RAG-консультант для сети магазинов

С чего всё началось

Несколько точек и онлайн, а рабочее знание разложено по четырём местам: складской учёт, Telegram, таблицы и головы нескольких человек. За ценой, условием поставщика или датой поставки шли спрашивать.

Для кого мы это делали

Сети магазинов настольных игр с несколькими точками и онлайном, где рабочее знание жило в нескольких людях и паре десятков чатов.

Что сопротивлялось

1. 
   01

   Знание лежало сразу в четырёх местах

   Часть в складском учёте, часть в Telegram, часть в таблицах, часть только в голове. Поиск, который читает три источника из четырёх, это не поиск, а ещё одно место, куда надо заглянуть.

2. 
   02

   Здесь «примерно» это неправильно

   Цена, условие поставщика и остаток либо точны, либо бесполезны, а модель, которая заполняет пробел чем-то правдоподобным, хуже той, которая честно не знает. Гибридный поиск ставит точные поля рядом с семантикой, и модель отвечает по найденному, а не по памяти.

3. 
   03

   Ответ без даты это половина ответа

   Когда обновили цену и когда была поставка, это вопросы, стоящие за большинством остальных. Каждый ответ несёт документ, из которого взят, и дату, на которую он верен. Это же показывает управляющему, где в данных ещё дыры.

Что собрали в итоге

Собрали и нормализовали все источники, затем RAG на векторной базе с гибридным поиском: точные поля (остатки, цены, артикулы) ищутся точно, остальное по смыслу. Интерфейс в Telegram, потому что в седьмую систему никто заходить не станет. Права по ролям, админка для поддержания базы и журнал запросов. Система не просто отвечает, а ссылается на документ и дату.

Как шла работа

1. Неделя 1

   Аудит источников данных, структура базы знаний, первые тестовые загрузки.

2. Неделя 2

   Ядро RAG, тестовые сценарии ответов, проверка точности.

3. Неделя 3

   Telegram-интерфейс, права доступа по ролям, админка, доработка по обратной связи.

4. Неделя 4

   Боевое подключение основных источников, обучение сотрудников, финальные правки.

Что из этого вышло

Время на поиск информации сократилось в 8–10 раз, сотрудники перестали бегать по чатам и таблицам. Собрано за 3–4 недели.