У нас на платформе большая новость: на Watbot появились ИИ-агенты! Теперь в сценарий чат-бота можно поставить отдельный блок с искусственным интеллектом, который сам ведёт диалог с клиентом, понимает произвольные вопросы и отвечает по вашим документам, а не общими фразами. И одна из главных возможностей, которая идёт вместе с этим обновлением, - собственная база знаний. Загружаете прайсы, регламенты, каталоги - и агент отвечает клиентам именно по ним.
Это одно из самых важных обновлений платформы за последнее время, и в этой статье разберём его максимально подробно: что такое ИИ-агент, зачем нужна база знаний бизнесу и как всё устроено изнутри.
Представьте: клиент спрашивает у бота цену конкретной модели товара, а ИИ уверенно называет цифру, которой у вас никогда не было. Или клиент интересуется условиями доставки, а агент отвечает общими фразами, потому что просто не знает вашей специфики. Знакомая ситуация? На самом деле это решается одним инструментом - базой знаний, подключённой к ИИ-агенту на платформе Watbot.ru.
В этом материале разберём, что такое база знаний с точки зрения технологии, зачем она нужна бизнесу, что в неё можно загрузить и как всё это работает изнутри - от фрагментов документа до векторного поиска. Заодно поговорим про RAG - именно на этом подходе построена вся конструкция.
Проблема, которую решает база знаний
Языковая модель - при всей своей мощности - знает только то, чему её обучили, и обучение это заканчивается в какой-то момент в прошлом. Она никогда не видела ваш прайс, не читала ваш регламент возврата товара и не в курсе, что на этой неделе у вас акция на определённую категорию. Если просто подключить нейросеть к чат-боту без дополнительных данных, она будет либо отвечать общими словами, либо - что хуже - додумывать детали, которых не было.
Для бизнеса это критично. Один неверный ответ про цену, сроки или условия услуги - и доверие клиента подорвано, а иногда дело доходит до реальных финансовых претензий.
Именно эту проблему и закрывает база знаний, которая появилась вместе с ИИ-агентами на платформе: агент перестаёт полагаться только на свою «память» и начинает искать ответ в ваших материалах. Загрузили прайс - отвечает по прайсу. Загрузили регламент оказания услуг - руководствуется именно им. Обновили документ - агент подхватывает актуальную версию.
Раньше на платформе не было ИИ-агентов в принципе - сценарии строились только на кнопках, условиях и заготовленных текстах. Теперь пользователи Watbot могут поставить в сценарий отдельный блок с искусственным интеллектом и подключить к нему собственную базу знаний, и это меняет качество ответов кардинально.
Что такое RAG простыми словами
То, что происходит внутри базы знаний, в индустрии называется RAG - Retrieval-Augmented Generation, то есть «генерация, дополненная поиском». Звучит сложно, но смысл простой.
Обычная нейросеть отвечает так: получила вопрос - сгенерировала ответ на основе того, что «помнит» из обучения. RAG-подход работает иначе: перед тем как сгенерировать ответ, система сначала идёт и ищет релевантные кусочки информации в вашей базе документов, а уже потом передаёт их модели вместе с вопросом пользователя. Модель формулирует ответ не из общих знаний, а опираясь на конкретный найденный текст.
Это меняет всё. Агент перестаёт быть «эрудитом с расплывчатыми знаниями» и превращается в помощника, который реально прочитал ваши документы и отвечает по ним. Именно поэтому в блоке ИИ-агента на Watbot база знаний работает именно как RAG-механизм: сначала поиск по вашим материалам, потом - формулировка ответа на основе найденного.
Что можно загрузить в базу знаний
Тут всё гибко. Загрузить материалы можно тремя способами:
Текстом. Просто вставляете содержимое напрямую - подходит для коротких инструкций, FAQ, списков услуг.
Файлом. Загружаете готовый документ целиком: прайс-лист, регламент, договор оферты, описание услуг, каталог с характеристиками.
Ссылкой на страницу. Указываете адрес страницы сайта - платформа сама заходит по ссылке и забирает содержимое. Это удобно, когда у вас уже есть актуальный раздел на сайте с ценами или условиями и не хочется дублировать его вручную.
По сути, база знаний подходит под любые текстовые материалы компании: инструкции для сотрудников, ответы на частые вопросы клиентов, технические характеристики товаров, юридические документы, скрипты продаж - всё, что можно описать текстом.
Как документ превращается в «знания» агента: чанки и фрагменты
Вот здесь начинается самое интересное - то, что происходит с документом после загрузки.
Платформа не хранит документ как единый монолитный текст и не пытается «скормить» его модели целиком при каждом вопросе - это было бы и дорого, и неточно. Вместо этого документ разбивается на части, которые в индустрии принято называть чанками (от английского chunk - кусок, фрагмент).
Смысл в том, чтобы разрезать текст на смысловые блоки разумного размера - не слишком крупные (иначе поиск станет неточным и будет захватывать лишнее), но и не слишком мелкие (иначе потеряется контекст). Например, прайс на 50 позиций может быть разбит так, что каждая группа товаров или даже отдельная позиция с описанием станет своим фрагментом.
Для каждого такого фрагмента платформа считает векторное представление - по сути, набор чисел, которые описывают смысл этого куска текста в математическом виде. Именно эти векторы и позволяют потом искать не по точным словам, а по смыслу запроса.
Когда клиент задаёт вопрос агенту, происходит следующее:
- Вопрос клиента тоже превращается в вектор.
- Система сравнивает этот вектор с векторами всех фрагментов базы и находит наиболее похожие по смыслу.
- Найденные фрагменты передаются модели вместе с вопросом.
- Модель формулирует ответ, опираясь именно на эти фрагменты, а не на всю базу целиком.
Благодаря такому подходу агент не «перегружается» лишней информацией и отвечает быстро и по существу, даже если база знаний насчитывает сотни страниц.
Гибридный поиск: почему одного векторного поиска недостаточно
Векторный поиск отлично находит смысловые совпадения - например, если клиент спросит «сколько стоит доставка», а в документе написано «стоимость курьерской службы», система поймёт, что речь об одном и том же. Но у него есть слабое место: точные значения вроде артикулов, кодов товаров, номеров моделей вектор может «не разглядеть» так же чётко, как обычные слова.
Поэтому на платформе работает гибридный поиск: векторный поиск по смыслу дополняется классическим полнотекстовым поиском по словам. Если клиент указывает точный артикул или название модели, полнотекстовый поиск найдёт его буквально, а векторный - подтянет смысловой контекст вокруг. Вместе это даёт результат точнее, чем каждый метод по отдельности.
Своя модель для расчёта векторов
Для каждой базы знаний можно выбрать отдельную модель эмбеддингов - именно она отвечает за расчёт тех самых векторных представлений фрагментов. Моделей несколько: от лёгких и бюджетных до максимально точных. Выбор влияет не только на качество поиска, но и на итоговую стоимость обслуживания базы - более точная модель обычно дороже.
Для небольшого FAQ на пару десятков вопросов вполне хватит лёгкой модели. А вот для крупного каталога с сотнями позиций и похожими описаниями лучше взять модель точнее - разница в качестве поиска будет заметна.
База не устаревает сама по себе
Если документ был загружен по ссылке, его можно настроить на автоматическое обновление по расписанию. Платформа сама периодически заходит на страницу и пересобирает содержимое. Это особенно удобно для разделов с ценами или наличием товара - изменили цену на сайте, и через какое-то время агент уже отвечает по-новому, без ручной пересборки базы.
Прозрачность: видно, что именно находит агент
В интерфейсе платформы можно вручную протестировать поиск - ввести любой запрос и посмотреть, какие фрагменты база находит и в каком порядке. Это полезно на этапе настройки: если агент отвечает не так, как хотелось бы, часто дело именно в том, что находится не тот фрагмент, и это легко продиагностировать через тестовый поиск.
Также ведётся журнал обращений к базе - можно посмотреть историю запросов и то, что база возвращала в ответ.
Подключение по MCP - не только для чат-бота
База знаний не привязана намертво к одному боту. Она отдаётся как MCP-сервер - а это значит, что её можно подключить не только к ИИ-агенту в сценарии, но и к внешним моделям и сервисам, которые поддерживают этот протокол. Удобно, если у вас уже выстроена своя экосистема ИИ-инструментов и вы хотите использовать одну и ту же базу знаний в разных местах, а не дублировать её.
Зачем это бизнесу: реальные сценарии
Интернет-магазин. Загружаете каталог с характеристиками и ценами - агент подбирает товары под запрос клиента, называет точную стоимость и не путает модели.
Услуги и сервис. Регламент оказания услуг, прайс на работы, условия гарантии - агент отвечает по актуальным правилам компании, а не додумывает от себя.
Поддержка клиентов. База с ответами на частые вопросы снимает нагрузку с живых операторов - агент закрывает типовые обращения самостоятельно.
Юридические и договорные вопросы. Загруженная оферта или условия использования сервиса позволяют агенту корректно отвечать на вопросы клиентов про условия сотрудничества, не искажая формулировки.
Во всех этих случаях агент остаётся частью привычного сценария бота: параллельно с ответом по базе знаний он может ставить теги, заполнять переменные контакта и сам решать, в какую ветку вести клиента дальше - например, к оформлению заказа или к менеджеру, если вопрос слишком сложный для базы знаний.
Сколько это стоит
База знаний - отдельная услуга с помесячной оплатой, независимая от тарифа платформы. Минимальная стоимость - от 250 ₽ в месяц, итоговая цена зависит от выбранной модели эмбеддингов и объёма базы в токенах. Автопродление в любой момент можно отключить в личном кабинете.
Стоит отдельно упомянуть: сама база знаний и ответы нейросети оплачиваются раздельно. За базу знаний вы платите помесячно за её обслуживание и хранение, а за ответы агента списывается отдельный предоплаченный баланс - по факту израсходованных токенов.
Как подключить базу знаний к своему боту
- Загружаете материалы - текстом, файлом или ссылкой.
- Платформа автоматически разбивает документ на фрагменты и считает для них векторы.
- Выбираете модель эмбеддингов - в зависимости от объёма и требуемой точности.
- В блоке ИИ-агента подключаете нужную базу - агент будет искать ответ именно в ней.
- Проверяете поиск вручную через тестовый запрос, чтобы убедиться, что находятся правильные фрагменты.
При регистрации на платформе даётся 7 дней тарифа Про бесплатно - этого достаточно, чтобы собрать бота и настроить блок «AI-Агент». Чтобы агент реально заработал по вашим документам, потребуется отдельно подключить базу знаний и пополнить баланс для ИИ.
Итог
База знаний - это не просто «загрузка файла», а полноценный RAG-механизм внутри платформы: документы режутся на фрагменты, для них считаются векторы, а по запросу клиента работает гибридный поиск - смысловой и точный одновременно. Именно это отличает ИИ-агента, который отвечает по фактам из ваших документов, от нейросети, которая красиво формулирует, но иногда додумывает детали.
Если в вашем бизнесе есть прайсы, регламенты, каталоги или инструкции - имеет смысл загрузить их в базу знаний и посмотреть, как агент начинает отвечать точнее и увереннее.
Полезные ссылки
Подробнее об ИИ-агенте и базе знаний: watbot.ru/ai-agent
Бесплатная регистрация на платформе: watbot.ru