УМНЫЙ ПОИСК — это корпоративный AI-помощник для быстрого поиска информации во внутренней базе знаний компании.

Идея проекта появилась из простой проблемы: когда новый сотрудник приходит в компанию, ему приходится разбираться в большом количестве инструкций, регламентов и внутренних документов. Даже если нужная информация уже есть в базе знаний, её не всегда просто найти. В итоге сотрудник тратит время не на работу, а на поиск ответа или обращается к более опытным коллегам.

Мы хотим решить эту проблему с помощью AI-помощника. Пользователь открывает веб-приложение и задаёт вопрос обычным языком, как если бы спрашивал коллегу. Система сама находит подходящую информацию в корпоративной базе знаний, передаёт найденный контекст языковой модели и формирует понятный ответ. Вместе с ответом пользователь получает ссылки на источники, чтобы при необходимости самостоятельно проверить информацию.

Как работает система

В основе проекта используется технология RAG (Retrieval-Augmented Generation). Сначала корпоративные документы загружаются в систему, разбиваются на небольшие смысловые фрагменты и преобразуются в векторное представление.

Когда сотрудник задаёт вопрос, система ищет наиболее похожие по смыслу фрагменты базы знаний и только после этого передаёт их локальной языковой модели.

Упрощённо процесс выглядит так:

вопрос сотрудника → поиск по базе знаний → отбор подходящей информации → локальная LLM → ответ со ссылками на источники.

Если в базе знаний нет достаточной информации для уверенного ответа, система не должна придумывать его. Такой вопрос фиксируется и передаётся ответственному специалисту. В первой версии проекта уведомление будет отправляться через Telegram.

Для кого создаётся проект

Первым заказчиком и примером внедрения выступает компания «АВАТОН» из г. Орска.

При этом сама система проектируется как универсальное решение. В дальнейшем её можно будет адаптировать под другие компании, заменив источник корпоративных знаний и выполнив индексацию их документов.

Особенность проекта

Мы хотим сделать решение максимально независимым от внешних AI-сервисов. Поэтому языковая модель, embeddings и поиск по документам должны иметь возможность работать локально на инфраструктуре заказчика.

Это особенно важно для корпоративного использования, так как внутренние документы компании не должны отправляться во внешние сервисы.

Технологии

Проект разрабатывается как веб-приложение.

Backend: Python, FastAPI, SQLAlchemy
Frontend: React
База данных: PostgreSQL
Векторный поиск: pgvector
AI: локальная языковая модель, embeddings, RAG
Инфраструктура: Docker / Docker Compose
Интеграции: Telegram Bot API

Что будет реализовано в MVP

В первой версии проекта пользователь сможет:

• открыть веб-интерфейс и задать вопрос;
• получить ответ на основании корпоративной базы знаний;
• увидеть источники, по которым был сформирован ответ;
• перейти к исходным материалам;
• получить сообщение, если подходящей информации в базе нет.

Если система не сможет найти ответ, вопрос будет автоматически передан ответственному специалисту.

Текущий этап

Сейчас проект находится на этапе разработки MVP. Сформировано техническое задание, определена архитектура проекта и распределены роли внутри команды. Разработка ведётся по спринтам с использованием GitHub Issues, отдельных веток и Pull Request.

В качестве тестовой базы знаний используется открытая документация SetRetail10. На ней мы будем постепенно проверять работу системы: сначала на небольшой части базы, затем увеличивать объём документов вплоть до полной доступной базы.

Результат проекта

В итоге мы хотим получить приложение, которое позволит сотруднику вместо долгого поиска по корпоративной Wiki просто написать:

«Как мне сделать ...?»

и сразу получить понятный ответ с указанием, откуда эта информация была взята.

Главная цель проекта — сократить время поиска внутренних знаний компании и снизить нагрузку на сотрудников, которым постоянно приходится отвечать на одни и те же вопросы.

Если проект покажет хорошие результаты на тестовой базе, следующим этапом станет адаптация системы под реальную базу знаний компании «АВАТОН» и подготовка решения к локальному развёртыванию.

На страницу проекта