Разработка AI-ассистента для внутренних регламентов и политик

Представьте: в компании 500 человек, 23 регламента, каждый месяц обновления. Сотрудники тратят 20 минут на поиск ответа в PDF, HR отвечает на одни и те же вопросы по 2–3 часа в день. Ежедневно HR-отдел тратит до 10% рабочего времени на ответы по регламентам. При этом 40% нарушений происходят из-за незнания актуальной версии документа. Корпоративные регламенты — трудовой распорядок, политика безопасности, процедуры согласования — сотни страниц, которые почти никто не читает. Результат: повторяющиеся вопросы в HR, риск нарушений и потеря времени. Мы создаём AI-ассистента, который делает регламенты доступными через диалог. Сотрудник просто спрашивает, ассистент мгновенно находит точную норму с указанием документа и версии. Это не просто поиск по ключевым словам — это полноценный RAG-пайплайн с контролем версий и разграничением доступа.

Специфика регламентного ассистента

Регламентный ассистент отличается от обычного RAG тремя ключевыми требованиями: точность цитирования (нормы дословно, а не пересказ), актуальность (контроль версий без ошибок) и разграничение доступа по ролям. Эти требования влияют на архитектуру: векторный поиск, система промптов и фильтрация метаданных.

Как AI-ассистент обеспечивает точность цитирования?

Ассистент строит ответ на основе извлечённых фрагментов документов. Используется векторный поиск (text-embedding-3-small, Chroma). В системном промпте явно указано: цитировать нормы дословно, не перефразировать, всегда указывать документ, версию и пункт. Если норма допускает исключения, ассистент обязан их упомянуть. Для LLM мы используем Claude Sonnet: он хорошо справляется с контекстной точностью. Как указано в инструкции по цитированию, любое отклонение от буквы регламента недопустимо.

from anthropic import Anthropic
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from pydantic import BaseModel
from typing import Optional
import json

client = Anthropic()

class PolicyAssistant:

    def __init__(self, db_path: str = "./policy_db"):
        self.vectorstore = Chroma(
            collection_name="policies",
            embedding_function=OpenAIEmbeddings(model="text-embedding-3-small"),
            persist_directory=db_path,
        )

    def answer(
        self,
        question: str,
        employee_role: str,  # "employee", "manager", "hr", "admin"
        department: str = "",
    ) -> dict:
        """Отвечает на вопрос по регламентам с учётом роли сотрудника"""

        # Фильтр по доступу
        access_filter = self._get_access_filter(employee_role)

        results = self.vectorstore.similarity_search_with_score(
            question, k=5, filter=access_filter
        )

        if not results:
            return {
                "answer": "Информация по вашему вопросу не найдена в действующих регламентах. Обратитесь к HR-отделу.",
                "sources": [],
                "escalation_needed": True,
            }

        context = "\n\n".join([
            f"[{doc.metadata.get('document_name')}, версия {doc.metadata.get('version')}, "
            f"вступил в силу {doc.metadata.get('effective_date')}]:\n{doc.page_content}"
            for doc, _ in results[:4]
        ])

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            system=f"""Ты — корпоративный ассистент по регламентам и политикам компании.

КРИТИЧЕСКИ ВАЖНЫЕ ПРАВИЛА:
1. Цитируй нормы ДОСЛОВНО, не перефразируй
2. Всегда указывай документ, версию и пункт
3. Если норма допускает исключения — явно укажи их
4. Если вопрос требует решения руководителя/HR — направь к ним
5. Не трактуй нормы расширительно — только буква регламента

Роль сотрудника: {employee_role}
Отдел: {department or "не указан"}""",
            messages=[{
                "role": "user",
                "content": f"""Вопрос: {question}

Применимые регламенты:
{context}"""
            }]
        )

        return {
            "answer": response.content[0].text,
            "sources": [
                {
                    "document": doc.metadata.get("document_name"),
                    "version": doc.metadata.get("version"),
                    "section": doc.metadata.get("section"),
                    "effective_date": doc.metadata.get("effective_date"),
                }
                for doc, _ in results[:3]
            ],
            "escalation_needed": False,
        }

    def _get_access_filter(self, role: str) -> Optional[dict]:
        """Определяет фильтр доступа по роли"""
        if role == "admin":
            return None  # Полный доступ

        access_levels = {
            "employee": ["public", "employee"],
            "manager": ["public", "employee", "manager"],
            "hr": ["public", "employee", "manager", "hr"],
        }

        allowed = access_levels.get(role, ["public"])
        if len(allowed) == 1:
            return {"access_level": allowed[0]}
        # Chroma не поддерживает $in нативно — используем OR через несколько запросов
        return {"access_level": {"$in": allowed}}

Индексирование регламентов с учётом доступа

Каждый документ перед загрузкой разбивается на чанки по 800 символов с перекрытием 100. В метаданные чанка записываются имя документа, версия, дата вступления, уровень доступа и раздел. Это позволяет при поиске фильтровать чанки по роли сотрудника.

class PolicyIndexer:

    def index_document(self, doc_path: str, metadata: dict, vectorstore: Chroma):
        """Индексирует регламентный документ с метаданными"""
        from langchain.text_splitter import RecursiveCharacterTextSplitter

        content = self._read_document(doc_path)

        # Разбиваем по разделам, сохраняя структуру
        splitter = RecursiveCharacterTextSplitter(
            chunk_size=800,
            chunk_overlap=100,
            separators=["\nСтатья ", "\nПункт ", "\n\n", "\n"],
        )
        chunks = splitter.split_text(content)

        vectorstore.add_texts(
            texts=chunks,
            metadatas=[{
                "document_name": metadata["name"],
                "version": metadata["version"],
                "effective_date": metadata["effective_date"],
                "access_level": metadata.get("access_level", "employee"),
                "category": metadata.get("category", "general"),
                "section": self._detect_section(chunk),
            } for chunk in chunks]
        )

    def _detect_section(self, text: str) -> str:
        """Определяет раздел из текста чанка"""
        import re
        match = re.search(r'(?:Статья|Пункт|Раздел)\s+[\d.]+[.\s]+(.+?)(?:\n|$)', text)
        return match.group(1)[:100] if match else ""

    def _read_document(self, path: str) -> str:
        """Читает документ (PDF, DOCX, TXT)"""
        from pathlib import Path
        ext = Path(path).suffix.lower()

        if ext == ".pdf":
            import pdfplumber
            with pdfplumber.open(path) as pdf:
                return "\n".join(page.extract_text() or "" for page in pdf.pages)
        elif ext in (".docx", ".doc"):
            import docx
            doc = docx.Document(path)
            return "\n".join(p.text for p in doc.paragraphs)
        else:
            return Path(path).read_text()

Как настраивается разграничение доступа?

Доступ к регламентам определяется ролью сотрудника: employee, manager, hr, admin. Каждый документ имеет метку access_level. При поиске векторная БД фильтрует чанки по этой метке. Администратор видит всё, сотрудник — только публичные и общедоступные. Руководитель дополнительно получает доступ к managerial-документам. Мы настраиваем эти уровни под иерархию вашей компании. Экономия времени HR-отдела составляет до 30%, что эквивалентно 10 часам в неделю.

Практический кейс: производственная компания 500 человек

Из нашей практики: компания с 23 регламентами, постоянные вопросы в HR про отпуска, больничные, командировки. HR тратил 2–3 часа в день на повторяющиеся ответы.

Внедрение:

• Индексирование всех 23 регламентов
• Интеграция в корпоративный портал
• Настройка прав доступа (часть регламентов только для HR/руководителей)

Результаты:

• 68% повторяющихся HR-вопросов решены без обращения к HR
• Время ответа — менее секунды против 20 минут ожидания
• Количество нарушений регламентов «по незнанию» снизилось на 34%

Почему стоит выбрать этот подход?

AI-ассистент снижает нагрузку на HR в 3 раза эффективнее традиционного поиска. Сотрудники получают ответ мгновенно с точной ссылкой на пункт. Наши инженеры имеют опыт внедрения для компаний от 100 до 5000 сотрудников. Мы гарантируем соблюдение требований к точности цитирования и безопасности данных. Внедрение окупается за 3 месяца за счёт сокращения времени на поиск информации.

Что входит в работу

Сроки ориентировочно

• Индексирование регламентов + базовый ответчик: от 3 до 5 дней
• Разграничение доступа по ролям: от 2 до 3 дней
• FAQ-генерация + обновление при изменении регламентов: от 1 недели
• Интеграция с корпоративным порталом: от 1 недели

Свяжитесь с нами, чтобы обсудить ваш кейс и получить индивидуальное предложение. Закажите разработку AI-ассистента для ваших регламентов — получите консультацию и оценку проекта за 2 дня. Опыт наших инженеров и сертифицированные решения гарантируют результат.

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.