Остання редакція: 2026-06-21
Анотація
Проаналізовано методи динамічної наповнення контексту великих мовних моделей через інтеграцію інструментів веб-пошуку. Розглянуто архітектурну специфіку протоколу Model Context Protocol (MCP) та сервісів пошукового обґрунтування Gemini Grounding для підвищення фактичної точності генерації. Визначено підходи до оптимізації використання токенів та верифікації джерел. Запропоновано розширену класифікацію стратегій формування пошукових запитів та методів ранжування джерел.
APPLICATION OF WEB SEARCH AND MODEL CONTEXT PROTOCOL IN LARGE LANGUAGE MODEL ARCHITECTURES
Abstract:
The methods of dynamic contextualization of large language models through the integration of web search tools are analyzed. The architectural specificity of the Model Context Protocol (MCP) and Gemini Grounding services for increasing the factual accuracy of generation is considered. Approaches to token usage optimization and source verification are defined. An extended classification of query formation strategies and source ranking methods is proposed.
Ключові слова
Посилання
Lewis P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 9459–9474.
Huang L. et al. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM Transactions on Information Systems. – 2025. – Vol. 43, No. 2. – Article 42. DOI: 10.1145/3703155.
Anthropic. Model Context Protocol Specification [Електронний ресурс]. – Режим доступу: https://modelcontextprotocol.io/
Gao Y. et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997. – 2024 (v5). – [Електронний ресурс]. – Режим доступу: https://arxiv.org/abs/2312.10997
Li Y. et al. Mitigating Hallucination in Large Language Models: An Application-Oriented Survey on RAG, Reasoning, and Agentic Systems. – arXiv:2510.24476, 2025. – [Електронний ресурс]. – Режим доступу: https://arxiv.org/abs/2510.24476
Google Cloud. Grounding with Google Search in Gemini [Електронний ресурс]. – Режим доступу: https://ai.google.dev/gemini-api/docs/google-search
Trivedi H. et al. Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions. Proceedings of the 61st Annual Meeting of the ACL. – Toronto, 2023. – P. 10014–10037.
Gao L. et al. Precise Zero-Shot Dense Retrieval without Relevance Labels. Proceedings of the 61st Annual Meeting of the ACL. – Toronto, 2023. – P. 1762–1777.