RAG система для документов компании помогает отвечать на вопросы по внутренним регламентам, инструкциям, договорам и базе знаний. Сначала поиск выбирает подходящие фрагменты из разрешённых источников, затем языковая модель формулирует ответ на их основе. Пользователь видит не только связный текст, но и документ, из которого взят факт.
Такой подход полезен, когда правильная информация уже существует, однако сотрудникам трудно быстро её найти. Если нужного правила нет или несколько версий противоречат друг другу, технология не создаст достоверный ответ. Подготовка корпуса и назначение владельцев документов важны не меньше выбора модели.
Как формируется ответ
Вопрос → Поиск фрагментов → Проверка доступа → Черновик со ссылкой → Проверка человеком
RAG система для документов компании и её задачи
Главный сценарий RAG связан с корпоративными знаниями. Новый сотрудник спрашивает, какие документы нужны для отгрузки. Первая линия уточняет правило возврата. Менеджер ищет пункт в инструкции по продукту. Обычный поиск находит десятки файлов по одному слову, а RAG подбирает фрагменты по смыслу и собирает из них удобный ответ.
Это не универсальный корпоративный интеллект. Система работает в пределах подключённого корпуса и прав пользователя. Она не должна дополнять пробелы общими знаниями модели, когда вопрос касается внутреннего процесса. Если подтверждения нет, корректный результат сообщает об отсутствии данных и передаёт вопрос ответственному.
- Внутренняя справка по регламентам и инструкциям.
- Поиск формулировок в договорных шаблонах и методических материалах.
- Подготовка ответа первой линии с указанием источника.
- Навигация по технической документации и базе знаний.
RAG не ведёт очередь обращений. Эту задачу решает чат-бот для бизнеса: он принимает сообщение, создаёт карточку, назначает исполнителя и хранит статус. Бот может запросить ответ у RAG, однако маршрутизация и поиск остаются двумя отдельными слоями. Общий подход к выбору AI-сценария описан в статье про внедрение ИИ в бизнес.
Корпус начинается с актуальных версий
Папка с сотнями PDF ещё не является базой знаний. В ней могут лежать черновики, дубли, старые реквизиты и документы с разными сроками. Поисковый слой добросовестно найдёт противоречащие фрагменты, после чего модель составит убедительный, но непригодный ответ.
Перед внедрением RAG определяют владельца каждого типа документов. Он решает, какая версия действует, когда материал пересматривают и что нельзя включать в корпус. Полезно хранить дату обновления, область применения и уровень доступа. Для пилота достаточно небольшого набора, который покрывает один тип вопросов.
Начать можно с десяти реальных запросов. К каждому команда вручную указывает правильный ответ и источник. Если специалисты выбирают разные документы, проблему сначала решают на уровне регламента. Модель не должна становиться арбитром там, где сама компания ещё не установила правило.
Шаблонное формирование документов тоже не стоит смешивать с поиском. Договор, счёт и акт по утверждённым реквизитам быстрее собирает специализированный инструмент. КонтрактПРО формирует договор за 2–5 минут вместо 20–40, а пакет документов за 5–15 минут вместо 1–2 часов. RAG уместен, когда сотруднику нужно найти условие или пояснение, а не заполнить известные поля.
Из каких компонентов состоит решение
Загрузка документов включает извлечение текста, деление на смысловые части и сохранение служебных признаков. Название файла, раздел, дата, владелец и права доступа помогают отбирать корректные источники. Таблицы, сканы и сложная вёрстка требуют отдельной проверки: потерянная колонка может полностью изменить смысл найденного фрагмента.
Поиск получает вопрос, выбирает близкие по смыслу части и при необходимости фильтрует их по подразделению, продукту или типу документа. Затем модель составляет ответ по найденному материалу. В интерфейсе показывают цитаты и ссылки, чтобы сотрудник мог быстро свериться с оригиналом.
Журнал сохраняет вопрос, выбранные источники, итоговый ответ и правки пользователя. Эти данные нужны для разбора ошибок и развития корпуса. Если сотрудники часто исправляют один тип ответа, причина может быть в поиске, инструкции модели или самом документе. Без журнала все три ситуации выглядят одинаково.
- Подготовить утверждённый набор документов и права доступа.
- Собрать вопросы с эталонными ответами и источниками.
- Настроить извлечение текста, поиск и формат цитирования.
- Добавить отказ от ответа при недостатке подтверждений.
- Провести тест на живых запросах и разобрать каждую критичную ошибку.
Размещение и защита корпоративных данных
В документах встречаются персональные данные, реквизиты, условия договоров и внутренняя переписка. Поэтому архитектуру выбирают до загрузки корпуса. On-Premise позволяет разместить сервис в периметре заказчика, ограничить доступ по ролям и не передавать исходные файлы публичной модели.
Техническая установка сама по себе не закрывает требования 152-ФЗ. Заказчик определяет правовые основания обработки, сроки хранения и политики доступа. Headline проектирует программную инфраструктуру и границы передачи данных. Подробности приведены на странице On-Premise и 152-ФЗ.
Публичный API возможен, если материалы не содержат чувствительной информации и компания осознанно принимает условия внешнего поставщика. Такой вариант иногда ускоряет проверку гипотезы. В любом случае нужно знать, какие данные уходят наружу, кто имеет доступ к журналам и как удалить информацию после завершения теста.
Как проверить качество RAG
Одной общей «точности» недостаточно. Отдельно измеряют, нашёл ли поиск нужный фрагмент, верно ли модель передала его смысл и показала ли источник. Также считают долю вопросов без подтверждения, число существенных правок и случаи, когда система должна была отказаться от ответа.
Первый срез ограничивают одним корпусом и одной группой пользователей. Его можно собрать в логике MVP за 14 дней, если документы подготовлены, а сценарий узкий. Подключение всех дисков, почты и архивов компании в такую рамку не входит.
После запуска база меняется: регламенты пересматривают, продукты переименовывают, старые инструкции выводят из обращения. Нужен процесс обновления индекса и контрольный набор вопросов. Headline выполняет проектирование, разработку, деплой, мониторинг 24/7 и сопровождение после запуска.
Частые вопросы
Чем RAG отличается от обычного поиска?
Обычный поиск чаще сопоставляет слова и выдаёт список файлов. RAG подбирает смысловые фрагменты, формирует по ним ответ и показывает источники для проверки.
Нужно ли загружать все документы сразу?
Нет. Для пилота лучше взять актуальный корпус по одному процессу. Небольшой проверенный набор даёт больше пользы, чем архив с дублями и устаревшими версиями.
Что произойдёт, если ответа нет в файлах?
Система должна сообщить, что подтверждение не найдено, и передать вопрос человеку. Попытка заполнить пробел общими знаниями создаёт риск выдуманного факта.
Можно ли сохранить документы внутри компании?
Да. При On-Premise-размещении корпус и сервис работают в периметре заказчика. Конкретная архитектура зависит от инфраструктуры и требований к доступу.
Кто поддерживает актуальность ответов?
Владельцы документов отвечают за содержание и версии, техническая команда за загрузку, индекс и работу сервиса. Эти роли стоит определить до пилота.
Как начать внедрение RAG?
Выбрать один тип вопросов, собрать десять реальных примеров, указать правильные источники и согласовать недопустимые ошибки.
Чтобы обсудить AI-поиск по корпоративным данным, напишите на welcome@headln.ru. Приложите несколько типовых вопросов, перечислите источники и укажите, какие документы должны оставаться внутри компании.