RAG для бизнеса: корпоративная база знаний и ИИ-агент в 1С

RAG (Retrieval-Augmented Generation) – это архитектура, при которой ИИ-агент перед ответом ищет нужный фрагмент в вашей базе документов, а потом формирует ответ на основе найденного. Не общие знания из интернета, а ваш прайс, ваши регламенты, ваши условия по конкретному контрагенту. Для бизнеса на 1С это разница между агентом, который советует «по ситуации», и агентом, который знает, что менеджеру нельзя давать скидку больше 5%.

Без RAG ИИ-агент – умный справочник по общим вопросам. С RAG – сотрудник, который прочитал все ваши инструкции и помнит их точнее любого живого человека.

Что кладут в корпоративную базу знаний

Хорошая база для 1С-бизнеса состоит из трёх слоёв.

Правила и регламенты. Лимиты скидок по должностям (менеджер – до 5%, руководитель отдела – до 10%, директор – до 15%), условия рассрочки, порядок возврата товара, требования к отгрузке. Всё, что сейчас хранится в головах старых сотрудников или в папке «Разное» на файловом сервере.

Справочные данные. Актуальный прайс, условия работы с ключевыми контрагентами, кредитные лимиты, список ненадёжных покупателей. Эти данные регулярно меняются – база должна обновляться синхронно с изменениями в 1С.

Скрипты и шаблоны. Сценарии работы с возражениями, шаблоны писем, стандартные ответы на типовые запросы. Сюда же – ответы на вопросы «что делать, если клиент требует скидку больше лимита» или «как оформить возврат от юридического лица».

Типичная база для оптовой компании среднего размера: 80-150 документов, 300-500 страниц суммарно. Не много – главное, что они структурированы и актуальны.

Как RAG работает – схема без лишнего

Понимать векторные базы данных не нужно. Достаточно схемы из пяти шагов.

1. Ваши документы разбиваются на фрагменты по 200-500 слов.
2. Каждый фрагмент превращается в числовой вектор – математическое представление смысла текста.
3. Когда агент получает вопрос, он ищет ближайшие по смыслу фрагменты в базе.
4. Найденные фрагменты вкладываются в запрос к языковой модели как контекст.
5. Модель отвечает, опираясь именно на эти фрагменты, а не на общие знания.

Для 1С база знаний может жить как внутри платформы (через HTTP-сервисы или внешние компоненты), так и рядом – отдельный сервис, к которому агент обращается по API. Второй вариант проще на старте и не требует доработки конфигурации.

Латентность поиска по базе из 500 документов – 100-300 миллисекунд. На скорость ответа пользователю это не влияет.

Пошаговый регламент: как подключить базу знаний к ИИ-агенту

Шесть шагов, без пропусков.

Шаг 1. Инвентаризация знаний (1-2 дня)

Составьте список того, что сотрудники спрашивают чаще всего. Попросите каждого менеджера записать 10 вопросов, которые задают клиенты или коллеги. Из пяти менеджеров получите 50 вопросов. 80% из них окажутся одинаковыми – это и есть ядро базы.

Шаг 2. Сбор документов (2-3 дня)

Соберите всё, что отвечает на эти вопросы: прайс, договор-оферта, регламент скидок, инструкция по возврату, кредитные условия. Не пишите новых документов – используйте то, что уже есть. Если документа нет, правило существует только устно, и это отдельная проблема, которую нужно решить до запуска агента.

Шаг 3. Чистка и структурирование (3-5 дней)

Каждый документ должен быть читаем без контекста. Таблица скидок с заголовком «Скидки» без указания «от чего» – бесполезна для агента. Добавьте явные заголовки, уберите устаревшие версии, убедитесь, что между документами нет противоречий. Противоречия в базе – главная причина, по которой агент начинает «галлюцинировать».

Шаг 4. Загрузка в векторную базу

Для старта подойдут готовые решения: Chroma, Qdrant или облачные сервисы. Если работаете с подрядчиком, этот шаг за ними. Главное с вашей стороны – согласованный формат передачи документов (PDF, DOCX) и расписание обновления.

Шаг 5. Тестирование на 20 вопросах

До запуска в эксплуатацию проверьте агента на реальных вопросах из шага 1. Зафиксируйте: сколько правильных ответов из 20. Норма для базовой базы знаний – 16-17 из 20 (80-85%). Ниже 70% – база требует доработки.

Шаг 6. Регламент обновления

База знаний без обновлений устаревает за 3-4 месяца. Назначьте ответственного и поставьте задачу: раз в месяц проверять, не изменились ли цены, лимиты, условия. Это 2-3 часа в месяц – не больше.

Типичная ошибка: «универсальная» база без приоритетов

Самая распространённая ошибка при запуске RAG – загружать всё подряд: договоры с клиентами, протоколы совещаний, рекламные материалы, внутренние переписки. База раздувается до тысяч документов, и агент начинает путаться: находит нерелевантные фрагменты и даёт неточные ответы.

Реальный кейс: оптовая компания с оборотом 120 млн ₽ в год загрузила в базу знаний 1400 документов, включая все договоры с клиентами. Агент при вопросе «какая скидка для нового клиента» стал иногда находить условия конкретных старых договоров и предлагать их как стандарт. Несколько менеджеров применили скидку 18% вместо стандартных 5%. Потери за квартал – около 340 000 ₽ недополученной маржи.

Решение: жёсткое разграничение между «регламентной» базой (правила, актуальные для всех) и «контрагентской» базой (условия конкретных сделок). Агент должен явно понимать, из какой базы он берёт ответ, и не смешивать эти источники.

Что агент проверяет автоматически, когда знает ваши правила

Когда база знаний подключена, агент перестаёт быть просто помощником. Он начинает работать как контролёр – сверять документы 1С с вашими регламентами в реальном времени. Это то, что сейчас делают ваши руководители вручную, прокликивая журналы.

Примеры проверок, которые реализуются без кастомного кода:

• Скидка в счёте превышает лимит для должности сотрудника – агент ставит задачу руководителю на согласование.
• Отгрузка покупателю с просроченной дебиторкой свыше 45 дней – агент блокирует проведение или запрашивает подтверждение директора.
• ИНН нового контрагента не проходит проверку контрольного числа – агент сигнализирует до создания договора.
• Маржа по заказу ниже порогового значения из регламента (например, 12%) – агент выводит предупреждение и требует обоснования.
• Реквизиты в выставленном счёте не совпадают с данными карточки контрагента в 1С – агент фиксирует расхождение и не даёт провести документ.

Все эти проверки срабатывают в день проведения документа, а не когда руководитель обнаружит расхождение на следующей неделе или во время закрытия месяца. Стоимость исправления ошибки через день – это несколько минут. Стоимость исправления через месяц – это пересогласование с клиентом, корректировочные документы и испорченная отчётность.

Подробнее о том, как несколько агентов делят задачи и перепроверяют друг друга, – в статье о мультиагентных системах в 1С.

Чек-лист готовности базы знаний перед запуском агента

Пройдитесь по списку до того, как агент выйдет в эксплуатацию.

• Все документы имеют явные заголовки и датированы.
• Нет двух версий одного документа с разными данными.
• Регламент скидок разбит по должностям с конкретными числами, не диапазонами.
• Кредитные лимиты по сегментам клиентов указаны в одном месте и совпадают с 1С.
• Назначен ответственный за обновление базы – конкретный человек, не «отдел».
• Расписание обновления зафиксировано (минимум раз в месяц).
• Регламентная база и контрагентская база разделены физически или логически.
• Агент протестирован на 20 реальных вопросах, точность от 80%.
• Агент настроен указывать источник для каждого ответа.

Этот чек-лист закрывает большинство причин, по которым RAG-системы не приживаются в малом и среднем бизнесе. Не технические сложности – а неструктурированная база и отсутствие ответственного за её поддержку.

Частые вопросы

Нужно ли переписывать 1С, чтобы подключить RAG?

Нет. Агент работает поверх существующей конфигурации через COM-соединение или HTTP-сервисы 1С. Типовые конфигурации (УТ, УНФ, Бухгалтерия) не требуют доработки для базового подключения. Дорабатывается только то, что нужно агенту читать или записывать в базе данных 1С.

Что если база знаний содержит устаревшую информацию?

Агент ответит по тому, что есть в базе. Если прайс в базе трёхмесячной давности – агент назовёт старые цены. Поэтому регламент обновления базы важнее, чем качество самой языковой модели. Хорошая модель с плохой базой даст плохой результат.

Сколько стоит запустить RAG для небольшой компании?

Минимальный вариант на готовых компонентах: 40 000-80 000 ₽ за разработку и настройку, плюс 3 000-8 000 ₽ в месяц на API языковой модели при интенсивном использовании. Это при базе до 200 документов и 500-1000 запросов в день. Если у вас уже есть подрядчик по 1С с опытом интеграций – это нижняя граница рынка.

Как проверить, что агент отвечает правильно, а не придумывает?

Потребуйте, чтобы агент всегда указывал источник: из какого документа взят ответ и какой именно фрагмент. Если источник не указан или документа не существует – ответ под сомнением. Это базовое требование при настройке агента, которое нужно прописать в техническом задании подрядчику. Агент без ссылок на источники – это агент без аудита, и в бизнесе он неприменим. Подробнее о том, как агент работает с учётными данными в 1С, – в статье «ИИ-ассистент для главбуха».