AI knowledge systems

RAG-агент по базе знаний компании

Собираем RAG-ассистентов, которые отвечают на основе документов, FAQ, регламентов, каталога товаров и внутренней базы знаний, а не только по общим знаниям модели.

Получить план автоматизации

Какие задачи закрывает

поиск по документам и базе знаний
ответы поддержки и sales enablement
чат-бот в Telegram или на сайте
эскалация сложных вопросов человеку

Что входит во внедрение

структура источников и правил обновления
retrieval pipeline и промпты
контроль источников и отказов
интеграция с n8n, Telegram, CRM или веб-виджетом

Кому подходит

сервис и поддержка: операторы часто отвечают на одни и те же вопросы из FAQ, инструкций и регламентов
продажи и pre-sales: менеджерам нужно быстро находить ответ в каталоге товаров, кейсах и сравнениях
внутренний онбординг: новый сотрудник теряет недели на разбор регламентов, политики, инструкций
e-com и B2B-каталоги: клиенты задают вопросы по характеристикам, совместимости и условиям доставки
профессиональные ниши (право, медицина, бухгалтерия) - нужна точность с указанием источника, а не «гладкий ответ»

Когда RAG, а не дообученная модель

база знаний обновляется часто (раз в неделю и чаще) - fine-tuning не успеет, RAG подтянет правки сразу
важно показывать источник ответа (документ, страницу, дату) - RAG это умеет нативно
нужен контроль галлюцинаций: если документа нет - система отвечает «не знаю», а не выдумывает
чувствительные данные нельзя отправлять во внешние модели - RAG разворачивается локально с открытой моделью
есть много структурированных и неструктурированных источников: Notion, Confluence, PDF, CRM, сайт

Как работаем

Этапы внедрения RAG-агента

1. Аудит источников

Смотрим, какие документы есть, как они обновляются, где дубли и устаревший контент. Чистим базу - без этого RAG будет отвечать мусором.

2. Pipeline ингеста

Парсинг (PDF, DOCX, HTML, Notion API), чанкинг, embeddings, индекс в векторной БД. Расписание переиндексации.

3. Retrieval + промпты

Поиск по векторам и ключевым словам, ранжирование, сбор контекста, промпт с правилами отказа и формата ответа.

4. Канал и handoff

Веб-виджет, Telegram или встроенный чат в CRM. Эскалация сложных вопросов оператору, лог всех диалогов.

Стек подробно

LLM. OpenAI GPT-4o/4o-mini, Anthropic Claude, локальные модели через Ollama или vLLM. Выбор по чувствительности данных и бюджету.
Embeddings. text-embedding-3 (OpenAI), bge-m3 или multilingual-e5 для on-prem. Поддержка русского и языков СНГ.
Векторная БД. Qdrant, Weaviate, pgvector. Под небольшие базы - pgvector, под крупные и быстрые - Qdrant.
Парсинг документов. Unstructured, PyMuPDF, BeautifulSoup, коннекторы к Notion / Confluence / Google Drive / S3.
Оркестрация. Python + LangChain / LlamaIndex, FastAPI как сервис. n8n - для интеграций обновлений и алертов.
Каналы. Веб-виджет (JS), Telegram-бот, встраивание в CRM (Битрикс24, amoCRM), iframe для интранета.
Мониторинг. Лог диалогов, метрики качества (retrieval hit-rate, отказы, эскалации), отчёт по «нет ответа» - что дописать в базу.

Не берёмся и риски

не делаем RAG поверх «корзины файлов без структуры» - сначала помогаем собрать минимальный порядок в источниках
не обещаю 100% точности: всегда есть вопросы, где RAG отвечает «не знаю» или эскалирует - это правильное поведение
предупреждаем: если база знаний регулярно противоречит сама себе - модель будет это отражать, нужно сначала навести порядок
не использую агента для юридически значимых ответов без проверки оператором - это вопрос ответственности
если 80% вопросов - это 10 типовых сценариев, иногда дешевле сделать чат-бот по дереву, а не RAG. Скажем честно.

Скоупинг

Разобрать вашу базу знаний

За 30 минут смотрим источники и говорим, стоит ли вашему кейсу RAG или достаточно более простой схемы. Без обязательств.

Получить план автоматизации

Результат

Что получает бизнес

Меньше нагрузки на поддержку

Типовые вопросы клиентов закрывает агент со ссылками на документы. Операторы занимаются только сложными случаями и эскалациями.

Быстрый онбординг

Новый сотрудник задаёт вопросы агенту вместо чтения 200 страниц регламентов. Ответы со ссылкой на пункт документа.

Прозрачные ответы

Каждый ответ - с источником: документ, раздел, дата. Можно проверить, нет необходимости «верить на слово» модели.

Видимость пробелов

Отчёт «вопросы без ответа» показывает, какие регламенты пора дописать. База знаний становится живой.

FAQ

FAQ перед стартом

Какие документы подходят?

FAQ, инструкции, регламенты, таблицы, PDF, страницы базы знаний и карточки товаров.

Можно ли показывать источники?

Да. Лучше возвращать краткий ответ плюс ссылки или названия документов-источников.

Что делать с неизвестными вопросами?

Сценарий должен честно отказывать, уточнять или передавать вопрос человеку.

Какие LLM-модели используете?

OpenAI GPT-4o/4o-mini, Anthropic Claude, локальные модели через Ollama или vLLM - выбор зависит от чувствительности данных и бюджета. Для embedding обычно text-embedding-3 или открытые модели. Если данные нельзя выпускать наружу - собираем весь контур на on-prem с локальной моделью.

Как обновляется база знаний?

Автоматически по расписанию или по событию из источника (Notion, Confluence, Google Drive, S3, ваша CRM). Изменённые документы переиндексируются, удалённые - выбрасываются. Раз в неделю отправляется отчёт: сколько документов добавлено, какие вопросы не нашли ответ - это сигнал, какие регламенты пора дописать.

Сколько занимает запуск RAG-агента?

Прототип на 200–500 документах с типовым чатом - 2–3 недели. Продакшен с интеграциями, мониторингом и handoff в CRM - 4–6 недель. Локальный on-prem контур с собственной моделью - дольше.

А что с галлюцинациями модели?

Промпт и pipeline настроены так, чтобы агент отвечал только из контекста и честно говорил «не знаю», если нужного документа нет. На выходе - ответ + ссылка на источник, можно проверить.

Начать с этой услуги