Przejdź do głównej treści
Polski— Wybierz język
Menu

Wzorzec Hybrydowego RAG z Grok

Lekcja 13 z 16 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Połącz wszystkie źródła informacji
  2. Architektura wzorca
  3. Wkład każdego ze źródeł
  4. Przebieg żądania hybrydowego
  5. Trzy sytuacje, w których wzorzec błyszczy
  6. Kluczowe wnioski

Połącz wszystkie źródła informacji

Hybrydowe RAG (Retrieval-Augmented Generation) to najbardziej zaawansowany wzorzec w ekosystemie Grok. Jego zasada jest prosta: przestań z góry decydować, gdzie znajduje się odpowiedź. Twoje wewnętrzne kolekcje, wyszukiwanie w sieci, wyszukiwanie w X oraz wykonywanie kodu są udostępniane w ramach jednego żądania, a model sam decyduje, z których narzędzi skorzystać w zależności od zadanego pytania. Nie budujesz już warunkowych rozgałęzień; po prostu otwierasz drzwi.

4
Łączalne źródła
Auto
Wybór narzędzi
Podwójne
Cytaty wewnętrzne + sieciowe
Async
Natywne SDK Python

Architektura wzorca

Technicznie rzecz biorąc, wszystko sprowadza się do listy tools: deklarujesz kilka narzędzi bez określania ich kolejności ani warunków użycia.

response = await client.responses.create(
    model="grok-4.5",
    input="Porównaj naszą wewnętrzną dokumentację z najlepszymi praktykami rynkowymi dotyczącymi uwierzytelniania API.",
    tools=[
        {
            "type": "collections_search",
            "collection_ids": [collection_id]
        },
        {"type": "web_search"},
        {"type": "x_search"},
        {"type": "code_interpreter"}
    ]
)

Biorąc pod uwagę to pytanie, Grok prawdopodobnie pobierze Twoją dokumentację z kolekcji, przeprowadzi wyszukiwanie w sieci na temat najlepszych praktyk uwierzytelniania, a następnie syntezuje te dwie informacje w odpowiedzi porównawczej. Pozostałe dwa narzędzia pozostaną niewykorzystane: nic w pytaniu nie wskazuje na potrzebę opinii użytkowników z X ani obliczeń w Pythonie. Ten mechanizm wyboru stanowi sedno wzorca i wyjaśnia, dlaczego zadeklarowanie dodatkowego narzędzia nic nie kosztuje, dopóki nie jest ono istotne.

Wkład każdego ze źródeł

collections_search otwiera dostęp do Twoich wewnętrznych baz wiedzy: prywatnej dokumentacji technicznej, polityk i procedur, umów i dokumentów prawnych oraz bazy wsparcia klienta. Jest to jedyne źródło zawierające informacje, których model nie mógłby znać w inny sposób – rzeczywistość Twojej firmy.

web_search obejmuje przestrzeń publiczną. Znajdujesz tam to, czego nie kontrolujesz i co ulega zmianom: przepisy i oficjalne standardy, dokumentację techniczną dostawców, wiadomości oraz punkty odniesienia do analizy rynku. Stanowi to naturalne uzupełnienie kolekcji, które stają się nieaktualne tylko wtedy, gdy je zaktualizujesz.

x_search odpytuje platformę X i zapewnia dostęp do innego rodzaju materiałów: opinii i informacji zwrotnych w czasie rzeczywistym, trendów technologicznych, reakcji na niedawne ogłoszenia oraz ogólnych nastrojów rynkowych. Włączasz je, gdy pytanie dotyczy tego, co ludzie myślą, a nie tego, co jest napisane.

code_interpreter wykonuje kod Python w izolowanym środowisku (sandbox). Przetwarza dane właśnie wydobyte przez inne narzędzia, generuje wykresy, przekształca zbiory danych lub weryfikuje działanie fragmentu kodu. Jest to jedyne narzędzie, które produkuje nowe informacje, zamiast jedynie je pobierać.

Przebieg żądania hybrydowego

Gdy dostępnych jest wiele narzędzi, wykonanie zawsze przebiega według tego samego schematu. Grok zaczyna od analizy pytania, aby ustalić, które źródła są mu potrzebne, odpytuje wewnętrzne kolekcje, w razie potrzeby przeszukuje zewnętrznie sieć lub platformę X, a następnie syntezuje wszystko w spójną odpowiedź, na końcu dołączając cytaty. Rozróżniają one odniesienia wewnętrzne, z prefiksem collections://, od odniesień zewnętrznych w formacie https:// – dzięki temu, czytając odpowiedź, wiesz, które twierdzenie pochodzi z Twoich dokumentów, a które z innego źródła.

Trzy sytuacje, w których wzorzec błyszczy

W wywiadzie konkurencyjnym pytanie typu „Jak nasi konkurenci obsługują proces wdrażania klientów?“ mobilizuje jednocześnie wszystkie trzy źródła dokumentacyjne: kolekcja opisuje własną ścieżkę wdrażania, sieć dostarcza artykułów i opracowań na temat praktyk rynkowych, a X przynosi surowe opinie użytkowników, którzy właśnie przeszli proces wdrażania u konkurencji.

W obszarze zgodności (compliance) pytanie „Czy nasza polityka danych jest zgodna z najnowszymi przepisami UE?“ wymaga zestawienia obok siebie dwóch tekstów: aktualnej polityki przechowywanej w kolekcji oraz obowiązującego tekstu regulacyjnego pobranego z sieci. Żadne z nich nie wystarczy samo w sobie i jest to dokładnie przypadek, w którym podejście manualne staje się uciążliwe.

Wreszcie, w wsparciu technicznym, pytanie „Jak rozwiązać ten błąd limitu czasu w naszym API?“ łączy wewnętrzne przewodniki rozwiązywania problemów z forami, Stack Overflow i oficjalną dokumentacją frameworka. Agent otrzymuje w jednej odpowiedzi to, czego szukałby wcześniej w dwóch kartach przeglądarki i w wiki.

Kluczowe wnioski

  • Wzorzec hybrydowego RAG łączy wewnętrzne kolekcje, sieć, platformę X i kod w ramach jednego żądania
  • Grok automatycznie wybiera odpowiednie narzędzia na podstawie pytania
  • Cztery narzędzia to: collections_search, web_search, x_search, code_interpreter
  • Cytaty rozróżniają źródła wewnętrzne (collections://) od źródeł sieciowych (https://)
  • Wzorzec ten jest idealny w przypadkach wymagających krzyżowego odwoływania się do źródeł wewnętrznych i zewnętrznych