Корпоративная AI-база знаний с RAG: от документов к обоснованным ответам

LLM не знает ваших договоров, истории поддержки и внутренних политик — а в момент подключения публичной модели к чувствительным документам вопрос становится не только о точности, но и о безопасности. Задача корпоративной базы знаний в том, что ответы должны быть обоснованы вашими данными и видны только тем, кому эти данные разрешено видеть.

База знаний — это не поисковая строка с моделью за ней. Это система контроля доступа, которая отвечает прозой.

• Ingestion документов — подключение источников: файловые хранилища, выгрузки CRM, тикеты поддержки, юридические репозитории; парсинг форматов и расписание обновлений.
• Чанкинг — разрезание документов на извлекаемые единицы, размер которых определяется тем, как пользователи их запрашивают, а не бюджетом токенов.
• Эмбеддинги — преобразование чанков в векторы моделью, выбранной под вашу языковую смесь и домен.
• Retrieval — комбинация семантического поиска с keyword-поиском и фильтрами по метаданным; поиск кандидатов, затем ранжирование.
• Права доступа — метаданные несут уровень доступа; каждый поиск фильтруется по тому, кто спрашивает.
• Безопасность — никакого обучения на ваших данных, шифрование, аудит-логи и честный отказ при пустом контексте.

Части с первой по четвёртую определяют качество ответов; пятая и шестая — решают, может ли система вообще существовать для ваших данных.

Ingestion и чанкинг — самые недооценённые стадии: мусор на входе — извлечённый мусор на выходе.

• Парсеры — PDF, DOCX, таблицы и тикеты — разные форматы с разной структурой; каждому нужен свой парсер.
• Стратегия чанкинга — юридические договоры режутся по иерархии пунктов; статьи знаний — по заголовкам; история поддержки — по репликам диалога с таймстампами.
• Метаданные — каждый чанк несёт ID документа, тип, систему-источник, язык, раздел, версию и уровень доступа.
• Цикл обновления — плановая ре-индексация с обнаружением изменений; устаревший индекс уверенно отвечает на вчерашние вопросы.

{
  "document_id": "contract-2026-041",
  "document_type": "contract",
  "source_system": "legal_repository",
  "language": "en",
  "clause": "termination",
  "clause_number": "12.3",
  "access_level": "legal_team",
  "updated_at": "2026-07-30"
}

• Модель эмбеддингов — выбирается под языковую смесь; многоязычные корпуса требуют эмбеддингов, которые не деградируют между языками.
• Семантика плюс keyword — семантический поиск в одиночку пропускает точные ID, названия продуктов и номера пунктов; гибридный retrieval закрывает разрыв.
• Фильтры по метаданным — retrieval сужает выбор по типу документа, дате и уровню доступа до ранжирования, а не после.
• Ре-ранкинг — лучшие кандидаты переранжируются по релевантности до попадания в модель; первые результаты — не финальные.
• Честный отказ — модель инструктируется отвечать только из контекста и говорить «не найдено» вместо догадки.

• Без обучения — ваши документы никогда не используются для обучения моделей; retrieval только читает их в момент запроса.
• Retrieval с правами — уровень доступа часть метаданных чанка, фильтры применяются до того, как модель увидит что-либо.
• Минимальные права — пайплайн подключается к источникам по ограниченным креденшелам, а не с полным доступом.
• Шифрование и аудит — данные в покое и в транзите шифруются; каждый запрос и ответ логируются для соответствия.
• Среда исполнения — пайплайн работает в вашем облаке или инфраструктуре, когда этого требует политика данных.

Безопасность в RAG — это фича retrieval, а не сетевой конфиг: модель может ответить только из чанков, которые ей разрешено получить. Поэтому права доступа живут в слое метаданных.

Тот же дизайн пайплайна питает knowledge-фичи наших продуктов:

• AI Business Copilot — RAG-база знаний хранит корпоративный контекст; мультиагентный анализ получает из неё данные при диагностике процессов и поиске возможностей автоматизации.
• LegalFlow AI — обработка документов для юридических команд: договоры и кейсы режутся по структуре, retrieval по пунктам, каждый ответ со ссылками на источники.

Разные домены, один паттерн: обоснованные ответы, трейс источников и честный отказ, когда в базе знаний ничего нет.