База знаний на ИИ: как собрать и чем отличается от чата

База знаний на ИИ — это постоянное хранилище документов компании, к которому нейросеть обращается при каждом ответе, вместо того чтобы отвечать только по общим знаниям модели. Разница с обычной папкой файлов в том, что сотруднику не нужно самому искать нужный документ: он задаёт вопрос своими словами, а модель находит ответ в загруженных материалах и ссылается на источник.

Ниже — чем база знаний отличается от обычного чата, как её собрать и какие ошибки встречаются чаще всего.

Чем база знаний отличается от обычного чата с нейросетью

Обычный чат начинает каждый диалог с нуля — если нужен ответ с учётом правил компании, документ приходится прикреплять заново при каждом обращении. База знаний на ИИ хранит документы в постоянном контексте: однажды загруженные материалы доступны модели в любом новом диалоге внутри этого хранилища, без повторной загрузки файлов.

Создай проект или постоянное хранилище контекста. Загрузи
в него регламенты, инструкции по продукту и частые вопросы
сотрудников. Теперь любой новый диалог внутри этого проекта
будет учитывать загруженные материалы автоматически, без
повторного прикрепления файлов.

Какие документы загружать в первую очередь

Регламенты и внутренние правила. Документы, на которые чаще всего ссылаются сотрудники в вопросах друг другу — отпуска, командировки, доступ к системам.

Инструкции по продукту или услуге. Технические характеристики, частые вопросы клиентов, типовые решения проблем — основа для ответов поддержки и продаж.

История решённых нестандартных случаев. Примеры прошлых ситуаций с решением — база учится на реальных прецедентах, а не только на формальных правилах.

Шаблоны документов. Служебные записки, типовые договоры, объявления — структура, которая повторяется, но с разными деталями каждый раз.

Пошаговая схема сборки базы знаний

1. Выберите одну тему для старта. Например, только регламент по отпускам или только инструкции по одному продукту — не всю документацию компании сразу.
2. Приведите документы к единому текстовому формату. Сканы и фотографии страниц модель читает хуже, чем обычный текст — переведите ключевые документы в текст заранее.
3. Создайте постоянное хранилище и загрузите материалы. Это и есть база знаний, на основе которой модель будет отвечать.
4. Пропишите правило на случай нехватки данных. Явное указание «если ответа нет в материалах — скажи прямо» снижает риск уверенного, но неверного ответа.
5. Проверьте на реальных вопросах. Сравните ответы базы с тем, что сказал бы сотрудник, знающий тему, и отметьте расхождения.
6. Дополняйте базу точечно. Не переписывайте все материалы при каждой правке — добавляйте уточнение под конкретную найденную ошибку.

Таблица: структура против количества документов

Количество материалов не заменяет структуру: десяток хорошо оформленных документов работает надёжнее, чем сотня файлов, в которых одна и та же тема описана по-разному в разных местах.

Вот список документов для базы знаний: [список]. Проверь,
нет ли противоречий между документами по одной теме и нет
ли дублирующей информации, которая описана по-разному
в разных файлах. Укажи, какие документы стоит объединить
или привести к единому формату перед загрузкой.

Кто отвечает за базу знаний в компании

Чаще всего инициатором становится руководитель отдела, который видит, что одни и те же вопросы сотрудников повторяются из недели в неделю. Для старта достаточно одного ответственного, который собирает материалы и проверяет первые ответы базы — без выделенного человека документы собираются медленно, а правки откладываются на неопределённый срок.

По мере роста базы имеет смысл закрепить ответственного за каждую тему отдельно: один человек следит за актуальностью регламентов, другой — за инструкциями по продукту, чтобы обновления не терялись между отделами.

Частая ошибка при сборке базы знаний

Компании часто пытаются загрузить в базу знаний всю накопленную документацию сразу, рассчитывая получить готового ассистента на любой вопрос с первого дня. На практике это усложняет проверку: непонятно, на каком конкретно документе модель даёт сбой, если ответ оказался неточным, а противоречия между старыми и новыми версиями документов остаются незамеченными.

Разумнее начать с одной узкой темы, довести ответы на ней до стабильного качества на нескольких проверках подряд и только потом добавлять следующую тему поверх уже рабочей базы.

Как поддерживать базу знаний актуальной

1. Назначьте ответственного за каждую тему базы, который фиксирует изменения правил или продукта.
2. Обновляйте материалы сразу после изменения, а не раз в квартал по графику.
3. Проверяйте раз в несколько недель, не отвечает ли модель по уже неактуальной версии документа.
4. Убирайте из базы устаревшие версии документов, а не оставляйте их рядом с новыми — это снижает риск противоречивого ответа.

Где ИИ ошибается

Отвечает уверенно по устаревшей версии документа. Если в базе остались старая и новая версия регламента одновременно, модель может сослаться на любую из них без явного указания на противоречие.

Додумывает ответ, если тема не покрыта в базе. Без явного правила «скажи, если не знаешь» модель иногда отвечает по общим знаниям, не уточняя, что это уже не специфика конкретной компании.

Путает похожие темы из разных документов. Два похожих по формулировке вопроса сотрудников могут требовать ответа из разных документов — без чёткой структуры базы модель иногда смешивает факты из обоих.

Сценарии по размеру компании

Небольшая команда. Одна общая база знаний на самую частую тему — например, регламент по работе с клиентами — закрывает заметную долю повторяющихся вопросов без лишнего усложнения структуры.

Компания с несколькими отделами. Базы знаний обычно разделяют по отделам: у продаж свои материалы про продукт и возражения, у поддержки — свои инструкции по решению проблем. Общая база на все отделы сразу чаще даёт смешанные и менее точные ответы.

Компания с большим потоком клиентских обращений. Здесь особенно важна регулярность обновления: база, которая используется для прямых ответов клиентам, не прощает устаревших данных так, как внутренняя база для сотрудников, — ошибка сразу видна клиенту, а не остаётся внутри компании.

Как проверить качество базы перед запуском на клиентов

Прежде чем подключать базу знаний к ответам, которые видят клиенты напрямую, стоит прогнать её через два-три десятка реальных вопросов и сравнить с тем, что ответил бы опытный сотрудник. Особое внимание — на вопросы, где модель должна признать нехватку данных, а не предположить ответ: если база регулярно додумывает вместо честного «не знаю», она не готова к прямому контакту с клиентами и нуждается в доработке правил поведения при нехватке информации.

Вот десять реальных вопросов клиентов: [список]. Ответь
на каждый на основе базы знаний. Если ответа нет в
материалах — явно укажи это вместо предположения. После
ответов отметь, на каких вопросах не хватило данных в базе.

Безопасность данных в базе знаний

База знаний компании часто содержит не только публичные инструкции, но и внутренние данные — условия для сотрудников, контакты клиентов, детали договоров. Перед загрузкой материалов стоит явно зафиксировать, какой сервис хранит данные внутри инфраструктуры компании, а какой передаёт их на внешние серверы, и какие документы вообще не стоит загружать в общий доступ без разбора прав на уровне отдельных сотрудников.

Разумное правило — разделять базу на уровни доступа: общая часть доступна всем сотрудникам, а материалы с чувствительными данными — только тем, кому это нужно по роли, даже если технически собрать всё в одно хранилище было бы проще.

С чего начать на этой неделе

Выберите одну тему — регламент, который чаще всего вызывает вопросы у сотрудников, или инструкцию по одному продукту — и соберите по ней десяток ключевых документов в текстовом формате. Загрузите их в постоянное хранилище и прогоните через базу несколько реальных вопросов, сравнив ответы с тем, что сказал бы коллега, хорошо знающий тему.

Что дальше

Как ИИ-ассистент компании отличается от базы знаний и что делать дальше — в статье ИИ-ассистент для компании. Как собрать постоянное хранилище контекста для личных задач — в статье второй мозг на ИИ. Пошаговая сборка агента без кода под конкретную задачу — в статье как сделать ИИ-агента без кода.

Ярослав Сажнев — преподаватель ИИ в РАНХиГС, внедрение ИИ в компании. Подробнее об авторе