DLE/docs/ai-assistant.md

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
2. Архитектура
3. Как создать агента
4. Примеры агентов
5. Технологический стек
6. Преимущества перед облачными решениями
7. 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:

{
  "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 — детальная техническая спецификация
• Настройка AI-ассистента — пошаговая инструкция по развёртыванию
• Система электронных таблиц — как устроены RAG-таблицы
• FAQ — частые вопросы

---

Поддержка

• Email: info@hb3-accelerator.com
• Чат: https://hb3-accelerator.com
• Документация: FAQ

---

© 2024-2025 Тарабанов Александр Викторович. Все права защищены.

Последнее обновление: Февраль 2026