База знаний (RAG)

Функция базы знаний позволяет вашему ИИ-агенту отвечать на вопросы, используя ваши реальные документы, такие как примечания к выпуску, статьи справки, политики, что угодно на основе текста.

Поддерживаемые форматы

• PDF
• Markdown, обычный текст
• Word (.docx) · CSV
• JSON (извлекается как текст)

Процесс загрузки

1. Перейдите в Знания → Загрузить документ
2. Выберите файл (макс. 25 МБ). Он загружается напрямую в S3 через предподписанный POST
3. Worker берёт задачу: извлекает текст → разбивает на chunks по ~800 tokens → создаёт embeddings с помощью OpenAI text-embedding-3-small → сохраняет в pgvector
4. По завершении статус меняется на READY

Центр обучения

Ручная загрузка одного файла это лишь один из способов. ОткройтеИИ-агент → Центр обучения, чтобы наполнять базу знаний несколькими способами:

• Обход сайта: укажите URL, и система загрузит страницы, извлечёт текст и добавит их так же, как загруженный файл
• Пакетная загрузка файлов: добавьте PDF, Word (.docx) и другие текстовые документы, они автоматически разбираются и делятся на chunks
• Пары вопрос-ответ: введите их вручную или импортируйте сразу много из CSV
• Playground: песочница-чат, чтобы проверить агента на вашей базе знаний до запуска

Как работает поиск

На каждое сообщение посетителя worker создаёт embeddings запроса и выполняет поиск по косинусному расстоянию по chunks вашего арендатора. Top-K (по умолчанию 5) chunks, прошедшие порог сходства, встраиваются в системный промпт.

ИИ на хостинге платформы, или собственные embeddings

По умолчанию платформа размещает ИИ за вас, свой ключ не нужен: embeddings и ответы работают на управляемых ключах, тарифицируются по реальному расходу tokens, автоматически пополняются из кредитов и передаются оператору-человеку, когда баланс заканчивается. Если вы предпочитаете свой хостинг, в разделе ИИ-агент → Embeddings вы можете задать пользовательский endpoint API для embedding, это полезно, если вы хотите использовать Azure OpenAI, локальный Ollama или DuckLLM. Endpoint завершения чата может отличаться от endpoint для embedding, поскольку сервисы-агрегаторы часто не поддерживают embeddings.

Кэширование

Идентичный текст запроса попадает в 24-часовой кэш Redis, поэтому один и тот же FAQ не пересоздаёт embeddings при каждом посещении. Кэширование промптов Anthropic применяется к системному промпту + извлечённым chunks для дополнительной экономии затрат.

Когда пропускать RAG

Отключите RAG enabled, если ваш ИИ-агент это чисто бот для светской беседы / квалификации лидов, которому не нужно цитировать документы.