RAG-ассистент по базе знаний компании: как сотрудники находят ответы за секунды
Year: 2026
Type: article
Abstract: Третий день работы нового менеджера. Клиент спрашивает, можно ли вернуть товар без чека. Ответ где-то записан: в регламенте на общем диске, в закреплённом сообщении рабочего чата или в письме руководителя двухлетней давности. Менеджер делает то же, что делают все новички: идёт к коллеге, которая «всё знает», и отрывает её от собственного клиента. RAG-ассистент снимает ровно эту сцену. Сотрудник пишет вопрос обычными словами, система находит нужный пункт в документах компании и отвечает в две-три строки, показывая, откуда взят ответ. Как такие помощники собираются по шагам, я разбираю на https://sverdlov.pro/. Короткий вывод для тех, кто решает, браться ли: секунды обеспечивает не нейросеть, а порядок в документах и честная проверка на ваших реальных вопросах. Что происходит между вопросом и ответом Поиск по общему диску находит файл, где встретились те же слова, а дальше человек сам читает двадцать страниц. Ассистент устроен иначе. Документы заранее нарезаются на смысловые фрагменты и индексируются по смыслу, поэтому на вопрос «можно ли сдать покупку обратно» найдётся пункт про возврат, хотя слово «возврат» в вопросе не звучало. Затем нейросеть получает несколько найденных фрагментов и пишет ответ только по ним, со ссылкой на источник. Отсюда и название: retrieval-augmented generation, то есть генерация с опорой на найденное. Правильно настроенный ассистент, не найдя документа, так и говорит, а не сочиняет правдоподобный ответ. Откуда берутся неверные ответы Всё это звучит как магия, пока ассистент не процитирует менеджеру прошлогодний прайс. Ассистент не бывает умнее документов, которые в него загрузили. Если в папке лежат три версии условий доставки, система с равной уверенностью найдёт любую из них. Отменённый регламент, который никто не удалил, она тоже будет повторять. Вторая частая причина — формат. Обычный текст разбирается хорошо, а сканы и таблицы со сложной вёрсткой требуют отдельной работы: их распознают и проверяют до загрузки. С чего начать, чтобы пилот не утонул Значит, проект начинается не с выбора модели, а с описи. Не нужно загружать всё, что накопилось за десять лет. Берут один отдел, где вопросов больше всего: обычно это поддержка или продажи. У каждого документа появляется владелец, который отвечает за актуальность. Отменённое удаляют сразу. Следом решают, кто что видит. Права повторяют привычные папки: бухгалтерия не получает кадровые документы, стажёр — договоры. Если ответы готовит облачная нейросеть стороннего сервиса, персональные данные можно заменять метками до отправки; индекс и модель можно держать и на своём сервере. Главный инструмент пилота — список из 30–50 типовых вопросов с эталонными ответами. По нему считают долю верных ответов и долю честных «не знаю» там, где документа действительно нет. После каждой правки базы список прогоняют заново, иначе улучшение в одном месте незаметно ломает другое. Сколько это стоит Расходы делятся на две части. Разово оплачивается сборка: опись и чистка документов, поиск, права доступа, удобный канал вроде чата в Telegram. Ежемесячно — запросы к облачной модели по тарифу либо содержание своего сервера. Точную сумму без описи источников не назовёт никто, и это нормальный ответ, а не уловка. Что сделать на этой неделе Вернёмся к новичку. В компании с работающей базой он задал бы вопрос в чат и через несколько секунд получил ответ с цитатой из регламента, а коллега закончила бы разговор со своим клиентом. Попросите руководителей двух отделов выписать по 25 вопросов, которые им задают чаще всего, и найти документ с ответом на каждый. Где документа нет или их два и они противоречат друг другу, там и начинается работа. Она окупится даже без всякого ИИ.
Author: Sverdlov, Alexander
Language: Russian
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7223557925