RAG и базы знаний
Системы, которые отвечают по вашим документам, показывают источник ответа и честно отказываются, когда ответа в документах нет.
- Ответы строго по вашим документам, с показом исходного фрагмента
- Явный отказ, если в корпусе нет ответа
- Стенд оценки качества — точность измеряется, а не декларируется
Интерактивное демо на этом сайте недоступно
Этот контур работает без сторонних ИИ-провайдеров. Напишите нам — покажем систему в работе лично.
Связаться с намиЧто на самом деле решает RAG
Языковая модель знает то, что было в её обучающих данных. Она не знает условий ваших договоров, истории ваших инцидентов и внутреннего стандарта, которому должны следовать ваши инженеры. Дообучение эту задачу надёжно не решает: оно хорошо передаёт стиль и плохо — факты, и каждое обновление означает новый цикл обучения.
Поиск решает её иначе. Корпус остаётся на месте. В момент вопроса система находит те несколько фрагментов, которые к нему относятся, и показывает модели только их — вместе с указанием отвечать строго по ним либо признать, что ответа нет.
В результате ответ можно проверить. Именно это свойство делает систему пригодной к внедрению.
Из чего состоит конвейер
Извлечение. Документы разбираются в текст с учётом вёрстки: у PDF сохраняются привязки к страницам, таблицы остаются таблицами, сканы при необходимости проходят OCR.
Нарезка. Текст режется по смысловым границам с перекрытием, а не по фиксированному числу символов. Разрыв посреди фразы — самая частая причина плохого поиска, и она незаметна, пока её не измерить.
Индексация. Фрагменты векторизуются и сохраняются вместе с метаданными: источник, раздел, дата вступления в силу, уровень доступа. Метаданные — это то, что потом позволяет фильтровать выдачу.
Поиск. Гибрид векторного и лексического поиска: эмбеддинги хорошо справляются с перефразированием и плохо — с точными артикулами и кодами. При необходимости добавляется этап переранжирования.
Генерация. Модель получает найденные фрагменты и инструкцию не выходить за их пределы. Ссылки на источники выдаются вместе с ответом.
Оценка. Отложенный набор вопросов с известными ответами прогоняется при каждом изменении. Качество поиска и качество ответа измеряются отдельно — они ломаются по разным причинам и чинятся по-разному.
Где это окупается
- Поддержка и сервисные службы — ответы первой линии по документации и прошлым обращениям, со ссылкой на источник для проверки за секунды.
- Юридическая служба и комплаенс — поиск формулировок по массиву договоров с выдачей конкретного пункта, а не его пересказа.
- Инженерные команды — внутренние стандарты, регламенты и разборы инцидентов, доступные по смыслу, а не по ключевому слову.
- Пресейл — точные ответы на технические опросники, собранные из уже согласованных документов.
Что вы получаете
Документацию архитектуры, набор тестов и стенд оценки, скрипты развёртывания и конвейер загрузки данных в виде кода. Система работает в вашем контуре и на вашей инфраструктуре. Ничто в её устройстве не требует нашего присутствия.
Частые вопросы
Чем это отличается от загрузки файла в чат-бота?
Чат-бот работает в рамках одного диалога и одного окна контекста. RAG-система индексирует весь корпус, для каждого вопроса достаёт только относящиеся к делу фрагменты и показывает их. Это масштабируется на сотни тысяч документов и даёт возможность проверить любой ответ.
Что происходит, если ответа в документах нет?
Система об этом говорит. Поведение при отказе заложено в промпт и входит в набор тестов. Система, которая догадывается, хуже отсутствия системы: она перекладывает проверку на читателя, не предупредив его об этом.
Нужны ли наши документы, чтобы начать?
Нет. Достаточно 20–50 характерных документов и 20 вопросов, которые реально задаёт ваша команда. Этого хватит, чтобы оценить качество поиска до любых работ по интеграции.
Где будут храниться данные?
Там, где требует ваша политика. Слой поиска, векторное хранилище и модель размещаются независимо друг от друга, включая полностью локальный контур.