В основе обычно лежит RAG: документы попадают в реестр источников, очищаются, режутся на фрагменты, превращаются в embeddings и сохраняются в vector store. Когда пользователь задает вопрос, агент ищет подходящие фрагменты, передает их в LLM и формирует ответ с цитатами или ссылками на источники.
Главная ценность такого агента - не просто быстрый ответ, а контролируемый доступ к знаниям. Он должен понимать ACL, роли, департаменты, владельцев документов, актуальность страниц и запрет на ответы по материалам, которые пользователь не имеет права видеть.
Хороший knowledge-base-agent честно говорит, когда ответа нет в базе. Он не должен выдумывать регламент, срок, цену, юридическое правило или внутреннюю процедуру. Если найденные источники слабые, устаревшие или противоречат друг другу, агент ставит низкую уверенность и отправляет вопрос владельцу знаний или оператору.
Для production важны ingestion pipeline, дедупликация, chunking, metadata, source registry, hybrid retrieval, reranking, citations, freshness checks, evals, feedback loop и audit log. Без этих слоев агент быстро превращается в чат, который красиво пересказывает старые документы.
Типичный результат работы агента - краткий ответ, ссылки на 2-5 источников, confidence, список использованных фрагментов, предупреждение о неполных данных и следующий шаг: ответить пользователю, создать тикет, предложить обновить статью или передать вопрос ответственному.
Примеры
- Сотрудник спрашивает, как оформить командировку. Агент ищет актуальный регламент, отвечает кратко и прикладывает ссылку на страницу с правилами.
- Клиент в чате спрашивает про возврат. Агент находит статью в help center, готовит ответ и передает оператору, если случай выходит за стандартную политику.
- В базе есть две противоречивые инструкции. Агент показывает обе ссылки, ставит низкий confidence и создает задачу владельцу знаний на актуализацию.
- Новый сотрудник спрашивает, где найти шаблон договора. Агент проверяет права доступа, находит нужный файл и объясняет, когда его можно использовать.
- Руководитель спрашивает про внутренний процесс согласования. Агент отвечает только по утвержденным документам и не использует черновики без статуса approved.
Где используется
- ответы сотрудникам по внутренним регламентам
- поиск по Notion, Confluence и Google Drive
- чат поддержки с ответами по help center
- онбординг новых сотрудников
- поиск шаблонов и инструкций
- RAG по PDF, DOCX и wiki-страницам
- контроль актуальности базы знаний
- сбор вопросов без ответа для редактора
- проверка источников и citations
- внутренний enterprise search
Связанные термины
Частые вопросы
Что делает ИИ-агент для базы знаний?
Он принимает вопрос, ищет релевантные документы или фрагменты, формирует ответ по найденным источникам и показывает ссылки, чтобы пользователь мог проверить информацию.
Чем он отличается от обычного чат-бота?
Обычный чат-бот может отвечать из общей модели. Агент базы знаний обязан опираться на конкретные документы, учитывать права доступа, показывать источники и признавать, когда ответа нет.
Какие данные нужны для запуска?
Нужны источники документов, владельцы знаний, metadata, права доступа, правила chunking, vector store, политика цитирования, evals и процесс обновления устаревших материалов.
Можно ли подключить Notion, Confluence или Google Drive?
Да, но важно не просто скачать страницы, а сохранить ссылки на источники, права доступа, даты обновления, владельцев и статус документа: approved, draft, archived или deprecated.
Что делать, если агент не нашел ответ?
Он должен честно сказать, что в базе нет надежного источника, предложить уточнить вопрос и отправить пробел владельцу знаний, оператору поддержки или редактору базы.
