База знаний (RAG)

Функция базы знаний позволяет вашему ИИ-агенту отвечать на вопросы, используя ваши реальные документы — 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

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.

Использование собственных embeddings

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.