ваше сообщение коммита

docs/RAG_TASKS.md

@@ -50,6 +50,176 @@
 
 ---
 
+## Многоагентная архитектура AI-ассистента
+
+### 🎯 Главный AI-координатор
+- **Роль:** Анализирует входящие сообщения и координирует работу специализированных агентов
+- **Функции:**
+  - Определяет какие агенты нужны для обработки сообщения
+  - Собирает результаты от всех агентов
+  - Генерирует финальный персонализированный ответ
+  - Управляет контекстом беседы
+
+### 🤖 Специализированные агенты
+
+#### 1. Агент "Персонализация пользователя"
+- **Задача:** Извлечение и управление персональными данными
+- **Функции:**
+  - Извлекает имя из сообщений ("меня зовут Саша")
+  - Анализирует профиль пользователя (компания, должность, предпочтения)
+  - Отслеживает историю взаимодействий
+  - Определяет стадию в воронке продаж
+- **Результат:** Персонализированный контекст для ответа
+
+#### 2. Агент "Анализ запроса"
+- **Задача:** Классификация и понимание сути обращения
+- **Функции:**
+  - Определяет тип вопроса (техническая проблема, вопрос о цене, жалоба)
+  - Анализирует эмоциональное состояние клиента
+  - Выявляет скрытые потребности
+  - Определяет приоритетность запроса
+- **Результат:** Структурированный анализ запроса
+
+#### 3. Агент "RAG поиск"
+- **Задача:** Поиск релевантной информации в базе знаний
+- **Функции:**
+  - Векторный поиск по RAG базе
+  - Фильтрация по тегам пользователя
+  - Поиск похожих случаев и решений
+  - Извлечение контекстной информации
+- **Результат:** Релевантные ответы и шаблоны
+
+#### 4. Агент "Контекст беседы"
+- **Задача:** Анализ истории взаимодействий
+- **Функции:**
+  - Изучает предыдущие сообщения в беседе
+  - Анализирует все предыдущие обращения пользователя
+  - Определяет повторяющиеся темы и проблемы
+  - Отслеживает прогресс в решении задач
+- **Результат:** Контекстная картина взаимодействия
+
+#### 5. Агент "Детализация"
+- **Задача:** Выяснение недостающей информации
+- **Функции:**
+  - Формулирует уточняющие вопросы
+  - Определяет какие детали нужны для решения
+  - Адаптирует вопросы под контекст беседы
+  - Отслеживает ответы на уточняющие вопросы
+- **Результат:** Структурированные уточняющие вопросы
+
+#### 6. Агент "Персонализация ответа"
+- **Задача:** Адаптация ответа под конкретного пользователя
+- **Функции:**
+  - Учитывает стиль общения пользователя
+  - Адаптирует тон (формальный/неформальный)
+  - Использует имя и персональные данные
+  - Ссылается на предыдущие взаимодействия
+- **Результат:** Персонализированный ответ
+
+#### 7. Агент "Мультиязычность"
+- **Задача:** Обработка многоязычных запросов
+- **Функции:**
+  - Определяет язык входящего сообщения
+  - Ищет ответы на соответствующем языке
+  - Генерирует ответы на языке пользователя
+  - Адаптирует культурные особенности
+- **Результат:** Локализованный ответ
+
+#### 8. Агент "Мультимодальность"
+- **Задача:** Обработка различных типов контента
+- **Функции:**
+  - Анализ изображений, аудио, видео
+  - Извлечение текста из медиафайлов
+  - Поиск похожих медиа в базе знаний
+  - Генерация мультимодальных ответов
+- **Результат:** Контекст из медиафайлов
+
+### ⚙️ Логика работы многоагентной системы
+
+#### Шаг 1: Получение сообщения
+- Координатор получает входящее сообщение
+- Анализирует базовый контекст
+- Определяет необходимых агентов
+
+#### Шаг 2: Параллельный запуск агентов
+- Агент "Персонализация" → извлекает данные пользователя
+- Агент "Анализ запроса" → классифицирует обращение
+- Агент "RAG поиск" → ищет релевантную информацию
+- Агент "Контекст" → анализирует историю
+- Агент "Мультиязычность" → определяет язык
+- Агент "Мультимодальность" → обрабатывает медиа
+
+#### Шаг 3: Сбор и анализ результатов
+- Координатор собирает данные от всех агентов
+- Анализирует полноту информации
+- Определяет необходимость дополнительных уточнений
+
+#### Шаг 4: Генерация ответа
+- Если информации достаточно → генерирует персонализированный ответ
+- Если нужно уточнить → запускает агента "Детализация"
+- Если требуется дополнительный контекст → запрашивает у других агентов
+
+#### Шаг 5: Сохранение контекста
+- Обновляет профиль пользователя
+- Сохраняет контекст беседы
+- Логирует использованные знания
+
+### 🎨 Преимущества многоагентной архитектуры
+
+1. **Модульность:** Каждый агент решает свою специализированную задачу
+2. **Масштабируемость:** Легко добавлять новых агентов
+3. **Эффективность:** Параллельная обработка разных аспектов
+4. **Гибкость:** Разные комбинации агентов для разных ситуаций
+5. **Персонализация:** Глубокое понимание каждого пользователя
+6. **Качество:** Специализированная обработка каждого аспекта
+
+---
+
+## Персонализация на уровне аккаунта пользователя
+
+### 👤 Профиль пользователя
+- **Базовые данные:** Имя, компания, должность, контактная информация
+- **История взаимодействий:** Все предыдущие обращения и решения
+- **Предпочтения:** Стиль общения, технический уровень, приоритеты
+- **Статус:** Стадия в воронке продаж, статус клиента
+- **Теги:** Категории, сегменты, специализации
+
+### 📊 Контекстная картина
+- **Текущая беседа:** Сообщения в рамках одной сессии
+- **История обращений:** Все предыдущие взаимодействия
+- **Решенные проблемы:** Успешно закрытые задачи
+- **Открытые вопросы:** Незавершенные обращения
+- **Эмоциональное состояние:** Тон и настроение клиента
+
+### 🎯 Алгоритм персонализации
+
+#### 1. Анализ входящего сообщения
+- Определение типа обращения
+- Извлечение ключевой информации
+- Анализ эмоционального контекста
+
+#### 2. Загрузка профиля пользователя
+- Получение персональных данных
+- Анализ истории взаимодействий
+- Определение текущего статуса
+
+#### 3. Поиск в RAG базе
+- Фильтрация по тегам пользователя
+- Поиск релевантных решений
+- Анализ похожих случаев
+
+#### 4. Формирование контекста
+- Объединение данных профиля и истории
+- Анализ текущей ситуации
+- Определение оптимального подхода
+
+#### 5. Генерация персонализированного ответа
+- Учет персональных данных
+- Адаптация под стиль общения
+- Ссылки на предыдущие взаимодействия
+
+---
+
 ## Этап 1. Проектирование и подготовка инфраструктуры
 1. **Проектирование схемы хранения знаний (RAG):**
    - Описать структуру таблицы `knowledge_documents` (миграция).
@@ -69,7 +239,26 @@
 
 ---
 
-## Этап 3. Интеграция RAG в pipeline ассистента
+## Этап 3. Разработка многоагентной архитектуры
+1. **Создание базовой структуры агентов:**
+   - Реализовать главный AI-координатор
+   - Создать базовые классы для специализированных агентов
+   - Настроить систему координации между агентами
+2. **Разработка специализированных агентов:**
+   - Агент "Персонализация пользователя"
+   - Агент "Анализ запроса"
+   - Агент "RAG поиск"
+   - Агент "Контекст беседы"
+   - Агент "Детализация"
+   - Агент "Персонализация ответа"
+3. **Интеграция с существующей системой:**
+   - Подключение агентов к текущему pipeline
+   - Настройка логирования и мониторинга
+   - Тестирование взаимодействия агентов
+
+---
+
+## Этап 4. Интеграция RAG в pipeline ассистента
 1. **Модификация логики ответа ассистента:**
    - При получении сообщения пользователя — искать релевантные знания и включать их в prompt LLM.
    - Обеспечить мультиязычность поиска и генерации ответа.
@@ -78,7 +267,7 @@
 
 ---
 
-## Этап 4. Интерфейс для админа
+## Этап 5. Интерфейс для админа
 1. **UI для управления знаниями:**
    - Добавить на фронте раздел для просмотра, добавления, редактирования и удаления знаний.
 2. **UI для модерации ответов ассистента:**
@@ -87,7 +276,7 @@
 
 ---
 
-## Этап 5. Поддержка мультимодальности и мультиязычности
+## Этап 6. Поддержка мультимодальности и мультиязычности
 1. **Обработка вложений (аудио, видео, картинки):**
    - Решить, как хранить и индексировать такие данные (например, хранить ссылки и метаданные, а не сами файлы).
 2. **Мультиязычный поиск и генерация:**
@@ -95,7 +284,7 @@
 
 ---
 
-## Этап 6. Тестирование и оптимизация
+## Этап 7. Тестирование и оптимизация
 1. **Покрытие тестами ключевых сценариев (unit, интеграционные).**
 2. **Оптимизация скорости поиска и генерации.**
 3. **Документация для команды.**