ИИ спотыкается не об ум, а об контекст: как генератор майндмап превратился в RAG по продукту
Коротко
- Для точных названий к векторному поиску добавили обычный поиск по словам, а с одной страницы разрешено брать не более двух фрагментов.
- После отказа система сама предлагает альтернативные формулировки запроса и повторяет поиск, но финальный ответ строит по исходному вопросу.
- В регрессе отдельно проверяются вопросы с известным ответом, вопросы-обманки без ответа в базе и полностью посторонние запросы.
- Источники опрашиваются последовательно: если ответ найден в вики, регрессионные чек-листы и
Яндекс Трекер уже не вызываются. - Автоматического разрешения противоречий и дедупликации пока нет; пользователю показываются ссылки на исходные документы для ручной проверки.
В основу системы положили вики, регрессионные чек-листы и закрытые задачи из Яндекс Трекера. Markdown-документы режутся по заголовкам на фрагменты до 2000 символов с нахлёстом 200, превращаются моделью bge-m3 в 1024-мерные эмбеддинги и хранятся в PostgreSQL с pgvector. По запросу система сочетает семантический поиск с поиском по словам, выбирает до пяти фрагментов со схожестью от 0,45 и передаёт найденный контекст в 
Claude Opus 5.
Чтобы уменьшить галлюцинации, модель обязана отвечать только по найденным данным, а результат дополнительно классифицируется как ответ или отказ. Одного порога схожести недостаточно: в тесте с шестью вопросами без ответа retrieval отсёк только два, но вся система корректно отказалась отвечать на все шесть. Качество проверяется регрессом из обычных, провокационных и посторонних вопросов, где ответы оценивает отдельная модель Claude Sonnet 4.6.
Когда источников стало несколько, параллельный поиск начал давать противоречивый контекст и замедлять ответы, поэтому их выстроили каскадом: сначала вики, затем чек-листы и только потом Трекер. Большинство запросов закрываются за 10–15 секунд уже на уровне вики, а самые сложные случаи с переформулировками и поиском в Трекере занимали две-три минуты. Система пока остаётся бета-решением без дедупликации и автоматического разрешения противоречий, но уже доступна как MCP-сервер с инструментами ask_wiki, ask_checklists и ask_tracker.
Читайте также
Как ЮMoney учит ИИ отвечать на вопросы к базе данных и проверять собственные ошибки- Наглядный пример, зачем нужны AI-агенты
Нейросетями пользуются уже 55% россиян: Алиса AI опережает DeepSeek и GigaChat- Практическое руководство по инжинирингу контекста для AI-ассистентов
- Hybrid RAG для бизнеса: умный поиск по документам без облака и утечки данных
- RAG для внутренних продуктовых знаний: Если LLM знает предметную область, но не понимает внутренние названия, роли и регламенты компании, добавление инструкций в промпт обычно не решает проблему полностью. Практичнее сначала извлекать релевантный корпоративный контекст через RAG и разрешать модели отвечать только на основании найденных данных.
[AI / RAG]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
ХабрMCPembeddingsLLMragvector-dbknowledge-managementllm-evaluationknowledge-basespgvectorbge-m3automated-testingclaudeqa-engineering
В «Синтеке» попытка автоматизировать подготовку тестовых майндмап выросла в RAG-систему по внутренним знаниям компании. Главная проблема оказалась не в возможностях модели, а в отсутствии у неё контекста о продуктах, ролях, регламентах и прошлых решениях.