Данные для AI-агента: подготовка, RAG и когда нужно дообучение

Для кого эта статья: для тех, кто собирается подключить AI-агента к своим данным и слышал два страшных слова — «RAG» и «дообучение» — но не понимает, что из этого нужно, а что просто дорого. Это разбор второго шага из гайда «Как создать AI-агента».

Чем поможет: объяснит по-русски, как агент работает с вашими документами и базами, почему качество данных важнее выбора модели и в каких редких случаях дообучение действительно оправдано.

Главный закон внедрения AI звучит скучно: агент не умнее данных, к которым подключён. Модель может быть самой современной, но если в базе три карточки одного клиента, прайс полугодовой давности и регламенты, которые никто не обновлял, — агент будет уверенно и вежливо ошибаться. Причём именно уверенно: это и есть «галлюцинации», самая неприятная особенность нейросетей.

Сначала порядок, потом интеллект

Перед подключением агента данные приводят в порядок по трём направлениям:

• Дубли и противоречия. Один клиент в трёх карточках, один товар под пятью названиями — агент не знает, какая версия правда, и выбирает наугад. Чистка дублей — та же работа, что и перед внедрением CRM, и делается она теми же методами, местами — самим AI: AI-обработка данных.
• Актуальность. Устаревший регламент для агента неотличим от действующего. Всё, что попадает в его источники, должно иметь хозяина и дату пересмотра.
• Структура. Ответы «где-то в переписке» агент не найдёт. Знания должны лежать в документах и системах, к которым его можно подключить.

RAG: агент подсматривает в ваши документы

RAG (retrieval-augmented generation) — технология, которая закрывает девять из десяти задач «научить AI нашим данным». Работает просто: когда приходит вопрос, система сначала находит в ваших документах подходящие фрагменты, а потом модель формулирует ответ именно по ним — и может показать источник.

Что это даёт на практике:

• Ответы по вашим правилам, а не по интернету. Агент цитирует ваш регламент доставки, а не «обычно доставка занимает…».
• Обновление без перенастройки. Поменяли документ — агент отвечает по-новому сразу. Ничего переобучать не надо.
• Проверяемость. Ответ со ссылкой на источник можно проверить за секунды. Это резко снижает цену ошибки.
• Права доступа. Правильно собранный RAG отдаёт сотруднику только те документы, к которым у него есть доступ — зарплатные ведомости не всплывут в ответе стажёру.

Так устроен наш AI-поиск по базе знаний: регламенты, инструкции и документация становятся источником ответов с указанием, откуда взят каждый факт.

Дообучение: почти всегда не нужно

Дообучение (fine-tuning) — это изменение самой модели на ваших примерах. Звучит солидно, но для абсолютного большинства бизнес-задач это лишние расходы:

• дорого: подготовка тысяч примеров, вычисления, повторение процедуры при каждом обновлении модели;
• негибко: изменились правила — RAG подхватывает новый документ сразу, дообученную модель нужно переучивать;
• рискованно: неудачное дообучение ухудшает модель незаметно и сразу везде.

Когда оно всё же оправдано: узкоспециальный язык (медицина, юриспруденция с особой терминологией), жёсткий формат ответа, который промптом стабильно не удерживается, или очень большой поток однотипных запросов, где важна каждая миллисекунда и копейка на запросе. Если ваша задача не звучит так — начинайте с RAG, это решение по умолчанию.

Что положить в базу знаний агента

Практический ориентир для старта: регламенты и инструкции, описания товаров и услуг, условия доставки и возврата, типовые вопросы-ответы поддержки, скрипты продаж. И два правила: у каждого документа есть владелец, отвечающий за актуальность, а разобранные инциденты агента превращаются в новые записи базы — так качество ответов растёт само. Проверить готовность ваших данных можно за один заход — это часть AI-аудита.

Подготовим данные и подключим агента

Почистим базы, соберём базу знаний с правами доступа и поставим агента на ваши данные — от аудита до запуска: AI-агенты для бизнеса под ключ. Разбор вашей ситуации — бесплатно.