RAG-база знаний на YandexGPT для поддержки и продаж
· обновлено
Типовое внедрение: ИИ-помощник на YandexGPT отвечает по документам компании со ссылкой на источник и снимает типовые вопросы поддержки.
Поддержка и продажи компании регулярно отвечали на одни и те же вопросы по прайсу и регламентам вручную, а найти нужный фрагмент документа быстро не получалось. Построен RAG-контур на YandexGPT: система ищет ответ в документах компании и даёт его со ссылкой на источник, а если ответа нет — честно об этом сообщает вместо того чтобы придумывать. Доля типовых вопросов, закрытых без участия человека, — 60-80%, а стоимость на массовых задачах ниже, чем у решений на OpenAI, при оплате в рублях.
Контекст
Поддержка и продажи почти в любой компании тратят заметную часть времени на одни и те же вопросы: что входит в прайс, какие условия по гарантии, какой регламент по конкретной ситуации. Ответ обычно есть в документах компании, но найти нужный фрагмент вручную — отдельная работа, и часть вопросов остаётся без быстрого ответа, потому что искать в файлах дольше, чем ответить по памяти неточно.
Использовать языковую модель «как есть» для таких ответов рискованно: без привязки к документам она может уверенно назвать правдоподобную, но неверную цифру или условие — а клиент это запомнит.
Задача
Дать поддержке и продажам инструмент, который отвечает по документам компании быстро и проверяемо — со ссылкой на источник, — и честно признаёт, если ответа в базе нет, вместо того чтобы придумывать его.
Решение
- Собрали документы компании в единую базу: прайс, регламенты, FAQ, инструкции, ограничения вроде минимального объёма или условий доставки.
- Разбили документы на фрагменты и проиндексировали через Yandex Embeddings в векторном хранилище (pgvector).
- Настроили поиск релевантных фрагментов по вопросу пользователя и формирование ответа строго на их основе через YandexGPT, с указанием источника.
- Зафиксировали правило эскалации: если в базе нет подходящего фрагмента, система сообщает об этом и передаёт вопрос человеку, а не отвечает по общим знаниям модели.
- Встроили контур в существующий канал общения с клиентами — виджет на сайте или чат-бот — так, чтобы обновление документов не требовало переобучения или деплоя.
- Добавили логирование вопросов без ответа — это одновременно карта того, каких знаний реально не хватает в документах компании.
Стек
Результаты
Диапазон 60-80% отражает типовую долю вопросов поддержки, которые закрывает RAG-ответ без эскалации — по опыту внедрений в чат-ботах с базой знаний. Точный процент для конкретной компании зависит от полноты и структурированности исходных документов и измеряется на пилоте.
Выводы и тиражируемость
Подход тиражируется на поддержку, продажи и внутренний онбординг сотрудников — механика поиска и формирования ответа одна и та же, меняется только набор документов и канал подключения. Ключевое условие для результата — актуальная и хотя бы минимально структурированная база документов: если в компании нет ничего, кроме разрозненных переписок, первая часть проекта уходит на приведение источников в рабочий вид.
Смежные сценарии использования YandexGPT в бизнесе — в статье YandexGPT для бизнеса: 7 рабочих сценариев.
Внедрить RAG-базу знаний в свой процессСвязанные материалы
RAG-база знаний для поддержки и команды
Какую услугу закрываетЧастые вопросы
Чем RAG-ответ отличается от обычного ответа языковой модели?
Обычная модель отвечает по общим знаниям и может уверенно ошибиться. RAG-система сначала находит релевантные фрагменты в документах компании и формирует ответ строго на их основе, указывая источник — ответ можно проверить, а если нужного фрагмента нет, система честно сообщает об этом вместо того чтобы придумывать правдоподобный, но неверный ответ.
Почему для RU-бизнеса выбрали YandexGPT, а не OpenAI?
YandexGPT хостится в РФ, легально работает с персональными данными по 152-ФЗ, оплачивается в рублях без посредников и на массовых задачах классификации и извлечения дешевле GPT-4o при сопоставимом качестве на русском языке.
Что нужно подготовить компании перед внедрением RAG-базы знаний?
Документы, на основе которых система будет отвечать: прайс, регламенты, инструкции, типовые вопросы и ответы. Чем более актуален и структурирован источник, тем точнее ответы; при обновлении документов переобучение не требуется — достаточно обновить базу.
Куда встраивается RAG-контур: сайт, мессенджер, внутренний портал?
Куда угодно, где есть текстовый диалог с пользователем или сотрудником — виджет на сайте, MAX или Telegram-бот, внутренний портал поддержки. Логика поиска и формирования ответа не зависит от канала.
Обсудим вашу задачу
Оставьте заявку: разберу контекст, риски и предложу реалистичный план внедрения.