У роботі розглядається підхід Retrieval-Augmented Generation (RAG) як ефективний метод підвищення точності, релевантності та надійності відповідей великих мовних моделей. Описано принцип інтеграції зовнішніх джерел знань у процес генерування відповідей, що дозволяє моделі опрацьовувати актуальну інформацію та зменшувати ризик галюцинацій. Проаналізовано ключові компоненти RAG-архітектури, механізми індексування та пошуку, а також переваги порівняно з традиційними LLM, які працюють виключно на основі попереднього навчання.