Блог студии Раисыча AI-агенты · автоматизация
Обсудить задачу
ИИ-агенты для продаж 5 мин чтения 1 January 2026

База знаний RAG для AI-агента продаж: источники, PII, метрики за 30 дней

Первый шаг к работающему AI-агенту продаж — собрать базу знаний (RAG) из проверенных источников, очистить её от персональных данных (PII) и за 30 дней…

Обсудить задачу Все статьи кластера
База знаний RAG для AI-агента продаж: источники, PII, метрики за 30 дней

Первый шаг к работающему AI-агенту продаж — собрать базу знаний (RAG) из проверенных источников, очистить её от персональных данных (PII) и за 30 дней измерить метрики качества. Без этого агент будет отвечать наугад или утекать конфиденциальной информацией. Ниже — как выстроить процесс: какие источники брать, как обезличивать, какие метрики считать и в какие сроки уложиться.

Какие источники использовать для RAG-базы знаний

RAG (Retrieval-Augmented Generation) — подход, при котором модель сначала ищет релевантные фрагменты в вашей базе, а потом генерирует ответ. Качество ответа на 70–80% зависит от того, что вы положили в базу. Источники делятся на три группы.

1. Продуктовые и коммерческие данные

  • Описания продуктов и услуг, прайсы, тарифы.
  • Коммерческие условия: скидки, отсрочки, минимальные партии.
  • Скрипты продаж и ответы на типовые возражения.
  • Регламенты согласования сделок.

2. Клиентские данные (только обезличенные)

  • История переписки с клиентами без имён, телефонов, email.
  • Частые вопросы из чатов и почты.
  • Обезличенные записи звонков (транскрипты).

3. Внешние источники

  • Отраслевые справочники и ГОСТы.
  • Публичные исследования рынка.
  • Новости законодательства, влияющие на продукт.

Правило: каждый документ должен иметь владельца и дату актуализации. Устаревшие версии удаляйте, а не храните рядом с новыми — иначе агент будет цитировать старый прайс.

Как чистить PII: обязательный этап перед загрузкой

PII (Personally Identifiable Information) — любые данные, по которым можно прямо или косвенно идентифицировать человека. В клиентских диалогах это имена, телефоны, email, адреса, номера договоров, паспортные данные, СНИЛС, ИНН физлица.

Что делать до загрузки в векторную базу:

  1. Маскирование — замена сущностей на плейсхолдеры: [ИМЯ], [ТЕЛЕФОН], [EMAIL], [АДРЕС].
  2. Псевдонимизация — если нужна связность диалога, присваивайте клиенту ID, а соответствие ID → реальные данные храните в отдельной защищённой таблице вне RAG.
  3. Удаление — если фрагмент не нужен для обучения ответов, вырезайте его целиком.
  4. Логирование — фиксируйте, кто и когда загружал документы, чтобы можно было провести аудит.

Автоматические PII-детекторы (например, на базе NER-моделей) дают ошибки: пропускают редкие форматы и иногда маскируют лишнее. Поэтому настройте выборочную ручную проверку — хотя бы 10% документов из каждой партии.

Метрики RAG-агента продаж за 30 дней

За первый месяц работы агента нужно собрать базовые метрики, чтобы понять, где узкое место: в поиске (retrieval) или в генерации ответа.

Метрика Что показывает Ориентир для старта
Точность retrieval (hit rate) Доля запросов, где нужный фрагмент попал в топ-5 ≥ 80%
Полнота ответа Доля ответов, содержащих все ключевые факты ≥ 75%
Доля галлюцинаций Ответы с фактами, которых нет в базе ≤ 5%
Конверсия в целевое действие Запрос → заявка / коммерческое предложение Сравнивать с человеком
Время ответа Медиана и 95-й перцентиль ≤ 5 сек
Удовлетворённость (CSAT) Оценка после диалога ≥ 4 из 5
Доля эскалаций на человека Как часто агент передаёт диалог 15–30% на старте

Метрики считайте на размеченной выборке из 100–200 реальных запросов. Разметку делает менеджер или эксперт по продукту: для каждого запроса отмечает, какой фрагмент базы должен был найтись и какие факты обязательны в ответе. Без такой выборки вы будете оценивать агента «на глаз».

План на 30 дней: от источников до метрик

Дни 1–5. Аудит источников. Соберите все документы, которые использует отдел продаж. Определите владельцев. Удалите дубли и устаревшие версии.

Дни 6–10. Очистка PII. Прогоните клиентские диалоги через маскирование, проверьте выборку вручную. Настройте хранение соответствий ID → данные вне RAG.

Дни 11–15. Загрузка и индексация. Разбейте документы на фрагменты (chunking), настройте эмбеддинги, проверьте поиск на 20–30 тестовых запросах.

Дни 16–20. Пилотный запуск. Подключите агента к одному каналу (например, чат на сайте). Соберите первые диалоги.

Дни 21–25. Разметка и замер метрик. Сформируйте выборку запросов, посчитайте hit rate, полноту, галлюцинации.

Дни 26–30. Итерация. Исправьте проблемы: добавьте недостающие документы, уточните chunking, поправьте промпт. Зафиксируйте метрики как базовую линию.

Сроки реальны, если у вас уже есть описание продуктов и доступ к истории переписки. Если база собирается с нуля, заложите больше времени на аудит источников.

Стоимость и сроки разработки

Ориентиры студии:

  • Пилот одного сценария — 60–350 тыс ₽.
  • Базовый агент поддержки — от 50 тыс ₽.
  • Агент продаж — от 200 тыс ₽.
  • Сложный контур (несколько сценариев, интеграции, контроль PII) — от 500 тыс ₽.
  • Сопровождение — 15–50 тыс ₽/мес.
  • Прототип — 10–14 дней, полный контур — 30–90 дней.

В стоимость пилота обычно входит сборка базы знаний, настройка поиска и базовые метрики. Обучение модели на ваших данных (fine-tuning) — отдельная задача, для старта чаще достаточно RAG.

Если коротко

  • RAG-база знаний — фундамент AI-агента продаж. Без неё агент галлюцинирует.
  • Источники: продукты, обезличенные диалоги, внешние справочники. У каждого документа — владелец и дата.
  • PII чистите до загрузки: маскирование, псевдонимизация, удаление. Ручная проверка выборки обязательна.
  • Метрики за 30 дней: hit rate ≥ 80%, полнота ≥ 75%, галлюцинации ≤ 5%, CSAT ≥ 4.
  • План: 5 дней аудит, 5 — очистка, 5 — индексация, 5 — пилот, 5 — разметка, 5 — итерация.
  • Стоимость: пилот 60–350 тыс ₽, агент продаж от 200 тыс ₽, сложный контур от 500 тыс ₽.

FAQ

Что делать, если в базе уже есть PII, а чистить её долго? Начните с пилота на ограниченном наборе документов: возьмите 10–20% самых частых запросов и очистите только их. Остальное загружайте по мере очистки. Так вы запустите агента за 2–3 недели, не дожидаясь полной обработки архива.

Можно ли использовать RAG без векторной базы? Технически да — поиск по ключевым словам тоже работает, но качество ответов ниже. Векторный поиск лучше находит смысловые совпадения, когда клиент формулирует запрос не теми словами, что в документе. Для агента продаж это критично.

Как понять, что база знаний достаточно полная? По метрике hit rate: если нужный фрагмент находится в топ-5 для 80% тестовых запросов, база в целом покрывает спрос. Оставшиеся 20% — повод добавить документы или переформулировать запросы в промпте.

Кто должен размечать запросы для метрик? Лучше всего — менеджер по продажам или продукт-эксперт, который знает правильные ответы. Разработчик не всегда понимает бизнес-контекст. На разметку 100–200 запросов уходит 4–8 часов.

Что делать с галлюцинациями, если их больше 5%? Сначала проверьте retrieval: если нужный фрагмент не находится, модель отвечает по памяти. Увеличьте количество возвращаемых фрагментов (top-k), улучшите chunking, добавьте в промпт инструкцию «если ответа нет в базе — скажи об этом и предложи связаться с менеджером».

Нужен ли отдельный сервер для RAG? Для пилота достаточно облачных сервисов. Свой сервер нужен, если данные нельзя выносить за периметр или объём запросов большой. На старте это лишние расходы.

Читайте также

Заявка

Обсудить задачу

Расскажите, что нужно автоматизировать. Александр Раисович ответит лично и предложит архитектуру решения.

Раисыч

Основатель Студии Раисыча. Проектирую ИИ-контуры для продаж, поддержки и документов — с критериями приёмки и журналом.

Написать в Telegram →
Обсудить задачу