База знаний для ИИ-агента: как подготовить, чтобы он отвечал точно

2 июля 2026 · 4 мин чтения

Когда ИИ-агент отвечает клиентам ерунду, дело почти никогда не в «плохой нейросети». Дело в базе знаний, по которой он ищет ответ: документы разрозненные, устаревшие, в PDF со сканами и таблицами. Агент на RAG хорош ровно настолько, насколько хороша его база. Разберём, как её собрать, структурировать и поддерживать, чтобы ответы были точными.

Почему база важнее модели

ИИ-агент на подходе RAG не «знает» ваш бизнес - он находит нужный фрагмент в ваших документах и отвечает по нему. Мы подробно разбирали механику в статье про RAG против дообучения: у RAG ответы опираются на источник, а не на память модели. Отсюда правило:

Мусор на входе - мусор на выходе. Никакая топовая модель не спасёт агента, если база знаний неполная, противоречивая или устаревшая.

Поэтому 80% работы над качественным RAG-ассистентом - это не про модель, а про подготовку базы.

Шаг 1. Собрать источники

Сначала - инвентаризация того, что вообще должно попасть в базу. Обычно это:

• FAQ и типовые ответы - то, что менеджеры повторяют по сто раз в день.
• Регламенты и инструкции - как оформить заказ, возврат, доставку, гарантию.
• Описания продуктов и услуг - характеристики, комплектации, условия.
• Прайсы и условия - цены, скидки, сроки (то, что чаще всего меняется).
• Внутренние процедуры - если агент помогает сотрудникам, а не клиентам.

Важно на этом шаге отсечь лишнее: черновики, устаревшие версии, противоречащие друг другу документы. Один вопрос - один источник правды.

Шаг 2. Привести к чистому тексту

RAG работает по тексту. Красивый PDF с колонками, картинками и таблицами - худший формат: при извлечении текст ломается, порядок теряется, таблицы превращаются в кашу. Что делать:

Идеал - Markdown с ясными заголовками разделов: по ним удобно нарезать материал и точнее находить нужное.

Шаг 3. Разбить на чанки

Документы режутся на фрагменты (чанки), по которым идёт поиск. От того, как нарезано, зависит попадание. Принципы: чанк должен быть самодостаточным (понятен без соседних), не слишком большим (иначе в ответ попадает лишнее) и не слишком мелким (иначе теряется контекст). Резать лучше по смысловым границам - разделам и заголовкам, а не вслепую по числу символов. Это уже инженерная часть разработки RAG-агента, но качество нарезки прямо определяется тем, насколько чисто и структурно подготовлены документы на шаге 2.

Шаг 4. Метаданные и границы

К каждому фрагменту полезно прикрепить метки: раздел, продукт, дата актуальности, аудитория (клиент/сотрудник). Это позволяет агенту фильтровать выдачу и не путать, например, условия для опта и розницы. Отдельно задайте границы: чего в базе нет - про то агент должен честно сказать «не знаю» и передать человеку, а не выдумывать. Это ключевое отличие управляемого ИИ-агента от болтливого чат-бота.

Шаг 5. Поддерживать в актуальном виде

База знаний - не разовая загрузка, а процесс. Поменялись цены, условия или регламент - база должна обновиться, иначе агент уверенно отвечает устаревшим. Нужен ответственный и правило: правишь документ-источник → обновляется база. Хорошая практика - логировать вопросы, на которые агент не нашёл ответ, и дополнять базу по ним. Это естественно ложится в автоматизацию поддержки: реальные обращения показывают, чего в базе не хватает.

Типовые ошибки

• Свалили всё как есть - 500 PDF без чистки; агент находит противоречия и путается.
• Противоречивые источники - в двух документах разные цены; агент выберет случайную.
• Нет границ - агент «додумывает» то, чего в базе нет, вместо «не знаю».
• Забыли про обновление - база устарела через месяц, ответы стали неверными.
• Чувствительные данные в базе - персональные и коммерческие данные без контроля доступа и учёта 152-ФЗ.

Чек-лист перед запуском агента

1. Собрали все источники, убрали дубли и устаревшее.
2. Привели к чистому структурированному тексту (Markdown с заголовками).
3. Один документ - одна тема, формулировки самодостаточны.
4. Разбили на осмысленные чанки по смысловым границам.
5. Добавили метаданные и задали границы «чего не знаю».
6. Назначили ответственного и процесс обновления.

Итог: точность ИИ-агента закладывается не в выборе модели, а в базе знаний. Соберите чистые, непротиворечивые, структурированные источники, задайте агенту границы и наладьте обновление - тогда он будет отвечать по делу, а не выдумывать. Прикинуть отдачу от внедрения удобно в калькуляторе окупаемости, а собрать агента под ключ помогают ИИ-автоматизация и автоматизация поддержки.