Kluczowe pojęcia sztucznej inteligencji generatywnej
Na tej stronie
- Opanowanie podstawowego słownictwa
- RAG — Generowanie wspomagane wyszukiwaniem
- Embeddingi — Reprezentacje wektorowe
- Dostrajanie — Dostosowanie szyte na miarę
- Temperatura — Suwak kreatywności
- Halucynacje — Kiedy model zmyśla
- Ugruntowanie (Grounding) — Zakotwiczenie w rzeczywistości
- Prompt — Instrukcja dla modelu
- Kluczowe wnioski
Zaktualizowano 2 listopada 2026 r. — Le Chat staje się Vibe. Od 28 maja 2026 r. Le Chat to teraz Vibe (nadal pod adresem chat.mistral.ai): pojedynczy agent do pracy i kodowania, który zachowuje Twoje konwersacje, ustawienia i subskrypcje. Starsza wersja Le Chat jest nadal dostępna w trybie Chat; w trybie Work agenci to teraz umiejętności (wywoływane za pomocą `@»), pamięć stała się bazą wiedzy, a głębokie wyszukiwanie przekształciło się w umiejętność Deep Research. Plany noszą teraz nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; niektóre opisane tu menu mogły zmienić nazwę lub lokalizację.
Opanowanie podstawowego słownictwa
Istnieje kilka terminów, które spotkasz na każdym spotkaniu, w każdej dokumentacji i w każdej rozmowie z zespołem technicznym dotyczącym sztucznej inteligencji generatywnej: RAG, embeddingi, dostrajanie, temperatura, halucynacje, ugruntowanie (grounding). Ta lekcja wyjaśnia je po kolei, nie jako definicje ze słownika, ale jako narzędzia, które będziesz wiedział, jak wykorzystać w rzeczywistej rozmowie. Gdy dostawca zaproponuje „czatbota RAG z embeddingami Mistral“, będziesz dokładnie wiedział, co Ci sprzedaje – i jakie pytania zadać.
RAG — Generowanie wspomagane wyszukiwaniem
RAG (retrieval-augmented generation, czyli generowanie wspomagane wyszukiwaniem) to jedna z najpowszechniej stosowanych technik poprawy jakości odpowiedzi modeli LLM. Zasada opiera się na prostej obserwacji: zamiast polegać wyłącznie na wewnętrznej wiedzy modelu, dostarczasz mu w momencie zadawania pytania odpowiednie informacje extracted z zewnętrznej bazy danych.
Mechanizm przebiega w czterech krokach:
- Użytkownik zadaje pytanie
- System wyszukiwania identyfikuje odpowiednie dokumenty w bazie wiedzy
- Dokumenty te są wstrzykiwane do kontekstu modelu
- Model generuje odpowiedź na podstawie tych świeżych informacji
Dlaczego to takie ważne? Ponieważ RAG rozwiązuje fundamentalny problem modeli LLM: ich wiedza jest zamrożona na datę ich treningu. Model wytrenowany w zeszłym roku nie wie nic o Twoim nowym katalogu produktów, reorganizacji Twojego działu czy przepisach opublikowanych w zeszłym miesiącu. Dzięki RAG może odpowiadać na pytania dotyczące niedawnych wydarzeń, danych wewnętrznych Twojej firmy lub dokumentów, które dostarczysz. Wyobraź sobie dział kadr otrzymujący co tydzień te same pytania dotyczące układu zbiorowego: asystent RAG podłączony do umów firmowych odpowiada, cytując właściwy artykuł, zamiast improwizować z pamięci. To technika napędzająca wyszukiwarkę internetową Vibe i większość firmowych czatbotów.
Embeddingi — Reprezentacje wektorowe
Embeddingi to numeryczne reprezentacje tekstu w postaci wektorów, czyli list liczb. Każde słowo, zdanie lub dokument jest przekształcane w punkt w wielowymiarowej przestrzeni matematycznej. Kluczowa idea mieści się w jednym zdaniu: dwa teksty bliskie semantycznie będą miały embeddingi, które są blisko siebie w tej przestrzeni. „Pies“ i „canine“ (psowaty) będą sąsiadami; „pies“ i „arkusz kalkulacyjny“ będą bardzo daleko od siebie, mimo że żadna z tych par nie dzieli znaczących wspólnych liter.
Ta właściwość zmienia wszystko w zakresie wyszukiwania informacji. Tradycyjne wyszukiwanie słów kluczowych nie znajdzie dokumentu o „rozwiązaniu umowy za porozumieniem stron“, jeśli wyszukasz frazę „polubowne zakończenie kontraktu“; wyszukiwanie semantyczne za pomocą embeddingów tak, ponieważ obie formuły wskazują na ten sam obszar przestrzeni wektorowej. Poza wyszukiwaniem embeddingi służą do automatycznej klasyfikacji tekstów według tematów, wykrywania duplikatów lub podobnych treści oraz – jak widzieliśmy w poprzedniej lekcji w tej sekcji – do wybierania odpowiednich dokumentów w potoku RAG. Mistral oferuje dedykowane modele embeddingowe, Mistral Embed i Codestral Embed, które przekształcają Twój tekst w użyteczne wektory.
Dostrajanie — Dostosowanie szyte na miarę
Dostrajanie (fine-tuning) polega na kontynuowaniu treningu wstępnie wytrenowanego modelu przy użyciu własnych danych, aby dostosować go do konkretnych potrzeb. Najtrafniejszym obrazem jest lekarz ogólny szkolący się na specjalistę: wiedza ogólna już istnieje, dodajesz wyspecjalizowaną ekspertyzę.
Sięgasz po to rozwiązanie w kilku sytuacjach. Marka, która chce, aby wszystkie jej odpowiedzi dla klientów zachowywały określony ton i styl, może dostroić model na podstawie swoich najlepszych przeszłych wymian. Firma prawnicza lub dział medyczny może zaszczepić słownictwo specyficzne dla branży, z którym model ogólny radzi sobie tylko z grubsza. Zespół przetwarzający tysiące e-maili dziennie może wyspecjalizować model w konkretnym zadaniu, takim jak klasyfikacja lub ekstrakcja encji, osiągając lepsze wyniki niż przy użyciu ogólnego promptu. Wreszcie, destylacja polega na przenoszeniu wiedzy z dużego modelu do małego, aby osiągnąć podobną wydajność przy znacznie niższym koszcie. W Mistral to platforma Forge pozwala na dostrajanie modeli Open: przygotowujesz zbiór danych zawierający pary pytanie-odpowiedź, uruchamiasz trening i otrzymujesz niestandardowy model gotowy do wdrożenia przez API.
Temperatura — Suwak kreatywności
Temperatura to parametr kontrolujący stopień „kreatywności“ – technicznie rzecz biorąc, losowości – w odpowiedziach modelu. Przy niskiej temperaturze (od 0 do 0,3) model systematycznie wybiera najbardziej prawdopodobne odpowiedzi: wynik jest przewidywalny, precyzyjny i powtarzalny, co odpowiada zadaniom faktograficznym, ekstrakcji danych i kodowaniu. Przy średniej temperaturze (od 0,4 do 0,7) uzyskujesz balans między spójnością a różnorodnością, który pasuje do większości zastosowań konwersacyjnych. Przy wysokiej temperaturze (od 0,8 do 1,0) model eksploruje mniej oczywiste sformułowania: więcej kreatywności, ale też większe ryzyko błędów – ustawienie to należy zarezerwować do burzy mózgów i pisania kreatywnego.
W Vibe temperatura jest zarządzana automatycznie; nie musisz się nią martwić. Jednak poprzez API możesz ją precyzyjnie zdefiniować dla każdego żądania i jest to potężne narzędzie: to samo pytanie zadane przy wartości 0,1 i 0,9 wygeneruje w jednym przypadku odpowiedź księgowego, a w drugim copywritera.
Halucynacje — Kiedy model zmyśla
Halucynacje to odpowiedzi, które wydają się wiarygodne, ale są faktograficznie niepoprawne. Model „wymyśla“ informacje i – w tym tkwi niebezpieczeństwo – robi to z tym samym pewnym tonem, co gdy mówi prawdę. Przyczyna jest strukturalna: LLM przewiduje prawdopodobne tokeny, a nie zweryfikowane fakty. Może więc wygenerować tekst językowo nienaganny, ale faktograficznie fałszywy. Obszary ryzyka są dobrze zidentyfikowane: dokładne daty, liczby i statystyki, cytaty przypisywane rzeczywistym osobom, odniesienia do badań lub artykułów oraz szczegółowe dane techniczne. Poproś model o bibliografię mało znanego autora: chętnie poda Ci tytuły książek, które brzmią całkowicie wiarygodnie… a które nie istnieją.
Nie eliminuje się halucynacji, ogranicza się je. RAG zakotwicza odpowiedzi w zweryfikowanych źródłach; niska temperatura sprzyja najbardziej prawdopodobnym odpowiedziom; poproszenie modelu o źródła – a następnie ich samodzielne sprawdzenie – ujawnia zmyślenia; ugruntowanie (grounding), o którym za chwilę, łączy model z rzeczywistymi danymi. A w przypadku każdego krytycznego tematu zasada pozostaje absolutna: nigdy nie ufaj ślepo odpowiedzi.
Ugruntowanie (Grounding) — Zakotwiczenie w rzeczywistości
Ugruntowanie (grounding) odnosi się do wszystkich technik łączących model z wiarygodnymi i aktualnymi źródłami informacji. RAG jest jedną z form, ale koncepcja jest szersza. Wyszukiwarka internetowa pozwala modelowi zweryfikować fakty w Internecie, zamiast czerpać z jego zamrożonej pamięci. Połączenie z bazami danych daje mu dostęp do Twoich danych wewnętrznych – Twojego rzeczywistego stanu magazynowego, Twoich rzeczywistych klientów. Wywoływanie funkcji (function calling) pozwala mu wreszcie odwoływać się do zewnętrznych API, aby uzyskać dane w czasie rzeczywistym: pogodę, cenę akcji, status systemu. Różnica jest decydująca: ugruntowanie zmienia asystenta, który „wie rzeczy“, w asystenta, który „może zweryfikować rzeczy“.
Prompt — Instrukcja dla modelu
Prompt to tekst, który wysyłasz do modelu: Twoja instrukcja, Twoje pytanie, Twoje żądanie. Jego jakość w dużym stopniu determinuje jakość odpowiedzi – jest to temat całej lekcji później w tym kursie. Miej teraz na uwadze trzy pojęcia. Prompt systemowy grupuje ogólne instrukcje przekazywane modelowi z góry (ton, rola, ograniczenia), konfigurowalne przez API. Prompt użytkownika to Twoja właściwa wiadomość, bieżące pytanie lub zadanie. A few-shot prompting polega na dostarczaniu przykładów oczekiwanych odpowiedzi, aby poprowadzić model: pokazywanie jest często lepsze niż wyjaśnianie.
Kluczowe wnioski
- RAG wzbogaca odpowiedzi modelu o świeże dane zewnętrzne
- Embeddingi przekształcają tekst w wektory do wyszukiwania semantycznego
- Dostrajanie adaptuje model do Twoich konkretnych potrzeb za pomocą Forge
- Temperatura kontroluje balans między precyzją a kreatywnością
- Halucynacje to wiarygodne, ale fałszywe odpowiedzi; ugruntowanie zakotwicza model w weryfikowalnych danych, aby je ograniczyć