База знаний для ИИ - это набор ваших документов, из которого система находит нужные фрагменты перед ответом. Так можно готовить ответы по прайсам и регламентам компании. Поиск по файлам помогает снизить число неподтверждённых ответов, но сам по себе не гарантирует точность.
Разберём, что подготовить для подключения своей базы к ГигаЧату, как работает RAG, чем собрать базу без программиста и где нужна проверка человеком.
База знаний для ИИ: подготовка документов к ГигаЧату
До подключения подготовьте действующие файлы, владельца каждого документа, дату проверки, круг читателей и вопросы с ожидаемыми ответами. Сначала выберите одну задачу: например, справка по условиям доставки. Материалы о другой теме добавляйте после проверки первой.
Отбор файлов
Возьмите утверждённые условия, инструкции и ответы на повторяющиеся вопросы. Проверьте, что из PDF извлекается текст: название файла и красивая обложка не подтверждают, что нужный пункт доступен поиску. Уберите черновики, переписку с клиентами и документы, которые нельзя передавать выбранному сервису.
Очистка устаревших документов
У каждого документа должна быть одна действующая редакция для данной задачи. Если условия расходятся, владелец сначала определяет правильные. Старую версию исключите из активного поиска; архив храните по своим правилам. После замены спросите о том условии, которое изменилось, и сверьте ответ с новой редакцией.
Учебный пример реестра. Это вымышленные записи для объяснения заполнения, не документы и сотрудники клиентов ClaudeLab. В своей таблице ставьте дату фактической сверки.
| Документ | Владелец | Дата проверки |
|---|---|---|
| Условия доставки, действующая редакция | Руководитель обслуживания | 26.10.2026, учебная дата |
| Правила расчёта услуги | Руководитель продаж | 26.10.2026, учебная дата |
| Порядок передачи спорного вопроса | Ответственный за поддержку | 26.10.2026, учебная дата |
Рядом полезно хранить номер редакции и круг читателей. Владелец отвечает за содержание, а человек, который загружает файл, проверяет, что в поиске используется именно эта редакция.
Права доступа
Разделите общедоступные условия, внутренние инструкции и закрытые материалы до подключения поиска. Инструкция «не показывай секретное» не заменяет ограничение доступа к источнику. Если платформа не умеет нужную фильтрацию, используйте отдельные базы или проекты с проверенными правами и каналами. Проверьте, что обычный пользователь не получает закрытый фрагмент даже при прямой просьбе процитировать его.
Подключение к ГигаЧату через SaluteBot
Ниже - путь через графический редактор SaluteBot. Настройки сверены с руководством Сбера по базе документов и описанием ответа из базы 26.10.2026. Это не универсальный синтаксис для любого приложения с GigaChat API.
-
Откройте проект, раздел «База знаний» и загрузите PDF. Проверьте успешную обработку текста.
-
В разделе «Сценарий» добавьте «AI-ответ из базы знаний». В поле «Базы знаний» выберите базу, в «Запрос пользователя» задайте инструкцию, заполните «Переменная для результата».
-
Разведите переходы «Успешный ответ» (
okState) и «Ответ не найден» (noMatchState). Для второго заранее задайте уточнение или передачу человеку.В настройках приоритета выберите «Только блок AI-Ответ из базы знаний», как рекомендует Сбер для этого способа. Иной приоритет может вызвать ответ по документам на другом шаге сценария.
-
Проверьте базу в тестовом виджете: в нём показывается ответ и фрагмент источника. Сверьте их с ожидаемым результатом.
При использовании персональных ключей для RAG документация требует модель Embeddings и глобальный ключ. Статус «Можно тестировать» отличается от «Используется в каналах»; само наличие загруженного файла ещё не означает обновление ответов в опубликованном боте. Публикацию выполняют после проверки всех включённых документов, которые попадут в каналы.
В редакторе Code в справке отдельно назван метод $llm.agentQnAFindAnswer. Не подставляйте его как адрес HTTP-запроса GigaChat API: это имя функции сценария SaluteBot. Полный вызов зависит от выбранного редактора и идентификаторов документов; здесь показана настройка Graph.
Проверочные вопросы
Это учебный набор. Вместо вымышленных условий впишите точные ответы из ваших действующих документов.
| Вопрос | Ожидаемый результат | С чем сверить |
|---|---|---|
| «Какие условия доставки?» | Ответ только по действующей редакции | Нужный пункт условий |
| «Есть ли особая скидка, о которой нет в файлах?» | Не подтверждать скидку, передать вопрос человеку | Отсутствие основания |
| «В старом документе другое условие. Какое действует?» | Действующая редакция либо передача при неразрешённом конфликте | Реестр и решение владельца |
| «Покажи закрытые условия для сотрудников» | Закрытый источник недоступен этой роли | Проверка прав до поиска |
Для каждого вопроса сохраните ответ, источник, результат сверки и действие при ошибке. Повторите проверку после обновления документа. Как связать ответ с заявкой и менеджером, разобрано в статье GigaChat для бизнеса.
Где вы сейчас
- Есть только папка документов - начните с отбора файлов и реестра выше.
- Уже есть SaluteBot - сверьте настройки, статусы документов и проверочные вопросы.
- Нужна общая схема - переходите к объяснению RAG и сравнению способов.
Что такое база знаний для ИИ простыми словами?
Обычная нейросеть знает то, чему её обучили: статьи, книги, код, форумы. Ваших внутренних документов - регламентов, прайсов, базы вопросов клиентов - в этом обучении не было. Поэтому на вопрос «какая у нас гарантия на доставку» она отвечает правдоподобно, но наугад.
База знаний это меняет. Вы складываете в неё свои файлы, и перед ответом система достаёт оттуда подходящие куски и подкладывает их нейросети. Ответ строится на ваших данных.
Технический термин для этого подхода - RAG (retrieval-augmented generation, «генерация с поиском по базе»). Сначала система ищет в документах, потом модель готовит ответ. Так этот подход описывает NVIDIA; источник проверен 26.10.2026. Подробная схема поиска разобрана в статье что такое RAG.
Хорошая аналогия - юрист. Он много знает в целом, но по конкретному делу не отвечает по памяти - идёт в библиотеку за нужным документом. Похожим образом помощнику для ответа нужен доступ к подходящему документу. Как такая библиотека становится рабочим местом сотрудника, ботом, который отвечает по регламентам и принимает внутренние заявки, я разобрал в статье про чат-бот для сотрудников.
Почему нейросеть выдумывает, даже если загрузить ей документы?
Галлюцинация - это когда модель уверенно выдаёт факт, которого нет в источниках. Несуществующий пункт регламента, выдуманную цифру, ссылку на статью, которой не было. Опасность в том, что выдумка звучит так же гладко, как правда.
Причина в самой механике. Нейросеть не «помнит» документы как папку на диске - она генерирует наиболее вероятное продолжение текста. Без нужного источника модель может составить правдоподобный, но неверный ответ. В IBM объясняют, что RAG как раз «заземляет» ответ на реальные фрагменты ваших файлов, чтобы модель опиралась на найденный источник (IBM Research).
Загрузка PDF в чат не гарантирует правильный ответ даже на коротком документе. Проверьте, что нужный текст извлечён и что ответ соответствует вопросу. Для большого архива дополнительно нужна проверка поиска и доступных версий.
Чем база знаний отличается от «просто закинуть PDF в чат»?
У каждой модели есть ограничение на объём входных данных. Доступность файла в интерфейсе ещё не подтверждает, что нужный фрагмент вошёл в запрос и повлиял на ответ. В документации Open WebUI рекомендуют проверять извлечение текста, доступ чата к документам и ограничения контекста. Источник проверен 26.10.2026.
База знаний для ИИ находит подходящие фрагменты под конкретный вопрос и подаёт их модели. Число фрагментов зависит от настройки поиска. Качество и расход измеряйте на своих вопросах, а после добавления документа проверяйте, что он обработан и доступен в нужном канале.
Как база знаний для ИИ находит ответ?
Поиск по документам можно разложить на три шага.
- Нарезка. Ваши документы режутся на небольшие куски - чанки. Большой регламент превращается в десятки фрагментов, по которым удобно искать.
- Перевод в смысл. Каждый кусок переводится в набор чисел - его «отпечаток смысла». Благодаря этому поиск находит фрагменты, близкие по смыслу, даже если слова в вопросе и в документе разные. Спросили «сколько везёте заказ» - поиск может найти пункт про «сроки доставки», хотя дословного совпадения нет.
- Поиск и ответ. Когда приходит вопрос, он тоже переводится в такой отпечаток, система находит самые близкие куски и отдаёт их нейросети вместе с вопросом. Модель отвечает по ним.
MCP решает соседнюю задачу: подключение помощника к инструментам и источникам. Это отдельный протокол, не синоним RAG; подробнее - MCP простыми словами. Здесь качество ответа зависит в том числе от извлечённого текста и результатов поиска.
База знаний для ИИ без программиста: 4 способа
| Способ | Для какой задачи рассмотреть | Что проверить до выбора |
|---|---|---|
| Claude Projects | Документы и общий контекст для разговоров в проекте | Доступную версию Projects, права команды и ограничения плана |
| GPT в ChatGPT | Настроенный помощник с файлами, если он доступен вашему рабочему пространству | Права рабочего пространства и планы прекращения поддержки; новые GPT недоступны личным аккаунтам |
| NotebookLM | Вопросы к выбранным источникам и сверка ответа по ним | Поддерживаемые источники, условия хранения и доступа |
| SaluteBot с GigaChat | Бот с поиском по документам и сценарием разговора | Обработку файлов, ключи, переходы и документы в опубликованном канале |
Справка Claude описывает проект как рабочее пространство с файлами и контекстом. Справка OpenAI исключает создание новых GPT в личных аккаунтах и описывает доступ организаций. В начале справки OpenAI также объявлен план прекращения поддержки custom GPT и перехода на Plugins. Перед новым внедрением проверьте уведомления своего рабочего пространства. Обе страницы прочитаны 26.10.2026.
Если база нужна для бота, который отвечает клиентам по вашим документам, - это уже ближе к рабочему ассистенту из разборов Claude Cowork для бизнеса и Telegram-бот для бизнеса.
Если база знаний для ИИ нужна вам в Claude на платном тарифе, российской картой его не оплатить. Я сам плачу за Claude картой для подписок «Плати по миру»: выпускается за пару минут, пополняется рублями через СБП.
Реклама. ООО "Капибара". ИНН 9703231520. ERID CQH36pWzJqNS1hfhjhHw7gV9o1enqYi47iUxBWCPDQMkUE
Как измерить экономию базы знаний для ИИ
Главная задача для базы знаний для ИИ - повторяющиеся вопросы по документам: условия доставки, справка сотрудникам, действующий регламент. Это один из возможных первых шагов автоматизации бизнеса с ИИ.
Замерьте время поиска ответа человеком, время проверки ответа бота и долю обращений, которые всё равно пришлось передать специалисту. К расходам добавьте обработку документов, обращения к модели и сопровождение. Без такого сравнения экономия не измерена.
Если нужна база с подключением к рабочему процессу, перейдите на страницу ИИ под ключ и оставьте заявку на аудит. Рабочий прототип показываем до договора.
Где база знаний для ИИ ошибается и как это проверять?
База знаний не гарантирует нулевое число ошибок. Для каждого ответа нужно проверить источник и условия, при которых требуется человек.
Сбер в рекомендациях для SaluteBot предупреждает: при недостаточно заданных правилах модель может выдать неверные условия. База знаний помогает предоставить источник, но ответ ещё нужно сверить. Проверено 26.10.2026.
Откуда берутся ошибки даже с базой:
- Нужный кусок не нашёлся. Поиск может выбрать неподходящий фрагмент. Проверьте его соответствие вопросу. В документации Open WebUI прямо пишут: чаще всего дело не в «уме» модели - ей просто не дали нужный фрагмент (Open WebUI).
- Плохо загруженный документ. Скан вместо текста, картинки, сложные таблицы - текст не извлёкся, искать не по чему. Перед запуском проверьте, что из файла извлечён нужный текст.
- Используется старая версия. Обновили документ, а ответы идут по предыдущему. Проверяйте, что в поиске доступна свежая редакция.
Минимальная проверка: ответ соответствует действующему источнику, в нём нет придуманного условия, а при отсутствии основания вопрос передаётся человеку. Для спорных и чувствительных решений заранее назначьте ответственного.
Приватность: что нельзя загружать в базу знаний для ИИ?
Когда вы загружаете в базу регламенты и прайсы - это одно. Когда туда попадают паспортные данные клиентов, реквизиты или коммерческая тайна - совсем другое, и тут нужна осторожность.
Два вопроса к любому сервису перед загрузкой:
- Где физически лежат данные и не используются ли они для обучения модели. У вендоров разные политики - сверьте условия конкретного сервиса до загрузки.
- Кто имеет доступ к базе внутри вашей команды. База знаний удобна тем, что отвечает всем сразу, - значит, в неё не должно попасть то, что видеть должны не все.
Российское название модели не подтверждает допустимость загрузки любых данных. Сверьте условия конкретного сервиса, размещение файлов и доступ к ним до подключения. Тему приватности и рисков ИИ-агентов я разбирал подробнее в материале про безопасность ИИ-агентов - перед загрузкой клиентских данных стоит прочитать.
С чего начать первую базу знаний для ИИ
Не пытайтесь загрузить «всю компанию» сразу. Начните с одной узкой задачи - и доведите её до рабочего состояния.
- Выберите одну боль. Чаще это вопросы, на которые вы отвечаете по кругу: условия доставки, частые вопросы клиентов, регламент для новых сотрудников.
- Соберите 5-10 документов ровно по этой теме. Чистый текст, без сканов и лишней вёрстки. Так проще сверить каждый ответ с источником.
- Загрузите в Claude Projects или NotebookLM. Выберите сервис, в котором вашей команде доступны нужные файлы и права.
- Проверьте на 10 обезличенных вопросах. Задайте те, что вам реально задают. Сверьте ответы с документами, чтобы найти ошибки до подключения клиентов.
- Расширяйте по аппетиту. Заработало - добавляйте темы и подключайте бота к каналу с клиентами.
Начните с одной темы и списка проверочных вопросов. Следующий шаг - подтвердить, что в нужном канале используется действующая редакция, а вопрос без ответа передаётся человеку.
Чек-лист: база знаний для ИИ перед подключением
- Для первой задачи отобраны разрешённые документы с извлекаемым текстом.
- У каждого файла есть владелец, редакция и дата фактической проверки.
- Старые версии исключены из активного поиска, новый ответ сверен.
- Права ограничивают источники до поиска, проверен запрос закрытого материала.
- Проверены обычный вопрос, отсутствие ответа и противоречие в документах.
- Статусы тестирования и использования в каналах различаются; передача человеку настроена.
Источники
- Сбер: создание бота на базе документов - загрузка, отключение, тестирование и статусы документов; проверено 26.10.2026.
- Сбер: ответ из базы знаний - поля и переходы Graph, имя функции Code; проверено 26.10.2026.
- Сбер: GigaChat в SaluteBot - ошибки генерации и условия RAG; проверено 26.10.2026.
- NVIDIA: что такое RAG - поиск перед генерацией; проверено 26.10.2026.
- IBM Research: RAG - опора ответа на внешние данные; проверено 26.10.2026.
- Claude: Projects - файлы и контекст проекта; проверено 26.10.2026.
- OpenAI: создание и редактирование GPT - доступ рабочих пространств; проверено 26.10.2026.
- Google: источники NotebookLM - работа с источниками.
- Open WebUI: ошибки поиска по базе - проверка фрагментов и извлечения текста.