Есть один страх, который слышишь от каждого бизнеса перед запуском ИИ-агента: «А что, если он наобещает клиенту скидку, которой у нас никогда не было?» Страх обоснованный. Нейросеть сама по себе - это красноречивый собеседник без единого факта о вашей компании внутри. Она с одинаковой уверенностью придумает и правильный ответ, и неправильный - разница в том, что ни вы, ни клиент не сможете отличить одно от другого. Решает эту проблему не более «умная» модель, а грамотно собранная база знаний. Разберём, как она устроена в Watbot и что сделать, чтобы агент отвечал по фактам, а не сочинял.
Почему без базы знаний агент фантазирует
Модель обучена на огромном массиве текстов из интернета - и ничего не знает о вашем конкретном прайсе, регламенте возврата или сроках доставки в отдалённые регионы. Когда вы просите её ответить на вопрос по вашей теме без источника, она честно делает то, что умеет: достраивает правдоподобный ответ на основе общих паттернов. Для художественного текста это нормально. Для ответа клиенту про стоимость услуги - недопустимо.
База знаний решает эту задачу именно так, как задумана технология RAG (Retrieval-Augmented Generation): модель не «помнит» ваши данные, а каждый раз ищет ответ в подключённых документах и уже на основе найденного формулирует фразу. Без базы агент говорит общими словами. С базой - опирается на конкретный текст, который вы туда положили.
Как это устроено в Watbot: путь от документа до ответа
1. Вы загружаете материалы. Текстом, файлом или просто ссылкой на страницу - платформа сама соберёт содержимое. Сюда идёт то, на чём агент должен строить ответы: прайс, регламент, описание услуг, FAQ.
2. Документ разбивается на фрагменты. Платформа режет текст на части и считает для каждой части векторное представление - по сути, «числовой отпечаток» смысла этого фрагмента.
3. Работает гибридный поиск. Когда клиент задаёт вопрос, одновременно включаются два механизма: векторный поиск - по смыслу, и полнотекстовый - по конкретным словам. Именно поэтому находится и общая формулировка вроде «сколько стоит доставка», и точный артикул или название модели, которые нельзя найти «по смыслу», а нужно найти буквально.
4. Агент отвечает клиенту. В блок ИИ-агента подключается конкретная база, и он ищет ответ только в ней - не во всём интернете и не «из головы».
Логика простая и важная: агент отвечает в границах того, что вы туда загрузили. Загрузили точный и актуальный прайс - получаете точный ответ по ценам. Загрузили устаревший документ - получаете устаревший, но не выдуманный ответ. Разница принципиальная: ошибка в данных - это то, что вы можете найти и поправить. Галлюцинация модели без источника - нет.
Что реально стоит загружать в базу
Раз агент ищет ответ строго в подключённых материалах, качество базы напрямую определяет качество разговора с клиентом. Практический ориентир - загружать то, что вы сами используете как справочный материал для новых сотрудников: прайс-лист, регламент работы с клиентом, описание услуг и тарифов, ответы на частые вопросы, условия доставки и возврата.
Отдельно стоит подумать про формулировки внутри документа. Если в прайсе просто список позиций без пояснений, агенту не из чего собрать развёрнутый ответ на вопрос «а чем отличается тариф X от тарифа Y». Чем более человеческим языком написан исходник - тем более человеческий ответ получит клиент.
Одна база на несколько задач
В блок агента подключается конкретная база знаний - и это открывает практичный сценарий: под разные задачи можно держать разные базы. Агенту в блоке техподдержки - одна база с инструкциями и FAQ. Агенту в блоке продаж - другая, с прайсом и презентацией услуг. Так каждый агент отвечает точно в рамках своей темы, не путая контекст из соседних разделов бизнеса.
И ещё важная деталь: база знаний доступна не только агенту в сценарии бота. В личном кабинете есть отдельный ИИ-чат, где тоже можно задавать вопросы по той же базе - это удобно, чтобы быстро проверить, как агент найдёт и сформулирует ответ на конкретный вопрос, прежде чем выпускать сценарий на реальных клиентов.
Что в итоге снимает риск галлюцинаций
Смысл RAG в связке с ИИ-агентом - не в том, чтобы модель «стала умнее», а в том, чтобы она перестала отвечать по памяти и начала отвечать по источнику. Загруженный документ режется на фрагменты, гибридный поиск находит среди них подходящий - по смыслу и по точным словам одновременно, - а агент строит ответ на основе найденного. Чем актуальнее и понятнее документы в базе, тем точнее будет каждый ответ клиенту. И наоборот: пустая или устаревшая база - это единственная причина, по которой даже самый точный механизм поиска не спасёт от общих и неточных ответов.