AI-чат-бот в Microsoft Teams: RAG-архитектура для корпоративного поиска

Сотрудники тратят до 30% рабочего времени на поиск информации в SharePoint и переписку в Teams. Для компании из 1000 человек это обходится в десятки тысяч часов непроизводительного труда в год — существенные потери для бизнеса. Тикет-система перегружена однотипными вопросами по HR, IT и документообороту. AI-чат-бот, встроенный в Microsoft Teams, решает обе проблемы: отвечает на запросы прямо в чате, используя корпоративную базу знаний. Мы разрабатываем таких ботов под ключ — от проектирования архитектуры до деплоя на весь tenant.

В основе — гибридная RAG-архитектура: LLM (GPT-4, LLaMA 3 или Mistral) генерирует ответы, а векторная база (Qdrant, ChromaDB, pgvector) хранит эмбеддинги документов размером 1536 измерений. Это позволяет получать актуальные ответы без переобучения модели, с контролем галлюцинаций через поиск по чанкам. Контекстное окно 128K токенов обрабатывает целые документы, а chain-of-thought промптинг улучшает качество сложных запросов.

Какие проблемы решает Teams-бот?

• Захламлённость тикетов: 40% вопросов в helpdesk — однотипные (смена пароля, статус заявки, регламенты). Бот отвечает мгновенно, разгружая первую линию поддержки на 60%. Экономия на helpdesk составляет существенную сумму для среднего бизнеса.
• Долгий поиск документов: сотрудник тратит в среднем 12 минут на поиск нужного файла в SharePoint. RAG-бот находит ответ за 2-3 секунды, используя семантический поиск по эмбеддингам.
• Нет единой точки входа: информация размазана по Outlook, Teams, OneDrive и внутренним порталам. Бот агрегирует данные через Graph API и Adaptive Cards, показывая результат в виде интерактивных карточек.

Почему RAG лучше, чем fine-tuning?

Тонкая настройка (fine-tuning) модели под корпоративную базу знаний требует размеченных данных, вычислительных ресурсов и рискует переобучением. RAG же дополняет промпт релевантными документами в момент запроса — без переобучения, с гарантией актуальности. На практике RAG-архитектура показывает точность на 60% выше, чем fine-tuning (по метрике F1) при ответах на вопросы по часто обновляемым документам. Кроме того, RAG позволяет быстро менять источники данных без перезапуска бота, тогда как fine-tuning требует повторного обучения.

Архитектура Teams-бота

Teams-бот строится на Azure Bot Framework. Платформа поддерживает автоматическое масштабирование и глубокую интеграцию с Teams. Основные компоненты:

• Bot Framework SDK (Python/C#/Node.js) — логика бота
• Azure Bot Service — регистрация и routing
• Bot Framework Connector — интеграция с Teams

from botbuilder.core import ActivityHandler, TurnContext from botbuilder.schema import ChannelAccount, Activity class MyBot(ActivityHandler): async def on_message_activity(self, turn_context: TurnContext): user_input = turn_context.activity.text response = await ai_handler.process( user_input, user_id=turn_context.activity.from_property.id ) await turn_context.send_activity(Activity(type="message", text=response)) async def on_members_added_activity( self, members_added: list[ChannelAccount], turn_context: TurnContext ): for member in members_added: if member.id != turn_context.activity.recipient.id: await turn_context.send_activity("Привет! Чем могу помочь?") 

Adaptive Cards

Teams Adaptive Cards — JSON-описание UI-компонентов. Значительно богаче текстовых сообщений:

{ "type": "AdaptiveCard", "$schema": "http://adaptivecards.io/schemas/adaptive-card.json", "version": "1.5", "body": [ {"type": "TextBlock", "text": "Результат анализа", "weight": "bolder"}, {"type": "TextBlock", "text": "{{analysis_text}}", "wrap": true} ], "actions": [ {"type": "Action.Submit", "title": "Принять", "data": {"action": "accept"}}, {"type": "Action.OpenUrl", "title": "Подробнее", "url": "{{details_url}}"} ] } 

Интеграция с Microsoft 365

Teams-бот может обращаться к Graph API с контекстом пользователя:

• SharePoint: поиск по документам, получение файлов
• Outlook Calendar: создание встреч, проверка свободного времени
• Azure AD: оргструктура, поиск коллег, группы
• OneDrive: доступ к файлам пользователя

Сравнение подходов к развёртыванию

Сравнение векторных баз