Ответы разбросаны по документам
Регламенты в PDF, условия в переписке, цены в таблице. Сотрудник ищет ответ двадцать минут и всё равно спрашивает коллегу. Собираю базу знаний и поиск по ней.
Услуга
AI-ассистенты и RAG
Собираю ассистента, который отвечает по вашей базе знаний: документация, регламенты, кейсы, прайсы. Ответ приходит со ссылкой на источник, а если данных нет — ассистент об этом говорит.
01 / Кому это нужно
Где обычно болит
RAG нужен не всем. Сначала смотрю, есть ли у вас база знаний и вопросы, на которые она отвечает.
Поддержка не успевает
Клиенты ждут ответа часами, менеджеры отвечают на одно и то же. Ассистент закрывает типовые вопросы и передаёт сложные людям.
AI отвечает выдумками
Пробовали чат-бота, но он придумывает цены и сроки. Строю RAG: сначала поиск в ваших документах, потом ответ строго по найденному фрагменту.
Нужен контроль качества
Непонятно, правильно ли работает ассистент и сколько стоит каждый ответ. Добавляю метрики, тесты и кэш, чтобы решение можно было посчитать в деньгах.
02 / Что входит
Состав работы
Техническая часть важна, но результат определяют данные и тесты. Поэтому начинаю с них.
- 01
Аудит базы знаний
Смотрю, что есть: документы, база, таблицы, переписка. Решаю, что можно загрузить, а что придётся переписать.
- 02
Подготовка данных
Чистка, нарезка на чанки, метаданные и версии. От качества чанкинга зависит половина результата поиска.
- 03
RAG-поиск
Эмбеддинги и pgvector, top-k по косинусной близости, фильтры по документу и дате. Проверяю retrieval на тестовых вопросах, а не «на глаз».
- 04
Модели на выбор
GigaChat, YandexGPT, GPT-6, DeepSeek или Qwen — под задачу, бюджет и требования к данным. Локальные модели на Ollama, если данные нельзя выпускать наружу.
- 05
Защита от галлюцинаций
Строгий системный промпт, ответ только по найденному контексту, ссылка на источник, честное «в базе нет ответа» и передача менеджеру.
- 06
Кэш и стоимость
Семантический кэш для повторных вопросов, лимиты и логирование токенов. Считаю цену ответа до запуска, а не после счёта.
- 07
Интерфейсы и передача
Telegram, сайт, CRM или внутренняя панель. Плюс документация, промпты, тесты и доступы.
03 / Как проходит работа
От брифа до запуска
От аудита документов до мониторинга качества ответов после запуска.
- 01
Бриф
Какие вопросы должен закрывать ассистент, где лежат данные, кто отвечает за актуальность.
- 02
Прототип и смета
Схема поиска, выбор модели, список документов, стоимость и срок. Проверяем на десяти реальных вопросах.
- 03
Сборка базы
Загрузка документов, чанкинг, эмбеддинги, тестовые вопросы. Видно, какие темы база покрывает, а какие нет.
- 04
Сборка ассистента
Промпты, ответы со ссылкой на источник, fallback, кэш. Показываю прогресс и правлю формулировки вместе с вами.
- 05
Запуск и поддержка
Деплой, мониторинг качества, обновление базы. Дальше — поддержка и доработки.
04 / Примеры
Что можно посмотреть
Три кейса с измеримым результатом: экономия на LLM, RAG по базе, автономный агент.
Кейс
−60% затрат на LLM
Prod-RAG
Корпоративная база знаний: загрузка PDF/DOCX, векторизация в pgvector, семантический кэш и Telegram-бот. Повторный вопрос — меньше секунды.
Смотреть кейс Кейс
30 сек от заявки до контента
Content Factory
Четыре воркфлоу на 34 ноды, RAG по базе знаний и проверка качества. Recall@3 — 1.0 на тестовой выборке.
Смотреть кейс Кейс
5 рекомендаций за минуту
Landing Audit Agent
Агент по URL: SSRF-защита, удаление персональных данных и разбор страницы двумя LLM. 112+ автотестов, покрытие 97%.
Смотреть кейсЦифры взяты со страниц кейсов. Архитектура, промпты и проверки описаны в разборах на eduardwit.ru. Все проекты
05 / Стоимость
Сколько это стоит
Цены — ориентиры, финальная смета после брифа.
Что влияет на смету
- Объём базы: несколько документов или тысячи страниц с регулярными обновлениями.
- Требования к точности: тесты, метрики и ручная проверка ответов или базовый сценарий.
- Модель и стоимость ответа: российские LLM, внешние API или локальные модели.
- Каналы: Telegram, сайт, CRM или внутренняя панель — каждый добавляет работу.
06 / Вопросы
Частые вопросы
Если чего-то не хватает, напишите в Telegram — отвечаю в тот же день.
Сколько стоит AI-ассистент?
От 50 000 ₽ за ассистента с RAG по вашей базе. В цену входят подготовка базы, поиск, промпты и тесты на ваших вопросах. Цена зависит от объёма документов, модели и требований к качеству. Смета — после брифа, в течение дня.
Сколько времени займёт?
Обычно 2–4 недели. Больше всего времени уходит на подготовку базы и проверку ответов, а не на код. Срок фиксирую до старта. Пока база не собрана, точную дату назвать нельзя — но вилку даю после брифа.
У меня нет технического задания
Достаточно показать документы и список вопросов, на которые ассистент должен отвечать. Схему, промпты и тесты собираю сам. Если база в беспорядке, сначала помогаю её структурировать.
Что будет после запуска?
Передаю промпты, базу, документацию и доступы, настраиваю обновление. Дальше — поддержка от 7 500 ₽ в месяц или разовые задачи по 1 250 ₽ в час. Обновление базы можно оставить за собой или передать вашей команде.
Следующий шаг
Соберём ассистента по вашей базе?
Пришлите примеры документов и вопросов. Отвечу в течение дня, скажу, окупится ли RAG на вашем объёме, и предложу смету.