ИИ-агент построения векторной базы знаний

частые вопросы

Вопросы по делу

Векторная база — это и есть RAG?

Нет, и это важно. Векторная база — это хранилище эмбеддингов и поиск по ним; RAG — это сценарий поверх неё: нашли фрагменты, отдали в модель, получили ответ со ссылкой. Этот агент строит и поддерживает именно фундамент — чистый, свежий, правильно нарезанный индекс. Без него RAG-агент будет уверенно отвечать по мусору.

Почему нельзя просто загрузить документы в модель?

Контекст модели ограничен и дорог, а корпоративная база — это тысячи документов, которые ещё и меняются. Поэтому знания держат во внешнем индексе и подтягивают по запросу только релевантное. Качество поиска при этом определяется не моделью, а тем, как нормализованы источники и нарезаны чанки.

Как индекс остаётся актуальным?

Агент работает по событиям: изменился документ в источнике — переиндексируется только он, а не вся база. Так свежий регламент попадает в поиск без ручного пересбора, а устаревшие версии не всплывают в ответах. Расписание и триггеры настраиваются под то, как часто меняются ваши источники.

Откуда берутся источники?

Из ваших систем по их контрактам: файловые хранилища, базы знаний, CRM, история обращений, выгрузки. Агент нормализует разнородные форматы к единому виду с метаданными, чтобы поиск работал поверх всего корпуса одинаково, а не разваливался на каждом новом источнике.