база знаний.

Как мы тестировали RAG: нашёл документ, но всё равно ошибся

В прошлой статье я рассказывал, как наш трёхнедельный RAG-пилот по технической документации растянулся на три месяца. Мы собирались научить корпоративный AI отвечать на вопросы инженеров и менеджеров, а вместо этого обнаружили, что сначала нужно разобраться в собственных документах.С тех пор мы продвинулись. Собрали базу знаний, настроили поиск, подготовили сотни контрольных вопросов и наконец начали испытывать ассистента на реальных инженерных задачах.Промежуточный результат — 84% правильных ответов на тестовом наборе из 188 вопросов

продолжить чтение

База знаний на максималках: как ИИ-агенты с помощью QA сами наполняют общую память тестирования

Всем привет! Меня зовут Олег Малышев

продолжить чтение

Anthropic заблокировала меня и я потерял подписку за $100, но сохранил год работы и собрал личную RAG-базу

Привет, Хабр!Доброго утра!

продолжить чтение

Чат на сайте не должен врать: почему наш ассистент иногда честно отвечает «точного ответа нет»

Представьте: посетитель интернет-магазина спрашивает в чате, сколько дней на возврат. Бот бодро отвечает: «30 дней, без вопросов». На сайте при этом написано 14. Через три недели покупатель приходит с товаром и скриншотом переписки. Спорить с ним бесполезно: «ваш же консультант сказал».

продолжить чтение

Как превратить Cursor в долговременную память проекта: LLM Wiki, QMD и Cursor CLI

> Практический кейс интеграции LLM Wiki и локального поиска в рабочий процесс Cursor. Ссылка на исходные конфигурации и skills — в конце статьи.Большой контекст в Cursor помогает ровно до момента, когда проект начинает жить дольше одного чата. В одной сессии обсуждается исходная постановка задачи, в другой — устройство витрины, в третьей внезапно выясняется, что показатель должен считаться немного иначе, а ещё через неделю приходится заново объяснять агенту, почему первое очевидное решение уже было отвергнуто.

продолжить чтение

Локальный ИИ-ассистент по базе знаний компании: RAG поверх вики, файлов, 1С и Битрикс24

Зачем это вообще нужноВ любой компании старше пары лет знания размазаны по вики, папкам с регламентами, почтовым перепискам, 1С и Битрикс24. Новичок ищет нужный документ полчаса или идёт спрашивать коллегу, и коллега отвлекается.Очевидный ответ — «давайте сделаем ChatGPT по нашим документам». Но почти всегда тут же звучит требование: данные не должны уходить в чужое облако. Значит, модель, поиск и хранилище должны жить на своём железе.

продолжить чтение

Наймите хоть сто человек в поддержку — заявки всё равно не будут решаться на первой линии

Бороться с низким FLR можно по-разному. Иногда, если поддержка не может решать проблемы сама, без второй линии, бизнес делает вывод, что на первой не хватает рук. Нанимаем ещё десяток человек, потом ещё, потом ещё. Полгода спустя штат первой линии вырос на треть, а FLR остался там же, где был до найма. Иногда даже чуть просел, потому что новички чаще передают обращения дальше: знаний и прав у них меньше, чем у опытных коллег.

продолжить чтение

Комнатный RAG: бесплатный ИИ-помощник-консультант по содержимому сайта

Про умных чат-ботов, которые помогают операторам контакт-центров, разбирают обращения и автоматизируют процессы, слышали, кажется, все. Помимо автоматизации целых служб есть и задача поменьше, с которой можно начать на обычном сайте.Вот обычный сайт небольшой компании. На нём описаны услуги, проекты, условия работы, иногда цены и клиенты. Посетитель приходит с конкретным вопросом: «Вы можете помочь с моей задачей?», «У вас было что-то похожее?», «А это можно установить у нас?» Чтобы разобраться, ему нужно прочитать несколько разделов и самому связать информацию.

продолжить чтение

Квестоша: ИИ-помощник в контакт-центре агрегатора квестов

Мир Квестов — агрегатор квестов в реальности. На сайте собраны квесты разных организаторов во многих городах России, клиент выбирает игру и пишет в чат, чтобы подобрать и забронировать. С третьего квартала 2026 года первым в чате отвечает бот, которого мы назвали Квестошей. Он подбирает квест, отвечает фактами из каталога, объясняет правила площадки, собирает данные для брони и зовёт живого оператора, когда вопрос выходит за его полномочия.

продолжить чтение

LLM Wiki: готовые baseline-шаблоны и новая реализация паттерна для доказательных выводов

Паттерн LLM Wiki (предложен Андреем Карпаты, 2026) устроен так: LLM-агент не ищет фрагменты заново при каждом вопросе, а инкрементально встраивает новые источники в постоянную вики — дополняет страницы, связывает их ссылками, отмечает противоречия и поддерживает обзор.Типичные элементы паттерна:Три слоя. raw/ — неизменяемые источники (курирует владелец), wiki/ — страницы под управлением агента, AGENTS.md — схема-регламент.Операции. ingest (один источник каскадно обновляет 10–15 страниц), query (вопрос по вики), lint

продолжить чтение

123456...9