Files

Alex 291d2db367 ваше сообщение коммита

2026-01-21 14:13:54 +03:00

21 KiB

Raw Blame History

🏗️ Архитектура множественных ИИ-агентов в DLE

Концепция: Создание отдельных специализированных агентов для разных задач, использующих одну локальную модель Ollama, но с разными системными промптами, правилами и интерфейсами.

🎯 Концепция архитектуры

Основные принципы

Одна модель, множество агентов
- Все агенты используют одну локальную модель Ollama (qwen2.5:7b)
- Различие между агентами — в системных промптах и правилах
- Каждый агент имеет свою специализацию и роль
Изоляция агентов
- Каждый агент имеет свои настройки (системный промпт, правила, RAG таблицы)
- Агенты не влияют друг на друга
- Можно создавать, редактировать и удалять агентов независимо
Специализация по задачам
- Агент поддержки — отвечает на вопросы пользователей
- Агент-редактор — создает контент по запросу
- Возможность создания дополнительных агентов (аналитик, переводчик и т.д.)
Отдельные интерфейсы
- Каждый агент имеет свой интерфейс доступа
- Интерфейсы адаптированы под задачи агента
- Разные права доступа для разных агентов

🤖 Типы агентов

1. Агент поддержки (Support Agent)

Роль: Отвечать на сообщения пользователей

Задачи:

Обработка входящих сообщений от пользователей
Поиск ответов в базе знаний (FAQ, документация)
Генерация ответов на основе найденной информации
Эскалация сложных вопросов к операторам

Характеристики:

Использует RAG для поиска в FAQ и документах
Системный промпт: "Вы — профессиональный ассистент службы поддержки"
Правила: строгий режим (только из базы знаний, минимум генерации)
Интерфейс: встроен в чат (web, telegram, email)

База знаний:

FAQ таблицы
Документация продукта
База знаний для клиентов

2. Агент-редактор (Content Editor Agent)

Роль: Создавать контент по запросу пользователя

Задачи:

Создание постов для социальных сетей
Написание статей для блога
Генерация email-рассылок
Создание рекламных текстов

Характеристики:

Использует RAG для поиска инструкций платформ и стиля компании
Системный промпт: "Вы — профессиональный контент-маркетолог и редактор"
Правила: креативный режим (больше генерации, использование примеров)
Интерфейс: отдельная страница "Редактор контента"

База знаний:

Инструкции платформ (ВК, Telegram, Instagram и т.д.)
Стиль компании (tone of voice, запрещенные слова)
Примеры контента (референсы)
Ключевые слова и хэштеги
CTA блоки

3. Потенциальные дополнительные агенты

Агент-аналитик:

Анализ данных и создание отчетов
Выявление трендов
Прогнозирование

Агент-переводчик:

Перевод контента на разные языки
Локализация материалов
Адаптация под культурные особенности

Агент-закупщик:

Поиск поставщиков
Анализ условий
Рекомендации по выбору

🏛️ Архитектура системы

Компоненты системы

┌─────────────────────────────────────────────────────────┐
│              Единая модель Ollama                        │
│              (qwen2.5:7b)                               │
└────────────────┬────────────────────────────────────────┘
                 │
                 ├─────────────────┬───────────────────────┐
                 │                 │                       │
                 ↓                 ↓                       ↓
    ┌────────────────────┐  ┌──────────────────┐  ┌──────────────┐
    │  Агент поддержки   │  │ Агент-редактор  │  │ Другие агенты│
    │                    │  │                  │  │              │
    │ • Системный промпт │  │ • Системный      │  │ • Свои       │
    │ • Правила (строгие)│  │   промпт         │  │   настройки  │
    │ • RAG: FAQ         │  │ • Правила        │  │              │
    │ • Интерфейс: чат   │  │   (креативные)   │  │              │
    │                    │  │ • RAG: инструкции │  │              │
    │                    │  │ • Интерфейс:     │  │              │
    │                    │  │   редактор       │  │              │
    └────────────────────┘  └──────────────────┘  └──────────────┘

Хранение настроек агентов

Таблица ai_agents:

id — уникальный идентификатор агента
name — название агента (например, "Агент поддержки", "Агент-редактор")
role — роль агента (support, content_editor, analyst и т.д.)
description — описание назначения агента
system_prompt_encrypted — системный промпт (зашифрован)
rules_id — ссылка на правила агента (из таблицы ai_assistant_rules)
selected_rag_tables — массив ID таблиц для RAG поиска
enabled_channels — на каких каналах активен (web, telegram, email)
interface_route — маршрут для интерфейса агента
permissions_required — требуемые права доступа
is_active — активен ли агент
created_at, updated_at — даты создания и обновления

Связь с правилами:

Каждый агент может использовать набор правил из ai_assistant_rules
Правила определяют поведение: temperature, maxTokens, searchRagFirst и т.д.
Можно создавать правила специально для каждого агента

Связь с RAG таблицами:

Каждый агент может использовать свои RAG таблицы
Агент поддержки: FAQ, документация
Агент-редактор: инструкции платформ, стиль компании, примеры

⚙️ Настройка агентов

Создание нового агента

Шаг 1: Базовая информация

Название агента
Роль (support, content_editor и т.д.)
Описание назначения

Шаг 2: Системный промпт

Определяет роль и поведение агента
Указывает, как агент должен работать
Содержит контекст о компании и стиле

Шаг 3: Правила (Rules)

Создание или выбор существующих правил
Настройка параметров генерации (temperature, maxTokens)
Настройка поведения RAG (searchRagFirst, generateIfNoRag)

Шаг 4: База знаний (RAG таблицы)

Выбор таблиц для поиска информации
Агент поддержки: FAQ, документация
Агент-редактор: инструкции, стиль, примеры

Шаг 5: Интерфейс

Определение маршрута для доступа к агенту
Настройка прав доступа
Выбор каналов (web, telegram, email)

Шаг 6: Активация

Включение/выключение агента
Тестирование работы агента

Примеры настроек

Агент поддержки:

Системный промпт: "Вы — профессиональный ассистент службы поддержки..."
Правила: строгий режим (temperature: 0.3, searchRagFirst: true, generateIfNoRag: false)
RAG таблицы: FAQ, Документация продукта
Интерфейс: встроен в чат
Каналы: web, telegram, email

Агент-редактор:

Системный промпт: "Вы — профессиональный контент-маркетолог и редактор..."
Правила: креативный режим (temperature: 0.7, searchRagFirst: true, generateIfNoRag: true)
RAG таблицы: Инструкции платформ, Стиль компании, Примеры контента
Интерфейс: отдельная страница /content-editor
Каналы: только web (для редакторов)

🖥️ Интерфейсы агентов

Агент поддержки — интерфейс чата

Расположение: Встроен в основной чат (HomeView)

Особенности:

Автоматическая активация при получении сообщения от пользователя
Показ статуса генерации ответа
Возможность отключения AI для конкретного сообщения
История диалога с контекстом

Права доступа:

Доступен всем пользователям
Автоматически отвечает на сообщения

Агент-редактор — интерфейс редактора

Расположение: Отдельная страница /content-editor

Особенности:

Поле для ввода запроса на создание контента
Выбор типа контента (пост ВК, статья блога, email и т.д.)
Выбор платформы (ВКонтакте, Telegram, Instagram и т.д.)
Показ процесса генерации
Редактирование сгенерированного контента
Сохранение готового контента
История созданного контента

Права доступа:

Только для пользователей с ролью Editor
Требуется авторизация

Функционал интерфейса:

Форма запроса:
- Текстовое поле для описания задачи
- Выбор типа контента (выпадающий список)
- Выбор платформы (чекбоксы или выпадающий список)
- Дополнительные параметры (тон, длина, ключевые слова)
Процесс генерации:
- Индикатор загрузки
- Показ найденных инструкций
- Показ процесса генерации
Результат:
- Готовый контент в редактируемом поле
- Кнопка "Сохранить"
- Кнопка "Перегенерировать"
- Кнопка "Экспортировать" (копировать, скачать)
История:
- Список созданного контента
- Фильтры по типу, платформе, дате
- Возможность редактирования и удаления

📚 База знаний для агентов

Структура базы знаний

Для агента поддержки:

Таблица "FAQ" — часто задаваемые вопросы
Таблица "Документация" — описание функций продукта
Таблица "База знаний для клиентов" — расширенная информация

Для агента-редактора:

Таблица "Инструкции платформ" — правила размещения контента
Таблица "Стиль компании" — tone of voice, запрещенные слова
Таблица "Примеры контента" — референсы для разных типов контента
Таблица "Ключевые слова" — семантическое ядро, хэштеги
Таблица "CTA блоки" — призывы к действию

Как агенты используют базу знаний

RAG поиск:
- Пользователь задает вопрос/запрос
- Агент выполняет векторный поиск в своих RAG таблицах
- Находит релевантную информацию
Контекст для генерации:
- Найденная информация передается в LLM как контекст
- LLM генерирует ответ/контент на основе контекста
- Системный промпт направляет, как использовать контекст
Фильтрация по роли:
- Агент поддержки ищет только в FAQ и документации
- Агент-редактор ищет только в инструкциях и примерах
- Изоляция данных между агентами

🔄 Процесс работы агентов

Агент поддержки — процесс ответа

Получение сообщения:
- Пользователь отправляет сообщение в чат
- Система определяет, что нужно использовать агента поддержки
RAG поиск:
- Агент ищет ответ в своих RAG таблицах (FAQ, документация)
- Использует векторный поиск для семантического поиска
Генерация ответа:
- Если найден ответ в базе знаний → использует его
- Если не найден → в строгом режиме предлагает связаться с оператором
- Генерирует ответ с учетом системного промпта и правил
Отправка ответа:
- Ответ отправляется пользователю в чат
- Сохраняется в истории диалога

Агент-редактор — процесс создания контента

Получение запроса:
- Редактор открывает интерфейс /content-editor
- Вводит запрос: "Создай пост для ВКонтакте о новой функции"
- Выбирает тип контента и платформу
RAG поиск инструкций:
- Агент ищет инструкции для выбранной платформы
- Ищет стиль компании
- Ищет примеры похожего контента
- Ищет релевантные ключевые слова
Генерация контента:
- Агент генерирует контент на основе:
  - Системного промпта (роль редактора)
  - Найденных инструкций платформы
  - Стиля компании
  - Примеров контента
  - Ключевых слов
Результат:
- Готовый контент показывается в интерфейсе
- Редактор может редактировать контент
- Сохранить или экспортировать

🎯 Преимущества архитектуры

1. Специализация

Каждый агент решает свою задачу оптимально
Не нужно жертвовать качеством для универсальности

2. Гибкость

Легко создавать новых агентов для новых задач
Можно настраивать каждого агента независимо

3. Изоляция

Агенты не мешают друг другу
Можно тестировать и обновлять агентов независимо

4. Масштабируемость

Легко добавлять новых агентов
Каждый агент использует одну модель, нет перегрузки

5. Контроль

Четкое разделение ответственности
Легко отслеживать, какой агент что делает

📊 Сравнение с единым агентом

Характеристика	Единый агент	Множественные агенты
Специализация	Универсальный, но менее точный	Специализированный, более точный
Настройка	Один набор настроек для всех задач	Отдельные настройки для каждой задачи
База знаний	Все таблицы для всех задач	Изолированные таблицы для каждой задачи
Интерфейс	Один интерфейс	Отдельные интерфейсы для каждой задачи
Гибкость	Сложно адаптировать под разные задачи	Легко создавать новых агентов
Производительность	Одна модель для всех	Одна модель, но разные промпты

🚀 Следующие шаги

Создание таблицы ai_agents в базе данных
Создание сервиса для управления агентами
Модификация AI Assistant для работы с несколькими агентами
Создание интерфейса для агента-редактора
Настройка агента поддержки (уже существует, нужно адаптировать)
Создание базы знаний для агента-редактора
Тестирование работы обоих агентов

Последнее обновление: Январь 2026

21 KiB Raw Blame History Unescape Escape