Что такое RAG простыми словами, как строится ответ, где он ошибается и как собрать базу знаний, чтобы чат в Telegram, WhatsApp и на сайте отвечал точно.
Вы запускаете ИИ-ассистента в поддержке и сталкиваетесь с двумя крайностями. Либо он придумывает условия доставки, которых у вас нет, либо отвечает общими словами и толку от него мало. Чаще всего проблема не в «глупой модели», а в том, откуда она берёт факты. В этой статье разберём, как работает RAG, почему он стал стандартом для клиентской поддержки, где он всё же ошибается и как подготовить материалы, чтобы ответы были точными.
Что такое RAG простыми словами
RAG (Retrieval-Augmented Generation, «генерация с дополнением поиском») работает как сотрудник, который не отвечает по памяти, а сначала открывает нужный регламент. Схема такая: пришёл вопрос клиента, система нашла в ваших материалах подходящие фрагменты, передала их языковой модели вместе с вопросом, а модель сформулировала ответ на основе этих фрагментов.
У модели две роли:
- Поиск находит, что у вас написано по теме вопроса.
- Генерация превращает найденное в понятный ответ на языке клиента, в нужном тоне и с учётом контекста диалога.
Знания о вашем бизнесе при этом не «зашиваются» в модель. Они лежат отдельно, в документах, и вы можете менять их в любой момент. Обновили прайс или условия возврата, и уже следующий ответ использует новую версию.
Зачем RAG в поддержке и чем он лучше других подходов
Есть три способа дать ИИ знания о вашем бизнесе. Они отличаются по цене изменений, по прозрачности и по риску выдумок.
Для поддержки RAG удобен по четырём причинам.
- Актуальность. Тарифы, сроки доставки и график работы меняются чаще, чем кто-то готов переобучать модель.
- Проверяемость. Если ответ неверный, вы смотрите, какой фрагмент был найден, и правите документ, а не гадаете.
- Контроль границ. Можно потребовать отвечать только по базе, а при отсутствии информации предлагать передачу оператору.
- Одна база на все каналы. Тот же набор материалов обслуживает чат на сайте, Telegram, WhatsApp и VK.
Как строится ответ RAG шаг за шагом
Разберём путь одного вопроса. Допустим, клиент пишет в Telegram интернет-магазина: «Можно ли вернуть товар, если я уже сорвал плёнку?»
- 01Вопрос клиента
- 02Поиск по базе знаний
- 03Подбор лучших фрагментов
- 04Ответ модели по фрагментам
1. Вопрос и контекст
Система берёт не только последнюю реплику, но и предыдущие сообщения. Если клиент до этого писал про наушники, слово «товар» относится к ним.
2. Поиск
Ваши документы заранее разбиты на небольшие фрагменты. Поиск сопоставляет вопрос с этими фрагментами по смыслу, а не только по совпадению слов. Поэтому «сорвал плёнку» может найти раздел «Возврат товара надлежащего качества», хотя слов «сорвал» и «плёнка» в нём нет. Детали реализации у разных систем отличаются, но общий принцип один.
3. Отбор
Из найденного оставляют несколько наиболее подходящих фрагментов. Если их слишком много, модель теряет фокус. Если слишком мало, она не увидит важное исключение.
4. Генерация
Модель получает инструкцию (персона и правила), историю диалога, найденные фрагменты и вопрос. Она пишет ответ в вашем тоне. Хорошая настройка требует: «если в материалах нет ответа, скажи об этом и предложи связаться с сотрудником».
Где RAG ошибается и как этого избежать
RAG снижает число выдумок, но не отменяет их полностью. Вот типичные сбои.
Нужного фрагмента нет в базе
Клиент спрашивает о том, что вы нигде не описали. Модель может попытаться ответить «по общим знаниям». Профилактика: в правилах агента прямо запретите отвечать вне базы и пропишите действие по умолчанию, например передачу оператору.
Информация есть, но поиск её не нашёл
Часто так бывает, когда в документе одно название («возмещение средств»), а клиенты пишут иначе («вернуть деньги», «отмена заказа»). Помогают отдельные короткие вопросы и ответы с живыми формулировками клиентов.
Противоречия в документах
В старой PDF-инструкции срок возврата 7 дней, в новом разделе сайта 14. Поиск может достать оба фрагмента, и ответ получится путаным. Удаляйте устаревшие версии, а не копите их.
Слишком длинные и «водянистые» материалы
Фрагмент на три абзаца вводной и одну строку по делу ищется хуже, чем короткий и конкретный.
Вопросы, требующие данных о конкретном клиенте
«Где мой заказ?» не решается статьёй из базы знаний. Здесь нужны интеграции с вашей системой заказов, а RAG отвечает только на общие вопросы о правилах.
Как ловить ошибки
- Регулярно просматривайте реальные диалоги, особенно с низкой оценкой.
- Тестируйте агента на 20–30 типичных и 10 «каверзных» вопросах до запуска.
- Исправленный ответ превращайте в эталон, чтобы ошибка не повторялась.
Как собрать базу знаний, которая хорошо находится
Возьмём гипотетический пример. Допустим, небольшой магазин получает 300 обращений в месяц, и примерно треть из них повторяется: доставка, возврат, оплата, размеры. Начинать стоит именно с этих тем, а не с загрузки всего, что есть в компании.
Принципы
- Одна тема, один документ или раздел. «Доставка по России», «Возврат и обмен», «Способы оплаты» вместо общего файла «Правила».
- Заголовки как вопросы клиента. «Сколько стоит доставка в Казахстан?» находится лучше, чем «Тарифная сетка №3».
- Конкретика вместо общих слов. Сроки, суммы, исключения, условия. «Возврат в течение 14 дней, если товар не использовался» полезнее, чем «возврат возможен».
- Исключения рядом с правилом. Если уценённые товары не возвращаются, напишите это в том же разделе.
- Связки «вопрос и ответ». Они хорошо закрывают разговорные формулировки.
- Дата и владелец. Кто отвечает за актуальность каждого раздела? Без этого база устаревает за пару месяцев.
С чего начать
- Выгрузите 50–100 реальных вопросов из чатов и почты.
- Сгруппируйте их по темам и отметьте самые частые.
- Для каждой темы напишите короткий, точный ответ.
- Добавьте материалы, которые у вас уже есть: страницы сайта, справку, документы.
- Проверьте агента на тех самых вопросах и поправьте слабые места.
Начальный объём может быть небольшим. Десяток хороших разделов по самым частым темам даёт больше пользы, чем сотни страниц непроверенного текста.
Что не стоит загружать
Внутренние заметки с личными данными, черновики и документы «для служебного пользования». Всё, что попадает в базу, потенциально может прозвучать в ответе клиенту.
Как это сделать в AI SNS CHAT
В AI SNS CHAT база знаний собирается в разделе Data sources боковой панели. Источники бывают такие:
- Files для документов;
- Text snippets для коротких текстовых блоков;
- Website для страниц сайта;
- Q&A для пар «вопрос и ответ»;
- Notion;
- Social, Tickets и Suggestions.
Если материалы уже живут в корпоративных системах, подключите их через коннекторы в разделе Channels. Среди них Confluence, GitBook, ReadMe, Guru, Zendesk Guide, Google Drive, OneDrive, Dropbox, Box и SharePoint. Для вики-коннекторов действует предел 1,5 млн символов и 400 страниц за одну синхронизацию, и о срезании объёма система сообщает. Размер хранилища зависит от тарифа: от 30 МБ на Free до 3 ГБ на Corporate, а дополнительный объём можно докупить.
Поведение агента задаётся в персоне и ограничениях. Там вы описываете тон, область ответов и действия, когда информации нет. Модель выбирается в Agent → Settings → AI. Расширенные модели и резервное переключение между поставщиками доступны с тарифа Hobby.
Проверять ответы удобно в Playground: задайте агенту вопросы из вашего списка до публикации. После запуска смотрите диалоги в Activity → Chat logs. Там есть фильтры, оценки «палец вверх и вниз», отметки и эскалация. В диалоге можно перехватить чат (бот приостанавливается), отредактировать ответ и сохранить его как эталон, на котором агент учится. Для email-обращений это делается в Inbox. Раздел аналитики с темами и историей вопросов показывает, о чём клиенты спрашивают чаще всего, то есть какие разделы базы писать следующими.
Для сложных случаев настройте передачу человеку: в Helpdesk → Scheduling задаются смены, и обращения назначаются дежурному. Уведомления можно отправлять в Slack, Teams, WhatsApp, на email или по вебхуку. Клиенту сервер сам добавляет строку о дальнейших шагах по расписанию и не выдумывает время ожидания.
Одну и ту же базу вы можете использовать в разных каналах: чат-виджет на сайте, WhatsApp, Telegram, VK и другие из списка в Channels. Подробнее о возможностях смотрите на странице /features, а о тарифах и кредитах (1 ответ = 1 кредит) на странице /pricing. Список подключений есть на /connections. Базу знаний лучше расширять постепенно: запуск, разбор диалогов, правка материалов и снова запуск. Именно такой цикл со временем даёт стабильное качество.
Частые вопросы
RAG и «обучение ИИ на моих данных» — это одно и то же?
Нет. При дообучении знания меняют саму модель, и обновить их быстро нельзя. При RAG модель остаётся прежней, а нужные фрагменты ваших материалов подставляются в запрос в момент ответа. Поэтому достаточно отредактировать документ, чтобы изменился ответ.
Может ли RAG всё равно ответить неверно?
Да. Ошибки возможны, если нужного фрагмента нет в базе, если поиск его не нашёл или если материалы противоречат друг другу. Снижают риск чёткие ограничения агента, актуальная и непротиворечивая база, тесты в Playground и регулярный разбор реальных диалогов.
Сколько материалов нужно, чтобы начать?
Меньше, чем кажется. Достаточно закрыть самые частые темы: доставку, оплату, возврат, режим работы. Обычно это десяток коротких, точных разделов. Дальше расширяйте базу по тому, какие вопросы остаются без ответа в журнале диалогов.
Одна база знаний работает и на сайте, и в WhatsApp, и в Telegram?
Да, агент с его источниками данных можно подключить к нескольким каналам из раздела Channels, включая чат на сайте, WhatsApp, Telegram и VK. Единственное, что стоит учитывать, это стиль: в мессенджерах клиенты пишут короче, поэтому ответы лучше делать компактными.
Не проще ли использовать поиск в интернете вместо своей базы знаний?
Для вопросов о вашем бизнесе нет. В интернете нет ваших цен, сроков и исключений. Встроенный ответ из веба при отсутствии данных в базе в AI SNS CHAT работает только в канале LINE WORKS. Любому агенту можно добавить действие Tavily для поиска в реальном времени, но интеграции доступны с тарифа Hobby, и основой всё равно должна оставаться ваша проверенная база.


