הגדרה קצרה
RAG הוא ארכיטקטורה שמשלבת מודל שפה עם שאיבה של מסמכים חיצוניים בזמן אמת, כך שהתשובה מבוססת על מקורות מאומתים ולא רק על ידע פנימי של המודל.
הרחבה
המערכת מבצעת חיפוש (retrieval) על בסיס נתונים או על האינטרנט, מזרימה את הקטעים הרלוונטיים לתוך ה-prompt של המודל, והוא מייצר תשובה שנשענת על המידע החי. RAG הוא המנגנון שמאפשר ל-ChatGPT Search, Perplexity ו-Gemini לצטט אתרים אמיתיים ולהפחית הזיות.
למה Retrieval-Augmented Generation חשוב לקידום ולשיווק?
כל פעם ש-ChatGPT עם חיפוש, Perplexity או Gemini מצטטים אתר, זה קורה בגלל RAG. המודל לא 'זוכר' את האתר שלכם מהאימון; הוא מריץ חיפוש, שולף קטעים מכמה דפים, ובונה מהם תשובה עם קישורים. המשמעות עבורכם היא שהכניסה לתשובות AI לא דורשת להמתין שהמודל הבא יאומן על האתר. היא דורשת שהדף יהיה ניתן לשליפה: מאונדקס, נגיש, ועם קטעים שעונים על השאלה בצורה עצמאית.
כאן נכנס ההבדל בין דף שמדורג לדף שמצוטט. בשליפה המערכת לוקחת קטע (chunk) של כמה מאות מילים, לא את הדף כולו. אם הקטע הרלוונטי מתחיל ב'כפי שהזכרנו למעלה' או מסתמך על טבלה שנמצאת בסעיף אחר, הוא חלש כמקור. פסקה שמציגה את העובדה, את ההקשר ואת שם העסק בתוכה היא פסקה שמודל יכול להרים כפי שהיא ולצטט.
איך מודדים ומיישמים את זה בפועל?
בפועל, RAG מכתיב איך לבנות דף. כל סעיף H2 צריך לעמוד בפני עצמו: כותרת ברורה, פסקת פתיחה שעונה על שאלת הסעיף, ואז פירוט. מזכירים את שם העסק והמיקום בתוך הטקסט ולא רק בכותרת האתר. מספרים, טווחי מחירים ותנאים נכתבים במשפט מלא, לא רק בתוך תמונה או טבלה בלי טקסט מקדים. סכמות Article ו-FAQ עוזרות למערכת לזהות גבולות של קטעים.
לבדיקה, שואלים את Perplexity או ChatGPT עם חיפוש שאלה שהדף אמור לענות עליה, ולוחצים על המקורות שהוא מציג. אם הדף שלכם מדורג בגוגל בעשירייה הראשונה אבל לא מצוטט, בדרך כלל הבעיה היא במבנה הקטעים או בחסימת סורקים ב-robots.txt. אפשר גם להעתיק פסקה מהדף למודל ולבקש ממנו לסכם אותה; אם הסיכום לא כולל את הטענה המרכזית שלכם, הפסקה לא כתובה טוב דיה.
טעויות נפוצות
- לחסום את GPTBot, PerplexityBot או ClaudeBot ולמנוע מהמערכת לשלוף את הדפים.
- לשים את המידע החשוב בתמונות, ב-PDF או בטאבים שנטענים ב-JavaScript בלבד.
- לכתוב פסקאות שתלויות בהקשר קודם ולא מחזיקות את עצמן כקטע עצמאי.
- להתמקד רק בכותרת הדף ולהניח שהמודל יקרא את כל התוכן עד הסוף.
- לפזר את אותה תשובה בכמה דפים דומים, כך שהמערכת לא יודעת איזה מהם לשלוף.
דוגמה מהשטח
דמיינו חברת שיפוצים שמפרסמת מדריך על עלויות שיפוץ מטבח, ומציגה את המחירים בטבלה בתוך תמונה. גם אם הדף ידורג היטב בגוגל, מערכת RAG ששולפת טקסט לא תמצא בו שום קטע שעונה על 'כמה עולה שיפוץ מטבח', ולא תצטט אותו. אם הטבלה תומר ל-HTML ותתווסף פסקה שמסכמת את הטווחים במילים, הדף יכיל קטע עצמאי שהמודל יכול להרים כפי שהוא, ואז יש לו סיכוי אמיתי להופיע כמקור ב-Perplexity עם שם החברה בתוך התשובה.
להמשך קריאה
שאלות נפוצות על Retrieval-Augmented Generation
האם צריך להבין RAG כדי לעשות GEO?
- לא צריך לדעת לבנות מערכת כזו, אבל כדאי להבין את העיקרון: המודל שולף קטעים קצרים מדפים מאונדקסים ובונה מהם תשובה. זה מכתיב כתיבה בקטעים עצמאיים וברורים שכל אחד מהם עונה על שאלה אחת.
אילו מנועים משתמשים ב-RAG על האינטרנט הפתוח?
- Perplexity, ChatGPT עם חיפוש, Gemini עם Grounding, Copilot של מיקרוסופט ו-AI Overview של גוגל. כל אחד מהם שואב מאינדקס שונה, ולכן נוכחות טובה בגוגל ובבינג יחד מכסה את רובם.
הדף שלי מדורג גבוה אבל לא מצוטט. למה?
- לרוב בגלל מבנה: המידע לא מופיע כקטע טקסט עצמאי, או שסורקי ה-AI חסומים. בדקו את robots.txt ושכתבו את הפסקאות המרכזיות כך שכל אחת תענה על שאלה אחת בשלמותה.