Реалізація бази знань в мобільному додатку

Реалізація бази знань у мобільному додатку

База знань відрізняється від FAQ масштабом й структурою: не 20 питань-ответів, а сотні статей з категоризацією, пошуком, версіюванням контенту й навігацією по темі. Для мобільного додатку це означає іншу архітектуру: локальний пошук по індексу, кеширування, offline-доступ й рендеринг розмітки.

Джерела контенту й синхронізація

CMS-бэкенд з API

Найбільш універсальний підхід — власний або headless CMS (Contentful, Strapi, Sanity) з REST/GraphQL API. Мобільний клієнт скачує статі при першому запуску й при оновленні, зберігає в локальній БД.

// Android: Room-схема для статей бази знань
@Entity(tableName = "kb_articles")
data class KbArticle(
    @PrimaryKey val id: String,
    val title: String,
    val content: String,   // Markdown або HTML
    val categoryId: String,
    val updatedAt: Long,
    val searchIndex: String  // нормалізований текст для FTS
)

@Entity(tableName = "kb_categories")
data class KbCategory(
    @PrimaryKey val id: String,
    val title: String,
    val parentId: String?,
    val position: Int
)

Синхронізація по updatedAt: при кожному запуску скачуємо тільки змінені статі з моменту останнього sync-timestamp.

Zendesk Help Center / Freshdesk Solutions

Якщо підтримка на Zendesk — Help Center API надає статі напрямки. SDK Zendesk показує їх через вбудований UI, але він слабо кастомізуєм. Для кастомного дизайну використовуємо Zendesk Guide API:

GET https://yoursubdomain.zendesk.com/api/v2/help_center/articles.json

Response містить body в HTML — рендеримо через WebView з кастомним CSS, відповідним дизайн-системі додатку.

Повнотекстовий пошук

Пошук по тисячі статей на сервері при кожному запиті — зайвий round-trip. Для мобільного додатку краще локальний Full-Text Search.

Android — Room FTS4:

@Fts4(contentEntity = KbArticle::class)
@Entity(tableName = "kb_articles_fts")
data class KbArticleFts(
    val title: String,
    val searchIndex: String
)

@Dao
interface KbSearchDao {
    @Query("SELECT * FROM kb_articles WHERE id IN " +
        "(SELECT rowid FROM kb_articles_fts WHERE kb_articles_fts MATCH :query)")
    suspend fun search(query: String): List<KbArticle>
}

iOS — CoreData з NSPredicate або SQLite FTS5:

// NSPredicate для CoreData
let predicate = NSPredicate(
    format: "title CONTAINS[cd] %@ OR content CONTAINS[cd] %@",
    query, query
)

Для великих баз (>500 статей) — SQLite з FTS5 через GRDB.swift:

try db.create(virtualTable: "articles_fts", using: FTS5()) { t in
    t.column("title")
    t.column("body")
    t.tokenizer = .unicode61()
}

FTS5 з unicode61 токенайзером підтримує кирилицю — важливо для російськомовних додатків.

Рендеринг Markdown/HTML

Статі часто зберігаються у Markdown. Варіанти рендеринга:

Markwon для Android підтримує таблиці, code blocks з підсвіткою синтаксису й зображення — достатньо для технічної документації.

Аналітика й зворотний зв'язок по статтям

Кнопка «Була ли стаття корисна?» — простий механізм оцінки якості контенту. Відправляємо подію з article_id й helpful: true/false у Firebase Analytics. Статі з високим відсотком «не корисна» — кандидати на переробку.

Analytics.logEvent("kb_article_feedback", parameters: [
    "article_id": article.id,
    "helpful": isHelpful ? "yes" : "no",
    "time_spent_seconds": Int(Date().timeIntervalSince(openedAt))
])

time_spent_seconds дає додатковий сигнал: якщо користувач прочитав за 3 секунди й натиснув «не корисна» — стаття не по темі. Якщо провів 5 хвилин й натиснув «корисна» — контент глибокий й релевантний.

Offline-доступ

База знань повинна працювати без інтернету — користувач може звертатись до документації в зоні без мережі. Всі статті після першої завантаження зберігаються локально. Зображення кешуються через Kingfisher (iOS) або Coil (Android) з настройкою максимального розміру кешу.

Процес роботи

Аудит джерела контенту й прийняття рішення про архітектуру (headless CMS, helpdesk API або власний бэкенд).

Проектування схеми даних з урахуванням ієрархії категорій й пошуку.

Реалізація: синхронізація, локальне зберігання, FTS, рендеринг контенту.

UI: навігація по категоріям, екран статті, пошук з підсвіткою збігів.

Аналітика й offline-режим.

Орієнтири по строкам

Базова база знань з remote API, пошуком й offline-режимом — 1–2 тижня. Інтеграція з Zendesk Help Center, кастомний Markdown-рендеринг й аналітика — до 3 тижнів.