~2~Проблема~p~Разработчик корпоративного ПО для финансового сектора использовал внутренний чат-бот, работавший по заранее заданным триггерам и совпадению ключевых слов. Он отвечал на привычные вопросы, но часто не справлялся с другой формулировкой. Команда расширила систему генерацией с извлечением контекста (RAG), семантическим поиском и формированием ответов на основе корпоративных источников знаний. ~2~Задача ~p~Сотрудникам приходилось угадывать точную формулировку, понятную боту, либо самостоятельно искать внутреннюю документацию. Сопровождение также было трудоёмким: для каждого нового вопроса требовалось вручную подготовить и опубликовать сценарный ответ. Заказчику был нужен более гибкий поиск и механизм актуализации знаний при изменении документов.

~2~Решение и реализация ~3~Единый доступ к знаниям ~p~Система объединила информацию из корпоративной документации, баз знаний, записей CRM, внутренних wiki и регламентов. Поисковый слой открыл эти материалы ассистенту без необходимости программировать отдельный ответ на каждый возможный вопрос. ~3~Цепочка поиска, переранжирования и генерации ~p~Вопросы сотрудников преобразуются в представления для семантического поиска. Система находит релевантные материалы, повторно ранжирует результаты и передаёт выбранный контекст языковой модели для составления ответа. В отличие от простого совпадения ключевых слов, такой подход понимает вопросы, сформулированные иначе, чем в исходной документации. ~3~Интеграция и постоянное обновление ~p~Команда разработала API, через который ассистент доступен другим внутренним системам. Изменённые исходные материалы можно повторно индексировать для актуализации базы знаний. Настройки промптов и поиска дорабатывались для повышения релевантности ответов с акцентом на их соответствие доступной корпоративной информации. ~2~Технические особенности ~p~Ассистент построен как многоэтапный процесс, а не один большой запрос к модели. Корпоративный контент индексируется; поисковый слой извлекает фрагменты по смысловой близости; модуль переранжирования выбирает наиболее полезные, после чего модель генерирует ответ. Команда уточняла инструкции модели для вопросов с подтверждающей информацией и случаев, когда в документах нет прямого ответа. ~p~Источники знаний включают страницы внутренних wiki, документацию, записи CRM и другие корпоративные хранилища. Индексация отражает изменения в источниках, а API позволяет встроить ассистента в разные рабочие интерфейсы. Результат — не просто улучшенное окно чата, а переиспользуемый сервис корпоративного поиска, который развивается вместе с базой знаний компании. ~3~Настройка поиска и актуализации знаний ~p~Поисковый слой объединяет внутренние базы знаний, рабочую документацию и сервисы; RAG извлекает релевантные фрагменты и передает их модели вместе с запросом. ~p~Ответы формируются на основе найденных материалов; актуализация индекса и настройка поиска помогают учитывать изменения корпоративной документации.

~2~Результат ~p~После обновления точность ответов ассистента выросла на 73%, а значительная часть ручной работы по добавлению новых ответов исчезла. Сотрудники получили более естественный способ искать корпоративную информацию, а система — возможность подключать новые источники без переписывания всех диалоговых сценариев. ~p~Ключевое изменение — переход от статических сценариев ответов к постоянно обновляемому процессу поиска и генерации.