I03 Stacja 3 z 11
RAG (Retrieval-Augmented Generation) – jak ChatGPT i AI Overviews korzystają z wyników wyszukiwania
RAG (ang. retrieval-augmented generation, generowanie wsparte wyszukiwaniem) to sposób budowania odpowiedzi przez AI, w którym model językowy najpierw otrzymuje fragmenty znalezionych dokumentów, a dopiero potem generuje tekst na ich podstawie. Dzięki temu może on zawierać aktualne informacje i linki do źródeł. Według tego schematu działają odpowiedzi z cytatami w wyszukiwarkach AI, w tym Przegląd od AI w Google i wyszukiwanie w ChatGPT.
Poniżej krok po kroku opisujemy ten mechanizm, wyjaśniamy, skąd wzięło się samo pojęcie, oraz przedstawiamy, jak ten schemat wygląda w produktach Google i OpenAI – w takim zakresie, w jakim opisują go sami dostawcy.
Po co modelowi językowemu wyszukiwarka
Duży model językowy zna tylko to, co trafiło do jego danych treningowych, i to do daty ich zebrania. Nie wie, z której strony pochodzi dana informacja, a gdy brakuje mu wiedzy, potrafi wygenerować przekonująco brzmiącą nieprawdę. Szczegółowo opisujemy to w artykule o tym, jak działa duży model językowy.
RAG rozwiązuje trzy problemy naraz: zapewnia modelowi aktualne informacje, ogranicza zmyślanie faktów, bo model ma przed sobą konkretny tekst, i pozwala wskazać źródło, bo system wie, z jakiej strony pobrał dany fragment.
Jak działa RAG – krok po kroku
Ogólny schemat jest podobny we wszystkich systemach, choć szczegóły każdy dostawca ustala po swojemu i większości z nich nie publikuje.
- Zapytanie. Użytkownik zadaje pytanie, np. „Jak zablokować GPTBota w robots.txt i czy to usunie stronę z ChatGPT?”. System decyduje, czy w ogóle potrzebuje wyszukiwania – na proste pytanie o definicję model może odpowiedzieć na podstawie własnej wiedzy.
- Przygotowanie zapytań do wyszukiwarki. Pytanie użytkownika bywa przeformułowane albo rozbite na kilka krótszych zapytań. W powyższym przykładzie mogą to być osobno „GPTBot robots.txt” i „OAI-SearchBot ChatGPT search”.
- Wyszukiwanie (retrieval). System wysyła zapytania do indeksu – wyszukiwarki internetowej albo własnej bazy dokumentów – i otrzymuje listę pasujących stron.
- Wybór fragmentów. Z wybranych stron system wyodrębnia fragmenty, które najlepiej pasują do pytania. Do modelu nie trafiają całe serwisy, bo nie zmieściłyby się w oknie kontekstowym, czyli limicie tekstu, jaki model przetwarza naraz.
- Generowanie (generation). Model otrzymuje pytanie, wybrane fragmenty i instrukcję w rodzaju: „Odpowiedz na podstawie tych źródeł i wskaż, skąd pochodzi informacja”. Następnie tworzy odpowiedź i dołącza do niej odnośniki do stron, z których skorzystał.
Dla właściciela strony najważniejsze są kroki 3 i 4. Jeśli strona nie zostanie znaleziona podczas wyszukiwania albo żaden jej fragment nie zostanie uznany za pasujący, model po prostu jej nie uwzględni – niezależnie od tego, jak wartościowa jest reszta treści.
Skąd pojęcie RAG
Nazwę retrieval-augmented generation wprowadziła praca naukowa „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” (Patrick Lewis i współautorzy), opublikowana w serwisie arXiv 22 maja 2020 roku i zaprezentowana na konferencji NeurIPS 2020. Autorzy połączyli model generujący tekst z modułem wyszukującym dokumenty i pokazali, że takie połączenie lepiej radzi sobie z zadaniami wymagającymi wiedzy faktograficznej niż sam model.
Od tego czasu termin „RAG” stał się ogólną nazwą całej rodziny rozwiązań, w których model generuje odpowiedź na podstawie wyszukanych dokumentów. Warto pamiętać, że to określenie branżowe i naukowe: ani Google, ani OpenAI w cytowanej poniżej dokumentacji nie nazywają swoich produktów „systemami RAG”. Opisują jednak mechanizmy, które pasują do tego schematu.
Wyszukiwanie wektorowe – intuicja
Klasyczna wyszukiwarka porównuje słowa w zapytaniu ze słowami w dokumentach. Systemy RAG często korzystają też z wyszukiwania wektorowego: zarówno pytanie, jak i fragmenty dokumentów przekształca się w embeddingi, czyli ciągi liczb opisujące znaczenie tekstu. Fragmenty o zbliżonym znaczeniu mają podobne wartości liczbowe, więc system może znaleźć akapit o „blokowaniu robota OpenAI”, nawet gdy pytanie brzmiało „Jak nie wpuścić ChatGPT na stronę”.
Podobną koncepcję Google stosuje od lat w tradycyjnej wyszukiwarce. Na liście systemów rankingowych wymienia neural matching – system AI, który dopasowuje do siebie pojęcia z zapytań i stron, a nie tylko identyczne słowa (więcej o systemach rankingowych piszemy w artykule o tym, jak działa algorytm Google). Google nie opisuje natomiast, jakich dokładnie metod używa do wyboru fragmentów w funkcjach AI – i w tej kwestii nie spekulujemy.
Jak to wygląda w AI Overviews i Trybie AI
Google w dokumentacji dla właścicieli stron opisuje, że funkcje AI w wyszukiwarce – Przegląd od AI i Tryb AI – mogą korzystać z techniki query fan-out. W przewodniku „Optimizing for generative AI” (aktualizacja z 10 lipca 2026 roku) definiuje ją jako zestaw równoległych, powiązanych zapytań generowanych przez model, by zdobyć więcej informacji i pobrać dodatkowe wyniki wyszukiwania. To odpowiednik kroków 2 i 3 z powyższego schematu. Szczegóły opisujemy w artykule o query fan-out.
Źródłem fragmentów jest indeks wyszukiwarki Google. Wynikają z tego warunki, które Google podaje w dokumencie „AI features and your website”: strona musi być zaindeksowana oraz kwalifikować się do wyświetlania z fragmentem tekstu (snippetem). Nowszy przewodnik dodaje, że witryna nie może być wykluczona z generatywnych funkcji AI w ustawieniach Search Console. Z tego samego powodu dyrektywy nosnippet i max-snippet ograniczają też to, co trafia do odpowiedzi AI – blokują krok 4, czyli wybór fragmentu.
To, jak wygląda sam przegląd, kiedy się pojawia i jak go mierzyć, opisujemy w artykule o AI Overviews.
Jak to wygląda w ChatGPT search
OpenAI opisuje wyszukiwanie w ChatGPT (ChatGPT search) od strony właściciela witryny przede wszystkim przez roboty. W dokumentacji botów rozróżnia trzy niezależne ustawienia:
| Robot OpenAI | Do czego służy | Związek z odpowiedziami w ChatGPT search |
|---|---|---|
| OAI-SearchBot | Wyszukiwanie | Decyduje o obecności – strony, które go blokują, nie są pokazywane w odpowiedziach ChatGPT search (mogą pojawić się tylko jako linki nawigacyjne) |
| GPTBot | Pozyskiwanie treści do trenowania modeli | Brak – można go zablokować, a strona nadal będzie pojawiać się w wynikach wyszukiwania |
| ChatGPT-User | Pobieranie stron w ramach akcji zainicjowanych przez użytkownika | Według OpenAI nie służy do ustalania, czy treść może pojawić się w wyszukiwaniu |
Według centrum pomocy OpenAI, żeby strona mogła się pojawić w odpowiedziach, wystarczy zezwolić robotowi OAI-SearchBot na skanowanie i upewnić się, że serwer ani sieć CDN nie blokują ruchu z opublikowanych adresów IP tego robota. OpenAI zastrzega, że obecność w odpowiedzi nie jest gwarantowana. Zmiany w pliku robots.txt są uwzględniane po około 24 godzinach.
Skąd ChatGPT pozyskuje wyniki? Centrum pomocy podaje, że ChatGPT search „czasem współpracuje z innymi dostawcami wyszukiwania”, i w kontekście ich polityki prywatności odsyła do oświadczenia Microsoftu. OpenAI nie publikuje jednak pełnej listy dostawców ani nie opisuje, jak dzieli zapytania między własny indeks a bazy partnerów, więc tego nie przesądzamy. Więcej o tym, co da się sprawdzić po stronie ChatGPT, piszemy w artykule o wyszukiwaniu w ChatGPT.
| Krok RAG | Przegląd od AI / Tryb AI | ChatGPT search |
|---|---|---|
| Dostęp do strony | Googlebot, indeks Google; ustawienie „Generatywna AI w wyszukiwarce” w Search Console | OAI-SearchBot i dostęp z jego adresów IP |
| Wyszukiwanie | Indeks Google, query fan-out (opisany przez Google) | Dostawcy wyszukiwania, z którymi OpenAI „czasem współpracuje” (bez pełnej listy) |
| Wybór fragmentu | Ograniczany przez nosnippet, data-nosnippet, max-snippet | Nieopisany publicznie |
| Pomiar | Raporty w Search Console | Dokumentacja OpenAI nie opisuje raportu dla właścicieli stron |
Co z tego wynika dla Twojej strony
Skoro odpowiedź AI powstaje z fragmentów znalezionych przez wyszukiwarkę, droga do cytowania prowadzi przez te same etapy, co w klasycznym SEO: robot musi mieć dostęp do strony, strona musi być w indeksie i pojawiać się w wynikach na zapytania z danego tematu, a jej treść musi zawierać fragment, który jasno odpowiada na pytanie. Google ujmuje to wprost – optymalizacja pod kątem generatywnej AI to z perspektywy wyszukiwarki nadal SEO – i uznaje za mit sztuczne dzielenie tekstu na „kawałki” pod modele.
Listę konkretnych działań, z podziałem na to, co potwierdzają dostawcy, co pokazały badania i co jest tylko praktyką branżową, zebraliśmy w artykule o tym, jak strona trafia do cytowań w odpowiedziach AI. Szerszy obraz zmian opisujemy w przewodniku SEO w czasach AI.
Najczęstsze pytania
Co to jest RAG?
RAG (retrieval-augmented generation) to sposób działania AI, w którym system najpierw wyszukuje dokumenty pasujące do pytania, a model językowy generuje odpowiedź na podstawie wybranych z nich fragmentów. Pozwala to podawać aktualne informacje i linki do źródeł.
Kto opracował RAG?
Pojęcie to wprowadziła publikacja naukowa Patricka Lewisa i współautorów „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, opublikowana na arXiv w maju 2020 roku i zaprezentowana na konferencji NeurIPS 2020.
Czy AI Overviews korzystają z RAG?
Google nie używa nazwy RAG, ale opisuje mechanizm zgodny z tym schematem: funkcje AI mogą wysyłać kilka powiązanych zapytań (query fan-out), pobierać wyniki z indeksu wyszukiwarki i na ich podstawie budować odpowiedź z linkami.
Czy blokada GPTBota usuwa stronę z ChatGPT search?
Nie. GPTBot służy do pozyskiwania treści do trenowania modeli. O obecności w odpowiedziach ChatGPT search decyduje dostęp robota OAI-SearchBot.
Czy trzeba dzielić tekst na krótkie fragmenty na potrzeby RAG?
Nie. Google nazywa sztuczne dzielenie treści pod kątem modeli AI (chunking) mitem. Wystarczy, że strona ma czytelną strukturę, a akapity jasno odpowiadają na pytania, których dotyczą.
Cała linia: AI Search
- I01węzeł
SEO a AI
- I02
LLM
- I03jesteś tutaj
RAG
- I04
Query fan-out
- I05
AI Overviews
- I06
Tryb AI
- I07
ChatGPT Search
- I08
GEO
- I09
Cytowania w AI
- I10
Crawlery AI
- I11
Treści z AI
Przesiadki
Węzły pozostałych linii – od nich zaczyna się każdy dział Akademii.
- Co to jest SEO? Kompleksowy przewodnik po optymalizacji w 2026 rokuPodstawy SEO
- Jak skutecznie wyszukiwać słowa kluczoweSłowa kluczowe
- Przewodnik po kodach statusu HTTP: jak interpretować odpowiedzi serweraTechniczne SEO
- Topical authority w SEO – jak stać się autorytetem w swojej niszy?Semantyczne SEO
- Wpływ crawl budgetu na pozycjonowanie stron – jak skutecznie zarządzać zasobami skanowaniaCrawlowanie i indeksacja
- Nawigacja fasetowa – jak optymalizować ją dla SEO?SEO dla e-commerce
- Jak algorytm Panda zmienił zasady gry w SEO?Algorytmy Google
- Analiza danych w Google Search Console i ich wpływ na ruch internetowyNarzędzia SEO