Инструменты и технологии

RAG и база знаний для компании

Что такое RAG простыми словами, зачем он бизнесу, чем отличается от ChatGPT. Сценарии, стек, права доступа, сроки, стоимость и подводные камни данных.

Александр Дейнека Александр ДейнекаИИ-консультант
  • 3 минуты чтения
  • обновлено
RAG и база знаний: как ИИ отвечает по документам компании

Сотрудники полдня ищут регламент, клиенты получают устаревшие ответы, новички задают одни и те же вопросы. RAG превращает документы в быстрый поиск с источниками. Модель с нуля учить не нужно, и ответы не берутся из интернета.

RAG простыми словами

RAG (Retrieval-Augmented Generation) работает так: модель сначала ищет в ваших документах подходящие фрагменты, а потом отвечает на их основе. Всю базу она не помнит. В момент запроса она быстро делает по ней конспект и опирается на найденное.

От обычного ChatGPT это отличается принципиально. Ответ строится на ваших PDF, регламентах, переписках и инструкциях, а не на общем интернете. Для компании это разница между «в целом правдоподобно» и «по нашему регламенту от 12 марта».

Магии тут нет, и «новой нейросетью» это тоже не назовёшь. Это схема из трёх частей: векторный поиск, LLM и ваши данные. Когда это понимаешь, страхов и завышенных ожиданий становится заметно меньше.

Как устроен RAG: поиск по документам и генерация ответа
Как устроен RAG: поиск по документам и генерация ответа

Где RAG окупается быстрее всего

Эти сценарии я вижу на аудитах снова и снова, и эффект у них понятный. Если ваша боль совпадает хотя бы с одним пунктом, начинать стоит с RAG.

  • Ответы инженерам и поддержке по техдокументации и регламентам.
  • Поиск по HR-политикам, инструкциям, договорам.
  • База для клиентского чат-бота с вашими условиями и прайсом.
  • Онбординг новичков, чтобы не слышать «спроси у Светы, она знает».
  • Быстрый поиск по переписке, ТЗ и протоколам встреч.
  • Внутренний helpdesk: сотрудник задаёт вопрос и получает ответ со ссылкой на источник.

Что нужно для старта

С технической стороны нужен набор актуальных документов, понимание, кто поддерживает базу, и правила доступа. Не всё можно показывать всем: финансовую отчётность не стоит отдавать в общий чат.

Стек обычно такой: векторная база (pgvector, Qdrant, Weaviate), embedding-модель, LLM для генерации ответа и простой интерфейс, чат или поиск. Подключают Confluence, Google Drive, Notion, 1С, корпоративный портал.

Выбор базы тут второстепенен. Важнее, кто будет чистить документы, потому что качество данных решает больше, чем архитектура. Плохой RAG на мусоре хуже честного поиска по папке: он уверенно отвечает неправильно.

Подводные камни, о которых молчат продавцы

Первый камень в качестве данных. Старые версии, дубли, сканы без OCR, файлы без структуры. Ответы получаются «почти правильными», и это опаснее явной ошибки: пользователь перестаёт проверять.

Второй камень в правах доступа. Если финансовый регламент попадёт в выдачу всему отделу продаж, это инцидент, а не фича. Роли, фильтры и аудит запросов закладывают в дизайн сразу, а не «потом».

Третий в оценке качества. Нужны тестовые вопросы с эталонными ответами. Без них не отличить умного бота от бота, который врёт уверенно. Такой набор мы как раз собираем в первый месяц сопровождения.

Подводные камни RAG: данные, права доступа, качество ответов
Подводные камни RAG: данные, права доступа, качество ответов

Сроки и стоимость

Сроки и бюджет зависят от объёма документов, ролей доступа и интеграций (Confluence, Google Drive, 1С, корпоративный портал). База знаний и ассистенты для сотрудников входят в ИИ-платформу, она стоит от 90 000 ₽. Простой прототип можно начать с внедрения ИИ от 15 000 ₽. Точную смету даём после бесплатного аудита.

Эффект считайте по времени поиска: число сотрудников, умноженное на минуты поиска в день и на стоимость часа. Это нижняя граница пользы. Дальше она растёт за счёт качества ответов и быстрого онбординга.

Отдельно учтите стоимость API и хостинга, она зависит от нагрузки. Заложите её в TCO, чтобы через полгода не удивляться счетам.

Как понять, что RAG вам подходит

Короткий чек-лист. Чем больше ответов «да», тем яснее бизнес-кейс.

  • Документы есть, но искать их долго и приходится спрашивать «кто знает».
  • Ошибки из-за устаревших инструкций уже случались.
  • Онбординг новичков занимает недели.
  • Поддержка отвечает по памяти, а не по регламенту.
  • Есть владелец процесса, который будет держать базу в чистоте.
  • Вы готовы к ролям и безопасности и не хотите, чтобы «все видели всё».

Вопросы и ответы

Чем RAG отличается от дообучения модели?

RAG не меняет модель — подкладывает релевантные куски документов в контекст. Дешевле, быстрее обновляется (добавил документ — бот его знает) и проще контролировать.

Нужна ли своя серверная инфраструктура?

Не обязательно. Можно на облаке или у вас — зависит от политики безопасности. Для клиентских данных часто закрывают периметр или используют корпоративные тарифы провайдеров.

Какие документы не подходят?

Плохо распознанные сканы, документы без структуры, видео и аудио без транскриптов. Их сначала приводят в текст и чистят.

Сколько нужно документов, чтобы RAG имел смысл?

Эффект есть и с небольшим набором осмысленных файлов, если они структурированы. Главное не объём, а актуальность и покрытие частых вопросов.