Корпоративный AI-бот для Slack на базе LLM

Разработка AI-бота для Slack на базе LLM

Команда разработчиков тратит часы на поиск ответов в Slack — одинаковые вопросы всплывают снова и снова: «Кто-то настроил CI?», «Где лежит конфиг для staging?», «Как запустить тесты локально?» При средней ставке 50 $/ч такие потери обходятся в $1 500–3 000 на инженера ежемесячно. Ответ ждёшь часами, пока коллега в другом часовом поясе не увидит сообщение. Мы решили эту проблему с помощью AI-бота для Slack, который автоматизирует рутинные запросы, суммаризирует треды и выполняет Slash-команды.

Какие проблемы решает AI-бот в Slack?

Потери времени на онбординг. Новые разработчики задают одни и те же вопросы про настройку окружения, права доступа, процесс деплоя. Бот с RAG (Retrieval-Augmented Generation) ищет ответы в вашей базе знаний (Notion, Confluence, Git) и выдаёт их мгновенно. Он выступает как корпоративный AI-ассистент, интегрированный в Slack.

Информационный шум. В популярных каналах сотни сообщений в день. Чтобы найти нужное обсуждение, приходится прокручивать часы. Бот умеет суммаризировать треды по хоткею — без лишних действий.

Отсутствие контекста. Часто вопрос теряется в DM тому, кто его может решить. Бот доступен 24/7 в DM или через @упоминание, хранит историю диалога и не переспрашивает одно и то же.

Почему RAG лучше простого LLM в Slack?

Без RAG бот галлюцинирует — выдумывает ответы, которых нет в вашей документации. RAG подтягивает релевантные фрагменты из базы знаний (через embeddings 1536-dim и векторный поиск в Qdrant или pgvector). Точность ответов — 94% против 60% у ванильного LLM. Мы используем Claude Sonnet для генерации и Haiku для суммаризации — баланс качества и задержки.

Как мы настраиваем стек и конфигурацию?

Стек на одном проекте:

• Slack Bolt SDK (Python, async)
• Socket Mode — не нужен публичный endpoint, бот работает из любого места
• Claude API (Anthropic) + RAG через LangChain с ChromaDB
• Redis для кеширования истории диалогов
• Docker + Kubernetes для деплоя (автоскейлинг по числу событий)

Сравнение: Socket Mode vs Webhooks

Мы используем Socket Mode для быстрой разработки и Webhooks + Slack Bolt SDK для продакшена — надёжнее при перезапусках.

Сравнение популярных LLM для бота

Выбор модели зависит от ваших требований к задержке, точности и бюджету.

Кейс из нашей практики: команда разработки 25 человек

Исходная ситуация: Инженеры тратили ~3 часа в день на поиск ответов в Slack-каналах. Онбординг нового сотрудника занимал 2 недели из‑за горы вопросов. Руководители жаловались на дублирующие обсуждения.

Решение: Мы развернули бота с RAG к Confluence и Notion (через MCP-серверы). Бот отвечал на вопросы в каналах, суммаризировал утренние стендапы и выполнял /ask для быстрого доступа к документации.

Результат: 65% вопросов бот отвечает автономно. Время ожидания ответа сократилось с часов до секунд. Процесс онбординга — до 3 дней. Команда сэкономила существенные средства на рутине, снизив затраты на поиск информации.

Процесс работы над ботом

1. Аналитика — изучаем вашу инфраструктуру Slack, список каналов, типичные вопросы, доступные базы знаний.
2. Проектирование — выбираем архитектуру (Socket / Webhooks), модель LLM, векторную БД. Проектируем RAG-пайплайн.
3. Имплементация — пишем код на Python/Node.js с Slack Bolt SDK, настраиваем обработку событий, команд и shortcuts.
4. Тестирование — проверяем на 200+ синтетических вопросах, замеряем latency (цель — <500 мс), accuracy (≥90% по 95-му перцентилю).
5. Деплой — разворачиваем в вашем кластере (Kubernetes, Docker Compose) или на serverless (AWS Lambda, GCP Cloud Run). Настраиваем мониторинг.
6. Обучение — проводим сессию для команды, передаём документацию.

from slack_bolt import App
from slack_bolt.adapter.socket_mode import SocketModeHandler

app = App(token="xoxb-...", signing_secret="...")
handler = SocketModeHandler(app, app_token="xapp-...")
handler.start()

Что входит в результат

• Полный код бота в вашем репозитории (Git)
• Инфраструктурные файлы (Dockerfile, Helm chart, CI/CD на GitHub Actions)
• Документация по развертыванию и поддержке
• Доступ к админ‑панели (мониторинг логов, статистика запросов)
• Обучение команды (1,5−2 часа)
• Гарантия поддержки 2 недели после запуска — исправляем инциденты бесплатно

Получите консультацию по вашему проекту — мы подберём оптимальную конфигурацию и оценим стоимость. Закажите предварительный аудит вашего Slack-пространства.

Сроки ориентировочно

• Базовый бот (DM + @упоминания + /ask): 2–3 дня
• Суммаризация тредов + shortcuts: 2–3 дня
• Slash‑команды + модальные окна: 2–3 дня
• Интеграция RAG с базой знаний: 1–2 недели (зависит от API документации)

Стоимость рассчитывается индивидуально — зависит от сложности интеграций, выбора модели и необходимости сертифицированного окружения (например, on-prem для NDA). Свяжитесь с нами для детального обсуждения — мы подготовим предложение под ваш кейс.

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.