[English](../docs.en/ai-assistant.md) | **Русский**

# ИИ-агенты DLE — система создания специализированных агентов для бизнеса

> **Концепция**: одна локальная модель — множество специализированных агентов. Каждый агент заточен под конкретный бизнес-процесс: свой промпт, свои правила, своя база знаний, свой интерфейс.

## Содержание

1. [Что это и зачем](#что-это-и-зачем)
2. [Архитектура](#архитектура)
3. [Как создать агента](#как-создать-агента)
4. [Примеры агентов](#примеры-агентов)
5. [Технологический стек](#технологический-стек)
6. [Преимущества перед облачными решениями](#преимущества-перед-облачными-решениями)
7. [Экономический эффект](#экономический-эффект)

---

## Что это и зачем

DLE предоставляет **инструменты для создания ИИ-агентов** — специализированных помощников, каждый из которых отвечает за отдельный бизнес-процесс.

Это не один универсальный чат-бот. Это **конструктор**, в котором вы:

- Создаёте агента под конкретную задачу (поддержка клиентов, контент, закупки, аналитика)
- Задаёте ему роль через системный промпт
- Подключаете базу знаний (RAG-таблицы) с релевантными данными
- Настраиваете правила поведения (строгий режим, креативный, гибридный)
- Привязываете к каналам (веб-чат, Telegram, Email)
- Получаете изолированного специалиста, который работает 24/7

Все агенты используют **одну локальную модель Ollama** на вашем сервере. Различие между ними — в системных промптах, правилах и подключённых данных. Данные не покидают ваш сервер.

---

## Архитектура

### Принцип: одна модель — множество агентов

```
┌──────────────────────────────────────────────────────┐
│            Локальная модель Ollama (qwen2.5:7b)      │
│            Единая для всех агентов                   │
└───────────┬──────────────┬───────────────┬───────────┘
            │              │               │
            ↓              ↓               ↓
┌───────────────┐ ┌────────────────┐ ┌──────────────┐
│ Агент         │ │ Агент          │ │ Агент        │
│ поддержки     │ │ контент-       │ │ закупок      │
│               │ │ редактор       │ │              │
│ Промпт:       │ │ Промпт:        │ │ Промпт:      │
│ "Вы —         │ │ "Вы —          │ │ "Вы —        │
│  ассистент    │ │  контент-      │ │  специалист  │
│  поддержки"   │ │  маркетолог"   │ │  по закупкам"│
│               │ │                │ │              │
│ RAG: FAQ,     │ │ RAG: стиль,    │ │ RAG: база    │
│ документация  │ │ инструкции,    │ │ поставщиков, │
│               │ │ примеры        │ │ условия      │
│               │ │                │ │              │
│ Правила:      │ │ Правила:       │ │ Правила:     │
│ строгий       │ │ креативный     │ │ гибридный    │
│ (t=0.3)       │ │ (t=0.7)        │ │ (t=0.5)      │
│               │ │                │ │              │
│ Каналы:       │ │ Каналы:        │ │ Каналы:      │
│ чат, TG,      │ │ веб-интерфейс  │ │ веб-интерфейс│
│ email         │ │ /content-editor│ │              │
└───────────────┘ └────────────────┘ └──────────────┘
```

### Изоляция агентов

Каждый агент полностью изолирован:

| Параметр | Изоляция |
|----------|----------|
| Системный промпт | Свой для каждого агента |
| Правила (Rules) | Свой набор: temperature, maxTokens, режим RAG |
| RAG-таблицы | Агент видит только свои подключённые таблицы |
| Каналы | Отдельная привязка к веб-чату, Telegram, Email |
| Интерфейс | Свой маршрут и UI |
| Права доступа | Раздельные permissions |

Агенты не влияют друг на друга: можно создавать, менять и удалять их независимо.

### Обработка запроса

```
Запрос пользователя
       ↓
Определение агента (по каналу / маршруту)
       ↓
Загрузка настроек агента (промпт, правила, RAG-таблицы)
       ↓
Векторизация запроса (Ollama mxbai-embed-large → вектор [768])
       ↓
RAG-поиск по подключённым таблицам (FAISS)
       ↓
Генерация ответа (LLM с контекстом из RAG + системный промпт + история)
       ↓
Кэширование ответа (TTL 1 час, повторный запрос < 50ms)
       ↓
Ответ пользователю
```

---

## Как создать агента

### Шаг 1. Базовая информация

- **Название** — «Агент поддержки», «Контент-редактор», «AI-закупщик»
- **Роль** — support, content_editor, analyst, purchaser и т.д.
- **Описание** — для чего агент создан

### Шаг 2. Системный промпт

Определяет личность и поведение агента. Примеры:

**Для агента поддержки:**
```
Вы — профессиональный ассистент службы поддержки компании "Название".

Правила:
1. Отвечайте ТОЛЬКО на основе базы знаний
2. Если ответа нет — предложите связаться с оператором
3. Не придумывайте информацию о ценах, сроках, условиях
4. Обращайтесь к клиенту на "Вы"
5. Заканчивайте: "Чем ещё могу помочь?"
```

**Для контент-редактора:**
```
Вы — профессиональный контент-маркетолог и редактор компании "Название".

Правила:
1. Используйте стиль компании из базы знаний
2. Следуйте инструкциям конкретной платформы (ВК, Telegram, и т.д.)
3. Используйте ключевые слова и хэштеги из базы
4. Добавляйте CTA-блоки из базы
```

### Шаг 3. Правила (Rules)

JSON-конфигурация поведения агента:

```json
{
  "searchRagFirst": true,
  "generateIfNoRag": false,
  "checkUserTags": true,
  "temperature": 0.3,
  "maxTokens": 500
}
```

| Параметр | Что делает | Поддержка | Контент | Аналитика |
|----------|-----------|-----------|---------|-----------|
| `temperature` | Степень креативности (0.0–1.0) | 0.3 | 0.7 | 0.2 |
| `searchRagFirst` | Сначала искать в базе знаний | true | true | true |
| `generateIfNoRag` | Генерировать, если не нашёл в базе | false | true | false |
| `maxTokens` | Максимальная длина ответа | 500 | 2000 | 1000 |
| `checkUserTags` | Учитывать теги пользователя | true | false | true |

### Шаг 4. База знаний (RAG-таблицы)

Подключите электронные таблицы, по которым агент будет искать информацию:

- **Агент поддержки** → таблицы «FAQ», «Документация продукта»
- **Контент-редактор** → таблицы «Инструкции платформ», «Стиль компании», «Примеры контента», «Ключевые слова»
- **AI-закупщик** → таблицы «База поставщиков», «Условия и прайсы»

Каждая таблица должна иметь столбцы с назначениями «Вопрос для AI» и «Ответ AI» — они автоматически индексируются для векторного поиска.

### Шаг 5. Каналы и интерфейс

| Параметр | Описание |
|----------|----------|
| Каналы | веб-чат, Telegram, Email, SMS |
| Маршрут | URL интерфейса агента (например, `/content-editor`) |
| Права доступа | Какие роли пользователей имеют доступ |

### Шаг 6. Активация

Включите агента — он начнёт обрабатывать запросы по подключённым каналам.

---

## Примеры агентов

### 1. Агент поддержки клиентов

**Задача**: отвечать на вопросы клиентов 24/7 на основе базы знаний.

| Параметр | Значение |
|----------|----------|
| Режим | Строгий — только из базы знаний |
| temperature | 0.3 |
| RAG-таблицы | FAQ, Документация, База знаний для клиентов |
| Каналы | Веб-чат, Telegram, Email |
| Поведение при отсутствии ответа | Предлагает связаться с оператором |

**Пример работы:**
```
Клиент: "Как оплатить заказ?"
Агент:  [Ищет в таблице FAQ → находит ответ с Score < 300]
        "Мы принимаем оплату банковской картой, через PayPal
         или банковским переводом. Чем ещё могу помочь?"
```

### 2. Контент-редактор

**Задача**: создавать контент для соцсетей, блога, рассылок по стилю компании.

| Параметр | Значение |
|----------|----------|
| Режим | Креативный — генерирует на основе инструкций и примеров |
| temperature | 0.7 |
| RAG-таблицы | Инструкции платформ, Стиль компании, Примеры контента, Ключевые слова, CTA-блоки |
| Каналы | Веб-интерфейс `/content-editor` |
| Доступ | Пользователи с ролью Editor |

**Интерфейс:**
- Поле ввода задачи
- Выбор типа контента (пост ВК, статья блога, email-рассылка)
- Выбор платформы
- Генерация → редактирование → сохранение/экспорт
- История созданного контента

### 3. AI-закупщик

**Задача**: помогать с выбором поставщиков и анализом условий.

| Параметр | Значение |
|----------|----------|
| Режим | Гибридный |
| temperature | 0.5 |
| RAG-таблицы | База поставщиков, Условия и прайсы |
| Каналы | Веб-интерфейс |
| Доступ | Менеджеры по закупкам |

**Пример работы:**
```
Менеджер: "Кто поставляет электронику с доставкой до 3 дней?"
Агент:    [Ищет в таблице поставщиков, фильтрует по категории и срокам]
          "ТОП-3 поставщика электроники с доставкой до 3 дней:
           1. ООО «Техноснаб» — рейтинг 9/10, доставка 2 дня
           2. ..."
```

### 4. Другие возможные агенты

| Агент | Задача | RAG-таблицы |
|-------|--------|-------------|
| **Аналитик** | Анализ данных, создание отчётов, выявление трендов | Метрики, KPI, Отчёты |
| **HR-ассистент** | Скрининг резюме, ответы сотрудникам, планирование обучения | База знаний для сотрудников, HR-политики |
| **Переводчик** | Перевод документов, локализация контента | Глоссарии, Стиль для разных языков |
| **Юрист-помощник** | Анализ договоров, ответы на правовые вопросы | Шаблоны договоров, Нормативные акты |

Количество агентов не ограничено. Каждый новый агент — это новая комбинация промпта, правил и подключённых таблиц.

---

## Технологический стек

| Компонент | Технология | Назначение |
|-----------|------------|------------|
| LLM | Ollama (qwen2.5:7b или любая другая) | Генерация ответов, диалог |
| Embedding | mxbai-embed-large | Векторизация текста для поиска |
| Векторная БД | FAISS | Быстрый семантический поиск |
| Основная БД | PostgreSQL | Хранение настроек агентов, баз знаний, истории |
| Кэш | Node.js Map + TTL | Ускорение повторных запросов (< 50ms) |
| Очередь | AI Queue | Обработка задач по приоритету |
| Шифрование | AES-256 | Все промпты и настройки зашифрованы |

### Методы поиска (RAG)

| Метод | Описание | Когда использовать |
|-------|----------|-------------------|
| Семантический | Поиск по смыслу через FAISS | Когда важна точность понимания |
| По ключевым словам | Быстрый текстовый поиск | Когда важна скорость |
| Гибридный | 70% семантика + 30% ключевые слова | Рекомендуется по умолчанию |

Дополнительно: нечёткий поиск (опечатки), стемминг (разные формы слов), извлечение ключевых слов.

---

## Преимущества перед облачными решениями

| Характеристика | DLE (локальный) | ChatGPT API | Claude API |
|----------------|----------------|-------------|------------|
| **Стоимость** | $0 | ~$0.02/запрос | ~$0.03/запрос |
| **Конфиденциальность** | 100% — данные на вашем сервере | Данные у OpenAI | Данные у Anthropic |
| **Скорость (кэш)** | < 50ms | 500–2000ms | 500–2000ms |
| **Offline-работа** | Да | Нет | Нет |
| **Настройка под бизнес** | Полная: промпты, правила, RAG | Ограниченная | Ограниченная |
| **Лимиты API** | Нет | Есть | Есть |
| **Количество агентов** | Неограничено | Нужен отдельный API-вызов | Нужен отдельный API-вызов |
| **Множественные базы знаний** | Да, изолированные RAG-таблицы | Нет нативной поддержки | Нет нативной поддержки |

---

## Экономический эффект

### Экономия на API-запросах

| Объём запросов | ChatGPT API | Claude API | DLE |
|---------------|-------------|------------|-----|
| 10,000/мес | $2,400/год | $3,600/год | $0 |
| 50,000/мес | $12,000/год | $18,000/год | $0 |
| 100,000/мес | $24,000/год | $36,000/год | $0 |

### Экономия на автоматизации процессов

Каждый агент заменяет рутинную работу сотрудников. Расчёт для компании среднего размера:

| Агент | Что автоматизирует | Экономия в год |
|-------|--------------------|----------------|
| Агент поддержки | Ответы на типовые вопросы 24/7 (вместо 1-2 операторов) | $57,600 |
| AI-закупщик | Поиск и сравнение поставщиков (вместо ручного анализа) | $64,800 |
| HR-ассистент | Скрининг резюме, ответы сотрудникам | $57,600 |
| Контент-редактор | Генерация постов, рассылок, статей | $86,400 |
| Аналитик | Отчётность, анализ данных, мониторинг KPI | $144,000 |
| Агент по работе с партнёрами | Коммуникации, подготовка документов | $43,200 |
| Обучение персонала | Персонализированные программы, тесты знаний | $30,000 |
| Экономия на API | Отсутствие платы за облачные API | $24,000–36,000 |
| **Итого** | | **$507,600–519,600** |

**Стоимость DLE**: $1,000 (единоразово)

### Сравнение с SaaS за 5 лет

```
Типичный SaaS-стек:
  CRM (HubSpot):      $200/мес × 60 = $12,000
  Чат-бот (Intercom): $150/мес × 60 = $9,000
  Email (SendGrid):   $100/мес × 60 = $6,000
  AI (ChatGPT API):   $200/мес × 60 = $12,000
  ─────────────────────────────────────────────
  Итого SaaS:                         $39,000

DLE:
  Лицензия:                           $1,000
  AI без лимитов:                     $0
  Обновления 5 лет:                   $0
  ─────────────────────────────────────────────
  Итого DLE:                          $1,000

  Экономия за 5 лет:                 $38,000
```

---

## Дополнительные материалы

- [Архитектура множественных ИИ-агентов](./back-docs/multi-agent-architecture.md) — детальная техническая спецификация
- [Настройка AI-ассистента](./back-docs/setup-ai-assistant.md) — пошаговая инструкция по развёртыванию
- [Система электронных таблиц](./back-docs/tables-system.md) — как устроены RAG-таблицы
- [FAQ](https://github.com/VC-HB3-Accelerator/.github/blob/main/ru/FAQ.md) — частые вопросы

---

## Поддержка

- **Email**: info@hb3-accelerator.com
- **Чат**: https://hb3-accelerator.com
- **Документация**: [FAQ](https://github.com/VC-HB3-Accelerator/.github/blob/main/ru/FAQ.md)

---

**© 2024-2026 Тарабанов Александр Викторович. Все права защищены.**

**Последнее обновление**: Февраль 2026