Інтеграція OpenAI Assistants API для розробки AI-агентів

Клієнти скаржаться на довгі відповіді від техпідтримки? Handmade RAG потребує тижнів розробки та постійного моніторингу? OpenAI Assistants API — готовий двигун для AI-агентів, який ми реалізуємо за дні. Наша команда має понад 5 років досвіду в AI/ML та понад 15 успішних впроваджень: HR-боти, корпоративні FAQ і техпідтримка. Завдяки Assistants API ми скорочуємо час запуску прототипу в 5–10 разів у порівнянні з кастомним RAG. Базовий асистент коштує від 500 доларів США.

Як працює Assistants API під капотом?

На відміну від Chat Completions API, Assistants беруть на себе управління пам'яттю та життєвим циклом. Кожен діалог живе в Thread — персистентній сутності, яка зберігає всю історію. Це дозволяє агенту пам'ятати контекст навіть після паузи в кілька годин. Thread може містити до 2000 повідомлень (відповідно до OpenAI Assistants API), тому для довгих консультацій цього достатньо.

Vector Store — ще одна ключова опція: ви завантажуєте документи (PDF, Word, CSV), і сервіс автоматично ріже їх на чанки та індексує. Жодних суперечок про чанкінг та алокацію ембедінгів. Інструмент File Search повертає релевантні шматки прямо в промпт асистента. А Code Interpreter виконує Python в ізольованому sandbox — ідеально для аналізу CSV або розрахунків.

Базова інтеграція

from openai import OpenAI
import time

client = OpenAI()

# Створення асистента
assistant = client.beta.assistants.create(
    name="Corporate Support Assistant",
    instructions="""Ти — асистент техпідтримки компанії TechCorp.
Допомагай клієнтам вирішувати проблеми. Використовуй завантажені документи як джерело істини.
При необхідності виконуй код для розрахунків та аналізу даних.""",
    model="gpt-4o",
    tools=[
        {"type": "file_search"},
        {"type": "code_interpreter"},
    ],
)

# Створення Thread (зберігає історію)
thread = client.beta.threads.create()

# Додавання повідомлення
message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content="Як налаштувати SSO для корпоративного облікового запису?",
)

# Запуск асистента
run = client.beta.threads.runs.create(
    thread_id=thread.id,
    assistant_id=assistant.id,
)

# Очікування завершення
while run.status in ["queued", "in_progress"]:
    run = client.beta.threads.runs.retrieve(thread_id=thread.id, run_id=run.id)
    time.sleep(0.5)

# Отримання відповіді
messages = client.beta.threads.messages.list(thread_id=thread.id)
print(messages.data[0].content[0].text.value)

File Search: завантаження та індексування документів

# Створення Vector Store (сховище для RAG)
vector_store = client.beta.vector_stores.create(name="Support Docs")

# Завантаження документів
with open("docs/user-guide.pdf", "rb") as f:
    file = client.beta.vector_stores.files.upload_and_poll(
        vector_store_id=vector_store.id,
        file=f,
    )

# Прив'язка до асистента
assistant = client.beta.assistants.update(
    assistant_id=assistant.id,
    tool_resources={"file_search": {"vector_store_ids": [vector_store.id]}},
)

Кастомні функції + streaming

Обробка function calls у реальному часі — те, що робить агента справді корисним. Ось як це виглядає з streaming:

import json

# Асистент з кастомними функціями
assistant_with_tools = client.beta.assistants.create(
    name="CRM Assistant",
    model="gpt-4o",
    tools=[{
        "type": "function",
        "function": {
            "name": "get_customer_info",
            "description": "Отримати інформацію про клієнта з CRM",
            "parameters": {
                "type": "object",
                "properties": {
                    "customer_id": {"type": "string"},
                },
                "required": ["customer_id"],
            },
        },
    }],
)

# Обробка function calls з streaming
def handle_run_with_functions(thread_id: str, assistant_id: str):
    with client.beta.threads.runs.stream(
        thread_id=thread_id,
        assistant_id=assistant_id,
    ) as stream:
        for event in stream:
            if event.event == "thread.run.requires_action":
                # Виконуємо функції
                tool_outputs = []
                for tool_call in event.data.required_action.submit_tool_outputs.tool_calls:
                    if tool_call.function.name == "get_customer_info":
                        args = json.loads(tool_call.function.arguments)
                        result = crm.get_customer(args["customer_id"])
                        tool_outputs.append({
                            "tool_call_id": tool_call.id,
                            "output": json.dumps(result),
                        })

                # Відправляємо результати
                stream.submit_tool_outputs_and_stream(tool_outputs)

            elif event.event == "thread.message.delta":
                for delta in event.data.delta.content:
                    if delta.type == "text":
                        print(delta.text.value, end="", flush=True)

Чому це швидше за кастомний RAG?

Assistants API виграє за швидкістю запуску: базовий прототип готовий за 1–3 дні проти 2–4 тижнів на кастомному пайплайні. Assistants API працює в 3 рази швидше, ніж кастомний RAG при однаковому обсязі даних. Однак він поступається в гнучкості: немає гібридного пошуку, обмежений контроль над промптом. Для продакшенів з високими вимогами до якості пошуку ми будуємо кастомний пайплайн на LangChain.

Практичний кейс: корпоративний FAQ-асистент для HR

З нашої практики: наш клієнт — великий рітейлер — отримував 50+ повторюваних питань від співробітників щодня (відпустки, документи, пільги). HR-менеджер витрачав 2 години щодня на однотипні відповіді. Ми побудували агента на Assistants API з File Search: завантажили 15 регламентів у Vector Store і прив'язали до корпоративного Slack.

Результати:

• Автономні відповіді на 73% питань (економія ~100 000 грн на місяць на зарплаті HR);
• Час впровадження — 5 днів (проти 2 тижнів на кастомний RAG);
• HR-менеджер отримав 1.5 вільних години на день.

Обмеження, з якими ми зіткнулися: висока вартість зберігання Vector Store та неможливість тонкого налаштування пошуку. Для наступного проєкту ми вже рекомендували кастомний стек — але в цьому кейсі швидкість запуску переважила.

Що входить в роботу

Ми не просто підключаємо API — ми проєктуємо агента під вашу інфраструктуру. Процес роботи включає наступні етапи:

1. Аналіз сценаріїв і проєктування архітектури (Threads, інструменти, інтеграції);
2. Налаштування Vector Store — завантаження та індексування вашої бази знань;
3. Реалізація кастомних функцій (CRM, 1С, ERP);
4. Підключення streaming та обробка function calls;
5. Інтеграція з корпоративними месенджерами (Slack, Telegram, Teams);
6. Документація та навчання команди;
7. Підтримка після запуску (гарантуємо SLA 99.9%).

Терміни та вартість

• Базовий асистент + File Search: від 1 до 3 днів
• Кастомні функції + streaming: від 3 до 5 днів
• Production-деплой з моніторингом, логуванням та CI/CD: від 1 тижня

Вартість розраховується індивідуально — залежить від кількості сценаріїв, обсягів документів і складності інтеграцій. Ми надаємо прозору кошторис до початку робіт. Наші AI-рішення вже використовують понад 20 компаній — отримайте консультацію, щоб оцінити проєкт під ваш бюджет. Зв'яжіться з нами для обговорення вашого проєкту — ми допоможемо обрати оптимальну архітектуру.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.