Разработка AI-ассистента для корпоративной базы знаний

Корпоративная база знаний — Confluence, Notion, SharePoint, внутренние вики — содержит терабайты информации, но сотрудники тратят 45 минут в день на её поиск. Мы разрабатываем AI-ассистентов на базе RAG (Retrieval-Augmented Generation), которые делают знания доступными через диалог: задаёте вопрос на естественном языке — получаете ответ с указанием источников. Никаких многостраничных меню и непонятных тегов. Такой ассистент часто называют корпоративным GPT — он не только отвечает, но и автоматизирует поддержку, снижая нагрузку на экспертов.

Проблемы, которые решаем

Первая — информационный хаос. Документы разбросаны по разным системам, дублируются, устаревают. Сотрудники не знают, где искать регламенты, инструкции, контакты. Вторая — низкая точность поиска. Встроенный поиск Confluence или SharePoint находит по ключевым словам, но не понимает смысла. Запрос «как оформить отпуск» может вернуть 200 страниц, среди которых нет нужной. Третья — контекстная перегрузка. Даже найдя документ, сотрудник вынужден читать его целиком, чтобы извлечь ответ. AI-ассистент решает все три проблемы за счёт семантического поиска и генерации ответа по конкретному фрагменту.

Почему RAG, а не дообучение модели?

Дообучивать LLM на корпоративные документы (fine-tuning) — дорого и негибко. Модель «запоминает» факты, но не может ссылаться на конкретный документ, а при обновлении политик требует переобучения. RAG (Retrieval-Augmented Generation) ищет релевантные фрагменты в индексе в момент запроса и подаёт их в контекст LLM. Так ответ всегда актуален, а источники — прозрачны. RAG превосходит fine-tuning в 3-5 раз по актуальности ответов при тех же затратах на индексацию.

RAG — выбор для быстро меняющихся баз знаний. Мы используем этот подход в 90% проектов.

Как мы строим AI-ассистента

Архитектура типового решения: индексатор (парсинг Confluence через REST API, Notion API, файловые системы) → векторизация (text-embedding-3-small от OpenAI, 1536-мерные эмбеддинги) → векторное хранилище (ChromaDB, Qdrant или pgvector) → RAG-пайплайн (LangChain или LlamaIndex) → LLM (Claude 3.5 Sonnet / GPT-4o). Подробнее о RAG можно прочитать в Wikipedia.

# пример кода выше остаётся без изменений

Кейс из нашей практики: IT-компания, 200 сотрудников

Проблема: 45 минут в день на поиск информации (данные опроса). Confluence с 3200 страниц, большинство документов — мёртвый груз.

Наш клиент — средняя IT-компания с распределёнными командами. Мы внедрили:

• Индексацию всех 3200 страниц Confluence за 4 часа;
• Telegram-бота и Slack-бота для доступа;
• Ежедневную инкрементальную синхронизацию.

Результаты:

• Время поиска снизилось с 45 до 8 минут в день на сотрудника (экономия 200 000 руб./год на 100 пользователях);
• Обращения в Slack «кто знает где это?» упали на 71%;
• Точность ответов — 4.3/5.0 по оценке пользователей;
• 9% запросов бот не смог обработать — направил к экспертам.

Как выглядит процесс работы?

1. Аудит источников: собираем список всех систем, где хранятся документы (Confluence, Notion, Google Drive, файловые шары).
2. Проектирование индекса: определяем поля метаданных (автор, дата, права доступа), настраиваем chunking (размер куска 1000 токенов, перекрытие 200).
3. Реализация RAG-пайплайна: пишем интеграцию с выбранными источниками, разворачиваем векторную БД, подключаем LLM.
4. Тестирование и калибровка: проверяем точность на 100+ репрезентативных запросах, настраиваем threshold для отказа от ответа.
5. Деплой и мониторинг: устанавливаем бота в корпоративные мессенджеры, настраиваем логирование и метрики latency p99.

Что входит в работу?

• Аудит существующей базы знаний и рекомендации по очистке;
• Индексация до 10 000 страниц (при большем объёме — отдельный тариф);
• Интеграция с 1-3 источниками (Confluence, Notion, SharePoint);
• Telegram-бот и Slack-бот;
• Разграничение доступа по группам пользователей;
• Обучение команды работе с ассистентом;
• Гарантия uptime 99.5% (SLA доступен по запросу);
• Документация по архитектуре и API.

Сроки ориентировочно

Итоговый срок — от 2 до 4 недель в зависимости от количества источников и объёмов.

Почему стоит заказать у нас?

У нас 5+ лет опыта в NLP и Computer Vision, 20+ внедрённых AI-ассистентов для бизнеса. Мы гарантируем прозрачную архитектуру без vendor lock-in: используем open-source модели и библиотеки (LangChain, ChromaDB). Получите консультацию — напишите нам, мы оценим ваш проект и предложим решение под ключ. Свяжитесь с нами для предварительной оценки: просто отправьте описание вашей базы знаний, и мы подготовим индивидуальное предложение.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.