RAG-инженер собирает для компании поиск по её собственным документам, в котором отвечает нейросеть: сотрудник задаёт вопрос обычными словами и получает ответ со ссылкой на регламент, договор или страницу базы знаний. В вакансиях эту работу называют по-разному: RAG-разработчик, LLM-инженер, AI-инженер по поиску, специалист по корпоративному AI-поиску. Суть одна: модель берёт ответ из найденных в базе фрагментов.
Спрос уже виден в цифрах. На 24 сентября 2026 года поиск hh.ru по России показал 596 вакансий, где RAG упомянут в описании, после удаления дублей осталось 547. Из них 102 с открытой зарплатой, и медиана по ним около 203 тысяч рублей на руки.
Ниже разберём, чем RAG-инженер отличается от AI-инженера и специалиста по базам знаний, из каких этапов состоит проект, какой нужен стек и с чего начинать. В конце есть подборка курсов по нейросетям и ИИ. Если с самим термином пока не сталкивались, сначала загляните в объяснение RAG простыми словами.
CheckroiПодборка курсов для AI-инженеров6 курсов • 3 школыСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Кто такой RAG-инженер простыми словами
Большая языковая модель знает то, что было в её обучающих данных. Про ваш отпускной регламент, прайс для дилеров или инструкцию к станку она не знает ничего. Если спросить её напрямую, она уверенно сочинит правдоподобный ответ. Это и есть галлюцинации.
Подход RAG (retrieval augmented generation, генерация с опорой на найденное) описала группа исследователей во главе с Патриком Льюисом в статье 2020 года. Сначала система ищет в базе подходящие куски текста, потом передаёт их модели вместе с вопросом, и модель формулирует ответ только по ним. RAG-инженер отвечает за первую половину цепочки: что лежит в базе, как документы нарезаны, как их находят и как проверить, что найдено нужное.
Отсюда главное отличие от «человека, который пишет промпты». Хороший промпт не спасёт, если в контекст попал устаревший приказ или половина таблицы из PDF. Поэтому RAG-инженер больше времени проводит с данными и поиском, чем с самой моделью.
Где такие системы работают чаще всего:
- Внутренний помощник сотрудника отвечает про отпуск, командировки, оформление справок и ссылается на пункт регламента.
- Первая линия поддержки подсказывает оператору готовый ответ клиенту по базе инструкций и тарифов.
- Юристы и закупщики ищут похожие пункты в сотнях договоров и шаблонов.
- Сервисные инженеры находят нужный раздел в документации к оборудованию прямо с объекта.
- Продавцы быстро сверяют условия, скидки и характеристики товара.
RAG-инженер, AI-инженер и специалист по управлению знаниями: кто за что отвечает
Путаница с названиями возникает потому, что корпоративный AI-поиск лежит на стыке трёх ролей. Контент базы знаний ведёт один человек, модель в продукт встраивает второй, а связку «документы → поиск → ответ» строит третий.
| Специалист | Чем занят | Главный результат | Чего обычно не делает |
|---|---|---|---|
| RAG-инженер | Загрузка документов, нарезка, индексы, гибридный поиск, переранжирование, оценка ответов | Бот или поиск, который отвечает по базе и даёт ссылку на источник | Не обучает модели с нуля и не пишет сами документы |
| AI-инженер | Встраивает LLM в продукты: агенты, вызовы инструментов, RAG как одна из задач | AI-функция в приложении | Редко погружается в качество поиска так глубоко |
| ML-инженер | Обучает и дообучает модели, готовит признаки и выкатывает их | Модель с измеренным качеством | Не отвечает за корпоративную базу документов |
| Специалист по управлению знаниями | Собирает у экспертов знания, пишет и актуализирует статьи базы | Понятная и свежая база знаний | Не программирует поиск |
| Промпт-инженер | Подбирает инструкции для модели под задачу | Стабильный формат и тон ответов | Не строит индекс и не чинит загрузку данных |
В маленькой компании эти роли часто совмещает один человек. В банке или ретейле с тысячами документов они расходятся, и RAG-инженер работает в паре со специалистом по базе знаний: один отвечает за то, чтобы в документах была правда, другой за то, чтобы её находили.
Канал основателя Checkroi Вани Буявца3 700 человек читают мой Телеграм-канал про нейросетиСобрал промпты для Claude Code и ChatGPT, разборы ИИ-инструментов и лайфхаки по продвижению бизнеса в одном местеПрисоединитьсяЧем занимается RAG-инженер: основные задачи
Хорошо видно по вакансиям. Например, недавняя вакансия RAG Engineer в MWS AI (сейчас она в архиве) описывает три задачи: запуск ботов на специфических базах знаний, разработку и поддержку систем на RAG и оптимизацию самих баз знаний под такие пайплайны. Если разложить подробнее, получится такой список.
- Сбор источников. Подключает вики, общие папки, CRM, почтовые шаблоны, сканы договоров и договаривается с владельцами о доступе.
- Очистка и разбор документов. Достаёт текст из PDF, таблиц и сканов, убирает колонтитулы и дубли, сохраняет заголовки и номера пунктов.
- Нарезка на фрагменты (чанкинг). Решает, резать ли по абзацам, разделам или смыслу, и какой длины должен быть кусок, чтобы в нём оставался ответ целиком.
- Эмбеддинги и индекс. Выбирает модель для векторного представления текста и векторную базу, настраивает обновление индекса при изменении документов.
- Поиск и переранжирование. Совмещает векторный поиск с классическим поиском по словам, ставит реранкер, фильтры по дате, отделу и типу документа.
- Сборка ответа. Настраивает инструкцию модели, цитаты со ссылками и прямой ответ «в базе этого нет» вместо выдумки.
- Оценка качества. Собирает набор эталонных вопросов, мерит долю найденных нужных фрагментов и точность ответов, ведёт журнал ошибок.
- Права и безопасность. Следит, чтобы стажёр не получил в ответе зарплаты топ-менеджеров, а персональные данные не уходили во внешний сервис.
Специализации и где работают RAG-инженеры
Внутри профессии уже есть разделение по фокусу. Мы выгрузили 547 уникальных вакансий с hh.ru, где RAG упомянут в описании, и посмотрели, в какие профессиональные роли их ставят работодатели. Чаще всего это «Программист, разработчик» (155 вакансий) и «Дата-сайентист» (121), дальше руководители групп разработки (39), системные аналитики (34) и DevOps-инженеры (29).
| Специализация | С чем работает | Под каким названием ищут | Кому подходит |
|---|---|---|---|
| Разработчик RAG-пайплайнов | Python, API, очереди, загрузка и обновление данных | Python-разработчик (LLM/RAG), AI-разработчик | Бэкенд-разработчикам, особенно на Python |
| Инженер поиска и ранжирования | Гибридный поиск, реранкеры, метрики релевантности | ML-инженер (Search), NLP-инженер | Тем, кто любит эксперименты и цифры |
| Инженер данных для базы знаний | Парсинг PDF и сканов, нормализация, метаданные | Data Engineer, инженер по данным | Инженерам данных |
| Инженер LLM-инфраструктуры | Развёртывание моделей на своих серверах, GPU, мониторинг | MLOps, DevOps для AI-платформы | Системным инженерам и DevOps |
| Аналитик качества AI-ответов | Эталонные вопросы, разметка, отчёты об ошибках | Системный аналитик, AI-аналитик | Аналитикам без сильного программирования |
| Архитектор или тимлид | Выбор стека, требования безопасности, команда | AI Tech Lead, архитектор AI-платформы | Опытным разработчикам |
Работодатели в выборке очень концентрированы. Каждая пятая вакансия от Сбера (107 из 547), дальше идут интеграторы, банки, маркетплейсы, телеком и промышленность. Москва даёт 425 вакансий, Санкт-Петербург 45, остальные города по единицам. Полностью удалённый формат указан в 190 вакансиях, гибрид в 209.
Где искать работу. Вакансия с «RAG» в названии редкость: поиск по названию на hh.ru находит всего 10. Ищите по описанию: «RAG», «LLM», «база знаний», «векторный поиск».
CheckroiПодборка курсов по LangChain6 курсов • 2 школыСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Тест от CheckroiЗаменит ли ИИ инженера?Прогноз до 2030: какие задачи автоматизируются, что останется за человеком и какие навыки помогут остаться востребованным. 30 секунд, без регистрации.Пройти тестИнструменты и методы RAG-инженера
Стек меняется быстро, но его ядро уже устоялось. Мы открыли 220 вакансий из выборки и посчитали, как часто в описании и ключевых навыках встречаются инструменты.
| Инструмент или метод | Зачем нужен | Доля вакансий |
|---|---|---|
| Python | Основной язык пайплайнов и сервисов | 71% |
| Docker | Упаковка и выкатка сервисов | 51% |
| LangChain и LangGraph | Сборка цепочек и агентов вокруг модели | 33% и 24% |
| Гибридный поиск, BM25 | Поиск и по смыслу, и по точным словам: номерам, артикулам | 32% |
| Эмбеддинги | Перевод текста в векторы для поиска по смыслу | 31% |
| FastAPI | API, через которое бот или портал обращается к поиску | 29% |
| Qdrant, pgvector, Milvus | Векторные базы для хранения и поиска фрагментов | 25%, 12% и 11% |
| vLLM | Запуск открытых моделей на своих серверах | 20% |
| LlamaIndex | Загрузка документов и построение индексов | 14% |
| Реранкер | Переставляет найденные фрагменты по пользе для вопроса | 9% |
В российских вакансиях чаще упоминают отечественные и открытые модели. GigaChat встречается в 10% вакансий, YandexGPT в 7%, Qwen тоже в 7%. У Сбера для RAG есть и отдельные модели эмбеддингов, например EmbeddingsGigaR, они перечислены в документации GigaChat рядом с линейкой GigaChat 2. Когда документы нельзя выносить за периметр, ставят открытые модели на свои серверы: из семейства Qwen для этого подходят Qwen3.6 с открытыми весами.
Если хочется потрогать всё руками, начните с подключения GigaChat API из Python: на этом же коде потом собирается первый учебный RAG.
Как устроен проект корпоративного AI-поиска
Типичная задача звучит так: «Сделайте RAG-ассистента, который отвечает сотрудникам по внутренним регламентам». Проект проходит пять этапов. Первые два занимают больше времени, чем кажется заказчику.
Обычно первая версия собирается быстро: загрузить десяток документов в векторную базу и подключить модель можно за день по любому учебнику. Сложности начинаются на реальном объёме, когда документов тысячи, у них разные владельцы и права доступа, а пользователи задают вопросы своими словами. Эти пять этапов и отличают рабочую систему от демонстрации.
Этап 1: инвентаризация источников
RAG-инженер выясняет, где лежат документы, в каких форматах, кто их владелец и насколько они свежие. Часто на этом шаге всплывают три версии одного регламента, и без решения, какая действует, бот будет отвечать наугад.
Этап 2: загрузка и нарезка
Документы превращаются в чистый текст с метаданными: название, дата, отдел, уровень доступа. Потом их режут на фрагменты. Слишком мелкий кусок теряет контекст, слишком крупный тянет в ответ лишнее. Размер подбирают экспериментом на эталонных вопросах.
Этап 3: индекс и поиск
Фрагменты превращают в эмбеддинги и кладут в векторную базу. Она нужна, чтобы за доли секунды находить среди миллионов кусков те, что близки к вопросу по смыслу, даже если слова в них другие.
Рядом строят обычный текстовый индекс, потому что поиск по смыслу плохо ловит номера приказов и артикулы. Результаты двух поисков объединяют, а реранкер выбирает лучшие несколько штук для модели.
Этап 4: ответ и цитаты
Модели дают инструкцию отвечать только по переданным фрагментам и ставить ссылку на источник. Отдельно настраивают поведение, когда ничего подходящего не нашлось.
Решение: пусть бот так и отвечает, что в базе этого нет, и подсказывает, к кому обратиться.
Этап 5: оценка и поддержка
Собирают набор из реальных вопросов сотрудников с эталонными ответами и прогоняют систему после каждого изменения. Для этого есть готовые библиотеки, например Ragas, но эталоны всё равно размечают люди. После запуска RAG-инженер разбирает вопросы, на которые бот ответил плохо, и чинит причину: нехватку документа, плохую нарезку или ошибку поиска.
Что ломается чаще всего. Частые причины плохого ответа: устаревший документ в индексе и таблица из PDF, которая развалилась на бессвязные строки.
Канал основателя Checkroi Вани БуявцаЗабирайте промпты и обучение по нейросетям в моём Телеграм-каналеБольше 3 700 человек уже применяют Claude Code, ChatGPT и другие нейросети в работе, учёбе, бизнесе и жизниПерейти в каналЧто должен знать и уметь RAG-инженер
Профессиональные знания
- Python на уровне продакшена: асинхронный код, API, тесты, работа с очередями.
- Основы информационного поиска: BM25, векторный поиск, метрики вроде полноты и точности найденного.
- Устройство LLM: токены, контекстное окно, почему модель галлюцинирует и как на это влияет инструкция.
- Работа с данными: разметка наборов данных, парсинг документов, SQL и PostgreSQL, они встречаются в 64% вакансий выборки.
- Инфраструктура: Docker, базовый Linux, Git, для старших позиций Kubernetes и развёртывание моделей.
- Английский для документации: почти все библиотеки стека описаны только на английском.
CheckroiПодборка курсов по Python555 курсов • 50 школСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→
Личные качества
- Терпение к грязным данным. Большая часть работы уходит на разбор документов.
- Привычка мерить. Любое «кажется, стало лучше» проверяется на эталонных вопросах.
- Умение разговаривать с юристами, безопасниками и владельцами документов, которые не обязаны разбираться в эмбеддингах.
Неочевидный навык: понимать предметную область заказчика. RAG-инженер в страховой компании со временем разбирается в полисах не хуже методиста, иначе он не отличит плохой ответ от хорошего.
Данные и закон: что ограничивает корпоративный поиск
Корпоративный поиск почти всегда затрагивает персональные данные: анкеты сотрудников, переписку с клиентами, договоры с физлицами. На них распространяется Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных», поэтому отправлять такие документы во внешний облачный сервис без правового основания нельзя.
На практике это даёт три рабочих правила. Права доступа к документу переносятся в индекс, и поиск фильтрует выдачу под конкретного пользователя. Чувствительные поля маскируют ещё до нарезки. А если выносить данные наружу нельзя совсем, модель и векторную базу ставят внутри контура компании, то есть собирают локальную RAG-систему. Отсюда vLLM в каждой пятой вакансии выборки.
Плюсы и минусы профессии
Плюсы:
- Высокий доход на раннем этапе: медиана в выборке около 155 тысяч на руки при опыте 1–3 года.
- Результат виден сразу: сотрудники перестают искать регламент по папкам.
- Много удалённых и гибридных вакансий, больше двух третей в выборке.
- Навыки переносятся: поиск, данные и LLM нужны и в AI-агентах, и в аналитике.
- Спрос широкий: RAG упоминают сотни вакансий от банков до промышленности.
Минусы:
- Порог входа высокий: без уверенного Python и опыта в разработке или данных не возьмут. Без опыта в выборке всего 12 вакансий из 547.
- Инструменты быстро меняются, учиться придётся постоянно.
- Много рутины с документами, которую не видно со стороны.
- Работа сосредоточена в Москве и крупных компаниях.
- Ответственность высокая: ошибка бота в юридическом или медицинском вопросе дорого обходится компании.
Профессия подойдёт бэкенд-разработчику, инженеру данных или NLP-специалисту, которым интересны поиск и прикладной результат. Тем, кто хочет исследовать архитектуры моделей, ближе NLP и ML-исследования.
Сколько зарабатывает RAG-инженер
По 102 вакансиям с открытой зарплатой из той же выборки hh.ru медиана около 203 тысяч рублей на руки. С опытом 1–3 года медиана около 155 тысяч, 3–6 лет около 230 тысяч, от 6 лет около 300 тысяч. Для ориентира: в упомянутой вакансии MWS AI вилка 200–250 тысяч на руки при опыте от года.
Большинство работодателей ждут опыта: 59% вакансий просят 3–6 лет. Близкая картина по грейдам и городам разобрана в материале про зарплаты AI-разработчиков.
Как стать RAG-инженером
В профессию обычно переходят из соседних. Самый короткий путь у бэкенд-разработчика на Python: добавить информационный поиск, эмбеддинги и LLM и собрать два-три проекта на создание RAG-системы с поиском по реальным документам и замером качества.
Инженеру данных и дата-сайентисту понадобится подтянуть разработку сервисов. Пошаговый маршрут с навыками и портфолио разобран в статье как стать AI-разработчиком, путь через машинное обучение описан в материале как стать ML-инженером.
Где учиться на RAG-инженера
Отдельных курсов с названием «RAG-инженер» мало. Удобнее собирать навык из программ по LLM и AI-разработке, где есть модули про эмбеддинги, векторные базы и поиск по документам. Посмотрите курсы для AI-инженеров и каталог ниже, а при выборе проверяйте, есть ли в программе итоговый проект с RAG на реальных данных.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Нейросети для изображений и видео Перейти на сайт курса |  Эдюсон | 48 455 ₽ | 4037 ₽/мес. | 2 месяца | Обзор курса |
| Нейросети для рабочих задач Перейти на сайт курса |  Skillbox | 31 290 ₽ | 2608 ₽/мес. | 1 месяц | Обзор курса |
| Нейросети. Практический курс Перейти на сайт курса | Skillbox | 74 900 ₽ | 6242 ₽/мес. | 3 месяца | Обзор курса |
| Продуктовый маркетолог + Нейросети для маркетинга Перейти на сайт курса |  Нетология | 110 200 ₽ | 3875 ₽/мес. | 5 месяцев | Обзор курса |
| Нейросети для каждого Перейти на сайт курса |  Академия Синергия | 39 900 ₽ | 3325 ₽/мес. | 3 месяца | Обзор курса |
| Нейросети для дизайнера Перейти на сайт курса | Skillbox | 84 272 ₽ | 3831 ₽/мес. | 4 месяца | Обзор курса |
| Нейросети для отдела продаж Перейти на сайт курса | Эдюсон | 51 600 ₽ | 4300 ₽/мес. | 2 месяца | Обзор курса |
| Специалист по искусственному интеллекту: курс для действующих IT-специалистов Перейти на сайт курса | Нетология | 67 300 ₽ | 2833 ₽/мес. | 5 месяцев | Обзор курса |
| Специалист по компьютерному зрению дронов и нейросетям Перейти на сайт курса | Skillbox | 102 260 ₽ | 8522 ₽/мес. | 8 месяцев | Обзор курса |
| Нейросети для начинающих Перейти на сайт курса |  SF Education | 42 000 ₽ | 2333 ₽/мес. | 1 месяц | Обзор курса |
Больше программ — в полном каталоге курсов по искусственному интеллекту
Главное о профессии RAG-инженер
RAG-инженер делает так, чтобы нейросеть отвечала сотрудникам и клиентам по документам компании и ссылалась на источник. Его зона — загрузка и нарезка документов, гибридный поиск, реранкер, оценка качества и права доступа. От AI-разработчика и ML-инженера его отличает глубина работы с поиском и данными.
На осень 2026 года спрос держат банки, интеграторы и крупный ретейл, медиана зарплаты в выборке около 203 тысяч на руки. Большинство вакансий требуют опыта от трёх лет. Входить удобнее всего из Python-разработки или инженерии данных, собрав портфолио из проектов с поиском по настоящим документам и цифрами качества.
