People keep writing obituaries for RAG. You have probably seen the headlines by now. Long context windows killed it. Agents replaced it. The whole pattern is obsolete. The truth is narrower and far more useful. RAG did not die. What actually collapsed was the comfortable illusion that you could split a pile of documents into chunks, feed them into a vector database, and suddenly own a reliable, truthful AI.

A few years ago, the pitch was seductive in its simplicity. Embed your knowledge base. Connect it to an LLM. Ask a question, and watch the model answer using only your retrieved data. For controlled demos and small FAQ bots, this honestly worked. A twenty-page help desk manual. A tidy internal wiki. The bot would more or less cite the right paragraph, and leadership would sign off on the pilot. But pilots are not production. Prototypes do not contain the scars of real business operations.

Production data is messy. It contains the same troubleshooting note copied across a dozen files, each with slightly different timestamps and conflicting status labels. It holds complex tables that bleed across pages, rendering nonsense when a splitter cuts them down the middle. It preserves contradictions without apology. The 2023 policy manual says one thing. The March 2024 amendment says another. The old PDF was never archived. The naive pattern of chunk, store, and retrieve treats every paragraph as an isolated island. It has no feel for hierarchy, version history, or conflict resolution. The model hallucinates not because the LLM is broken, but because the context it received was fragmented, orphaned, or outright wrong.

Some observers claim that million-token context windows make retrieval irrelevant. Their argument is straightforward. Just dump the entire corpus into the prompt and let the model read it all. This sounds elegant. It is also dangerously optimistic. A model may technically be able to ingest a volume of text equivalent to a short novel, yet locating one specific clause in the middle of that expanse remains an entirely different capability. Needles stay lost in haystacks. Long context windows expand the available canvas, but they do not solve the hard work of deciding what deserves a spot on that canvas. The problem was never simply retrieval. It is, and always has been, context assembly.

From Naive Retrieval to Context Engineering

In 2026, the field is maturing. We are moving past the phase where RAG was treated as a single linear pipeline and toward an architecture that treats context as a deliberately engineered product.

Hybrid search over pure semantics. Semantic similarity is excellent for understanding intent, but it is sloppy with precise identifiers. If an engineer queries a specific error code like ERR_CONNECTION_REFUSED or a software version like v3.2.1, pure vector search can dilute the exact match in a sea of conceptually similar but practically irrelevant results. The evolution here is straightforward. Modern systems combine dense vector retrieval with keyword search, using methods like BM25 or inverted indexes alongside embeddings. Exact names, error codes, version strings, and product IDs get caught by the keyword layer while conceptual nuance is handled by the vector layer.

Reranking before generation. Retrieval is naturally biased toward recall. You pull in forty or fifty chunks because you are terrified of missing the one golden paragraph. But feeding all of that noise into a large model wastes tokens and buries signal. Reranking solves this with a second, usually smaller model that scores each candidate for relevance against the specific query. The top five passages advance. The rest are discarded. It acts as a precision filter between retrieval and generation, ensuring the expensive reasoning model only reads what actually matters.

Contextual retrieval that preserves meaning. Chunking is a violent act. A splitter can sever a paragraph from its section header, its table caption, its surrounding legal disclaimer, or the footnote that modifies its meaning. Contextual retrieval mitigates this by enriching fragments before they ever reach the model. You prepend metadata indicating provenance: This excerpt belongs to the Q3 2024 incident report, Database Outage section, Severity Critical. The model sees not just a floating sentence but a situated piece of information. The fragment regains its bearings.

Модульная маршрутизация по интенту. Не на каждый вопрос стоит отвечать через векторное хранилище, наполненное документацией. Пользователю, спрашивающему, как сбросить пароль, скорее всего, нужна статья из справочного центра. Пользователю, спрашивающему, почему выручка на северо-востоке упала в прошлом квартале, нужен SQL-запрос к хранилищу данных, а не семантически похожий абзац о региональной стратегии продаж. Зрелые системы теперь маршрутизируют запросы по интенту, выбирая подходящий инструмент. Документация — для процедур. Реляционные базы данных — для структурированной аналитики. Агрегаторы логов — для отладки трассировок. API — для получения статуса в реальном времени. Слой извлечения (retrieval layer) становится диспетчером, а не монокультурой.

Агентные циклы рассуждения. Некоторые вопросы невозможно решить одним шагом поиска. Они требуют переформулирования. Нечеткий начальный запрос уточняется. Полученные утверждения перепроверяются по второму источнику. Если документация противоречит спецификации API, система помечает конфликт, а не выдумывает некий «средний вариант». Модель сама решает, когда искать снова, когда уточнять запрос, а когда она собрала достаточно доказательств для ответа. Это не одноразовый поиск (one-shot retrieval). Это структурированное рассуждение, использующее поиск как подпрограмму.

GraphRAG для реляционных вопросов. Некоторые бизнес-вопросы касаются связей, а не предложений. Какой сбой компонента вызвал какие последующие оповещения? Какой поставщик снабжает какой завод и каков альтернативный маршрут? Кто в организации имеет право принимать решения по этой конкретной статье бюджета? Плоские текстовые фрагменты (chunks) «сплющивают» эти связи, так как они никогда не предназначались для сохранения топологии. Графы знаний — предназначаются. Когда вопрос касается влияния, происхождения (lineage), паттернов или сетевой структуры, обход графа дает такой контекст, который невозможно воспроизвести никаким поиском по абзацам.

Вопросы, которые действительно имеют значение

Дискуссию вокруг RAG пора менять. Хватит спрашивать, как построить универсальный RAG-конвейер. Начните спрашивать, какую конкретную задачу должна решить модель, какие именно данные ей нужны для точности и как проверить, что собранного контекста достаточно. Эти вопросы заставляют вас смотреть глубже: на качество данных, проектирование схем, циклы верификации и происхождение источников. Они показывают, пригодна ли ваша база знаний для автоматизированного использования вообще.

RAG — это больше не линейный процесс, который можно один раз настроить и забыть. Это дисциплина сборки правильного контекста, чтобы модель могла эффективно рассуждать. Это значит, что извлечение (retrieval) нужно рассматривать как задачу проектирования системы, а не просто как импорт библиотеки.

Инструменты становятся совершеннее. Поиск становится гибридным. Маршрутизация — интеллектуальной. Извлечение — ранжированным, обогащенным и верифицированным. Простые иллюзии 2022 года должны были рухнуть, чтобы им на смену пришло нечто действительно полезное. Ваша задача теперь — не просто извлекать текст из базы данных. Ваша задача — строить системы, которые знают, что нужно модели, еще до того, как модель начнет «думать».

Если вы работаете в этой области, обучающее сообщество GyaanSetu — это место, где можно обмениваться практическими заметками с людьми, решающими те же задачи: https://t.me/GyaanSetuAi