jämförde de två\n  varianterna på frågebesvarande och textgenerering.\n- [Dense Passage Retrieval for Open-Domain Question Answering](https://arxiv.org/abs/2004.04906)\n  — en tät retriever, tränad på par av frågor och utdrag och mätt mot BM25 på\n  att hitta det utdrag som innehåller svaret.\n- [NIST AI 600-1: Generative Artificial Intelligence Profile](https://doi.org/10.6028/NIST.AI.600-1)\n  — NIST:s riskprofil för generativ AI, med konfabulering, skydd av\n  personuppgifter och indirekt prompt injection.\n- [Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection](https://arxiv.org/abs/2302.12173)\n  — hur instruktioner gömda i hämtade data tar över en applikation, med attacker\n  mot verkliga system.\n\n\u003chttps://engineer.company/sv/glossary/retrieval-augmented-generation/\u003e\n","date_modified":"2026-10-29T11:17:41Z","description":"Så svarar en språkmodell utifrån dina egna dokument i stället för ur minnet, vad som avgör om svaret håller, och sex sätt som det går fel på.","formats":{"gemtext":"https://engineer.company/sv/glossary/retrieval-augmented-generation/index.gmi","gopher":"https://engineer.company/sv/glossary/retrieval-augmented-generation/gophermap","html":"https://engineer.company/sv/glossary/retrieval-augmented-generation/","json":"https://engineer.company/sv/glossary/retrieval-augmented-generation/index.json","markdown":"https://engineer.company/sv/glossary/retrieval-augmented-generation/index.md","pdf":"https://engineer.company/sv/glossary/retrieval-augmented-generation/index.pdf"},"kind":"page","language":"sv","title":"Vad är retrieval-augmented generation?","url":"https://engineer.company/sv/glossary/retrieval-augmented-generation/","version":1}