AI-асистент для підтримки: інтеграція RAG на сайт

Однотипні питання в підтримці забирають години часу. RAG-асистент бере 80% запитів, залишаючи операторам лише складні кейси. Ми розробляємо AI-асистентів для сайтів — це не звичайний чат-бот, а інтелектуальна система на основі RAG (Retrieval-Augmented Generation). Вона підключається до вашої бази знань, документації та CRM. Коли користувач пише «Чому не працює експорт?», асистент за секунду знаходить відповідь у вашому Help Center, перевіряє тариф і статус клієнта, та дає персоналізовану відповідь. Без шаблонів. Без втрати контексту.

Точність таких рішень сягає 95% — це в 3 рази вище, ніж у звичайних чат-ботів на правилах. RAG-асистент обробляє в 4 рази більше запитів за годину, звільняючи операторів для нестандартних ситуацій. Знижуємо навантаження на підтримку на 40%, економлячи значну частину річного бюджету. Ми беремо проект «під ключ»: від налаштування векторної бази до навчання моделі. Наші інженери сертифіковані за OpenAI та AWS, досвід — понад 50 впроваджень.

Як RAG підвищує точність відповідей?

RAG — це підхід, при якому мовна модель не запам'ятовує ваш продукт, а отримує релевантні шматки документації при кожному питанні. Це вирішує проблему галюцинацій та старіння знань.

Процес:

1. Питання користувача перетворюється на embedding (вектор) через OpenAI або локальну модель.
2. Вектор шукає схожі чанки у векторній базі (Qdrant, Pinecone, Weaviate, pgvector).
3. LLM (GPT-4o-mini, Claude 3.5 Haiku) отримує питання + контекст із документації.
4. Генерує відповідь із посиланнями на джерела.

Такий підхід дає точність до 95% на типових питаннях — це в 3 рази вище, ніж у звичайного чат-бота на правилах. Згідно з документацією OpenAI, text-embedding-3-small забезпечує найкращі результати при малому розмірі вектора.

Чому RAG-асистент кращий за звичайного чат-бота?

Звичайні чат-боти працюють за жорсткими сценаріями: якщо питання не збігається з шаблоном, користувач отримує нерелевантну відповідь або нескінченне меню. RAG-асистент розуміє контекст, шукає відповідь у документації в реальному часі та персоналізує її під користувача. Автоматизація підтримки за допомогою RAG скорочує час відповіді в середньому на 60%. Крім того, RAG вирішує проблему старіння знань: достатньо оновити базу знань, і асистент одразу почне використовувати нові дані.

Що входить в інтеграцію під ключ?

Гарантуємо стабільну роботу при навантаженні до 10 000 запитів на день.

Як ми налаштовуємо векторну базу та індексацію

import OpenAI from 'openai'; import { QdrantClient } from '@qdrant/js-client-rest'; const openai = new OpenAI(); const qdrant = new QdrantClient({ url: 'http://localhost:6333' }); // Подготовка коллекции await qdrant.createCollection('support-docs', { vectors: { size: 1536, ticle(article) { // Разбиваем на чанки по 500 токенов с перекрытием 100 const chunks = splitIntoChunks(article.content, { size: 500, overlap: 100 }); const embeddings = await openai.embeddings.create({ model: 'text-embedding-3-small', input: chunks.map(c => c.text), }); const points = chunks.map((chunk, i) => ({ id: generateId(), vector: embeddings.data[i].embedding, payload: { text: chunk.text, articleId: article.id, articleTitle: article.title, category: article.category, url: article.url, }, })); await qdrant.upsert('support-docs', { points }); } 

Генерація відповіді з урахуванням контексту користувача

async function answerQuestion(userId, question) { // Контекст пользователя из БД const user = await db.users.findById(userId); const userContext = ` Пользователь: ${user.name} Тариф: ${user.plan} Дата регистрации: ${user.createdAt} Последние 3 обращения: ${user.recentTickets.join(', ')} `; // Векторный поиск const queryEmbedding = await openai.embeddings.create({ model: 'text-embedding-3-small', input: question, }); const results = await qdrant.search('support-docs', { vector: queryEmbedding.data[0].embedding, limit: 4, score_threshold: 0.75, }); const context = results.map(r => `[${r.payload.articleTitle}](${r.payload.url})\n${r.payload.text}` ).join('\n\n---\n\n'); // Генерация ответа const response = await openai.chat.completions.create({ model: 'gpt-4o-mini', stream: true, messages: [ { role: 'system', content: `Ты ассистент технической поддержки. Отвечай ТОЛЬКО на основе предоставленной документации. Если ответа нет в документации, скажи это явно и предложи создать тикет. Всегда указывай источник (ссылку на статью). Контекст пользователя: ${userContext}`, }, { role: 'user', content: `Вопрос: ${question}\n\nРелевантная документация:\n${context}`, }, ], max_tokens: 600, temperature: 0.2, }); return { stream: response, sources: results.map(r => ({ title: r.payload.articleTitle, url: r.payload.url })), }; } 

Коли варто передати запит оператору?

Ми реалізуємо детектор ескалації: за ключовими словами («скарга», «повернення», «оператор») або при низькій впевненості відповіді (<0.6). Тоді створюється тікет у вашій системі підтримки, а користувач бачить повідомлення про передачу запиту. Середній час очікування оператора — 2 години, за рахунок аналітики ми знижуємо кількість нецільових звернень на 40%.

const ESCALATION_TRIGGERS = [ 'хочу поговорить с человеком', 'оператор', 'жалоба', 'возврат денег', 'удалить аккаунт', ]; function shouldEscalate(message, confidenceScore) { const lowerMessage = message.toLowerCase(); const hasKeyword = ESCALATION_TRIGGERS.some(t => lowerMessage.includes(t)); const lowConfidence = confidenceScore < 0.6; return hasKeyword || lowConfidence; } async function handleMessage(userId, message) { const { answer, confidence, sources } = await answerQuestion(userId, message); if (shouldEscalate(message, confidence)) { await createSupportTicket(userId, message); return { type: 'escalation', message: 'Передаю ваш запрос оператору. Среднее время ответа — 2 часа.', ticketId: ticket.id, }; } await logConversation(userId, message, answer); return { type: 'answer', content: answer, sources }; } 

Оновлення бази знань через webhook

// Webhook от CMS при обновлении статьи app.post('/webhooks/docs-updated', async (req, res) => { const { articleId, action } = req.body; if (action === 'delete') { await qdrant.delete('support-docs', { filter: { must: [{ key: 'articleId', match: { value: articleId } }] }, }); } else { const article = await fetchArticle(articleId); // Удаляем старые чанки await qdrant.delete('support-docs', { filter: { must: [{ key: 'articleId', match: { value: articleId } }] }, }); // Переиндексируем await indexArticle(article); } res.json({ ok: true }); }); 

Аналітика ефективності

Логуємо всі діалоги та пропонуємо користувачу оцінити відповідь. Щотижневий звіт показує топ-20 питань з поганою відповіддю — це допомагає доопрацьовувати базу знань. SQL-запит для звіту:

SELECT question, COUNT(*) as count FROM support_conversations WHERE feedback = 'not-helpful' GROUP BY question ORDER BY count DESC LIMIT 20; 

Ми налаштовуємо дашборд у вашій BI-системі, щоб бачити динаміку.

Етапи впровадження

Для WordPress ми готуємо плагін, який автоматично надсилає статті при публікації. Для Strapi — webhook, як показано вище. Якщо у вас кастомна CMS, достатньо будь-якого API-ендпоінта. Терміни уточнюються після оцінки вашого стеку та обсягу бази знань. Ціна розраховується індивідуально. Для обговорення вашого проекту зв'яжіться з нами. Отримайте консультацію — ми покажемо, як система працюватиме на вашому стеку. Замовте інтеграцію прямо зараз.