# Vektorová databáza a RAG: ako AI nájde správny odsek v tisícoch dokumentov.

Jaro Rais · 7 min čítania · 2026-10-27 · AI a jazykové modely
Source: https://itashu.co/know-how/vektorova-databaza-a-rag

Keď sa AI opýtate na zmluvu alebo cenník, nečíta celý archív. Nájde pár odsekov, ktoré k otázke patria, a odpovie podľa nich. Tomu sa hovorí RAG a jeho srdcom je vektorová databáza. Vysvetlíme, ako funguje, čo dnes funguje lepšie než pred rokom a na čo si dať pozor.

![Body rozptýlené v priestore, z jedného vedú línie k najbližším susedom a k trom dokumentom](https://itashu.co/img/art-23-hero-1280.webp)

## Prečo AI nečíta všetky vaše dokumenty naraz.

Prvé, čo napadne: dať AI všetky dokumenty a nech si poradí. Pri desiatkach strán to funguje, pri tisícoch nie. [Čím dlhší text model dostane, tým ľahšie v ňom prehliadne dôležitý odsek.](https://itashu.co/know-how/viac-podkladov-neznamena-lepsie-odpovede) A každá otázka nad celým archívom je pomalá a drahá. **Preto sa AI dokumenty neposielajú celé. Najprv sa v nich vyhľadá to, čo k otázke patrí.**

> **V praxi:** „Firma má 4 000 strán zmlúv, smerníc a e-mailov. Obchodník sa pýta, aká je výpovedná lehota v zmluve s firmou Novák. AI nečíta 4 000 strán. Vyhľadávanie vráti tri odseky, AI z nich odpovie a pridá odkaz na stranu zmluvy.“

RAG (z anglického retrieval-augmented generation, odpoveď doplnená vyhľadávaním) má dva kroky: **najprv nájsť, potom odpovedať.** Kvalita odpovede preto stojí hlavne na prvom kroku. Ak vyhľadávanie vráti zlé odseky, ani najlepší model neodpovie správne.

## Vektor je význam zapísaný v číslach.

Klasické vyhľadávanie hľadá rovnaké slová. Vektorové hľadá rovnaký význam. Každý úsek textu prejde cez takzvaný embedding model, ktorý z neho spraví vektor: rad stoviek až tisícok čísel. **Texty s podobným významom dostanú podobné čísla, aj keď nemajú ani jedno spoločné slovo.**

- **Pri človeku:** Knihovníčka nehľadá podľa presného názvu. Keď poviete „niečo o reklamáciách v e-shope“, vie, ktorá polica s tým súvisí, aj keď to slovo na chrbte knihy nie je.
- **Pri AI:** Otázka „môžem vrátiť rozbitý tovar?“ nájde odsek o „vadnom výrobku a odstúpení od zmluvy“. Slová sú iné, význam rovnaký.

Podobnosť sa meria ako vzdialenosť medzi vektormi, najčastejšie kosínusovou podobnosťou. Aby databáza nemusela porovnávať otázku s miliónmi úsekov jeden po druhom, používa približné hľadanie najbližších susedov. Výsledok je hotový v zlomku sekundy. **Je to však „najpodobnejšie“, nie „správne“.** Preto sú potrebné ďalšie kroky.

![Šesť krokov RAG v rade: dokument, úseky, vektory, databáza, otázka a odpoveď so zdrojom](https://itashu.co/img/art-23-steps-1280.webp)

## Ako funguje RAG systém v šiestich krokoch

Celý systém sa dá rozložiť na šesť krokov. Prvé tri sa robia raz, keď dokumenty vkladáte. Ďalšie tri pri každej otázke.

| KROK | ČO SA DEJE | KEDY |
| --- | --- | --- |
| 1. Rozdeliť dokumenty | Text sa rozdelí na úseky, napríklad po odsekoch | Pri vkladaní |
| 2. Vytvoriť vektory | Každý úsek prejde cez embedding model | Pri vkladaní |
| 3. Uložiť | Vektory sa uložia spolu so zdrojom, dátumom a právami | Pri vkladaní |
| 4. Vyhľadať | Otázka sa prevedie na vektor a nájdu sa najbližšie úseky | Pri otázke |
| 5. Zoradiť | Ďalší model zoradí úseky podľa toho, či naozaj odpovedajú | Pri otázke |
| 6. Odpovedať | AI odpovie len z nájdených úsekov a uvedie zdroj | Pri otázke |

**Najviac chýb vzniká v kroku 1 a 4.** Príliš veľké úseky sú nepresné, príliš malé strácajú súvislosti. A hľadanie bez filtrov na platnosť a práva vráti aj starý cenník alebo dokument, ktorý daný človek nemá vidieť.

## Čo dnes funguje lepšie než čisté vektorové hľadanie

Prvé RAG systémy sa spoliehali len na vektory. Dnes sa kombinujú s ďalšími technikami:

- **Hybridné vyhľadávanie:** vektory nájdu význam, hľadanie podľa slov nájde presné výrazy ako číslo zmluvy alebo kód produktu.
- **Zoradenie výsledkov:** ďalší model prečíta nájdené úseky a zoradí ich podľa toho, ako naozaj odpovedajú na otázku.
- **Kontext k úsekom:** každý úsek dostane krátky popis, odkiaľ pochádza. Spolu s hybridným hľadaním a zoradením to v teste Anthropic znížilo počet neúspešných vyhľadaní o 67 %.
- **Graf vzťahov a agentické hľadanie:** pri otázkach naprieč mnohými dokumentmi pomáha mapa vzťahov medzi pojmami (GraphRAG). Agent si sám určí, čo a kde hľadať, a keď výsledky nestačia, hľadá znova.

- **Pri človeku:** Skúsená asistentka nehľadá len v jednom šuplíku. Pozrie do zoznamu, prelistuje šanón a keď si nie je istá, opýta sa kolegu.
- **Pri AI:** Dobrý RAG systém robí to isté: hľadá viacerými spôsobmi, výsledky porovná a keď nestačia, hľadá znova.

## Kedy vektorovú databázu nepotrebujete

Ak máte pár desiatok strán, ktoré sa [zmestia do jedného projektu v Claude](https://itashu.co/know-how/jazykovy-model-je-zamrznuty-v-case), vektorová databáza je zbytočná. AI ich prečíta celé. Ak sa ľudia pýtajú na čísla, napríklad tržby alebo stav objednávok, patria do klasickej databázy. **Vektorová databáza dáva zmysel, keď je dokumentov veľa, menia sa a ľudia sa na ne pýtajú vlastnými slovami.**

## Čo znamená RAG pre vašu firmu

RAG je spôsob, ako AI odpovedá z vašich dokumentov namiesto z pamäti. Vektorová databáza v ňom hľadá podľa významu, nie podľa slov. Dobre funguje, keď sú dokumenty v poriadku, hľadá sa viacerými spôsobmi a AI uvádza zdroj.

Pre firmu z toho plynú tri rozhodnutia: **ktoré dokumenty do knižnice patria a kto ich udržiava aktuálne**, kto smie vidieť čo a kde budú dáta uložené. Technológia je dnes bežne dostupná, napríklad ako rozšírenie pgvector k databáze PostgreSQL. Rozhoduje obsah.

Zdroje: Lewis a kol., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020); Anthropic, Introducing Contextual Retrieval (2024); IBM, What is a RAG vector database; Microsoft Research, GraphRAG (2024).

**Spýtajte sa sami seba:** Keby sa dnes AI opýtala na vaše interné pravidlá, našla by aktuálnu verziu, alebo tú z minulého roka?

---

Povedzte nám, v akých dokumentoch sa u vás najdlhšie hľadá. Ukážeme, ako by v nich AI hľadala a odpovedala so zdrojom. https://itashu.co/konzultacia