RAG (пошук із подальшою генерацією) — спосіб змусити асистента відповідати за вашими регламентами, тікетами, каталогом чи API, а не з пам’яті публічної моделі. Це контур retrieval у межах впровадження ШІ. Канал (Telegram, MAX, віджет на сайті) — на сторінці AI-асистентів. Якщо потрібен лише FAQ-бот без корпусу — достатньо її. Якщо модель має цитувати прайс, який змінюється щотижня, ви тут.
Починаю з джерела правди: які файли, які таблиці, хто який зріз бачить. Далі правила нарізки (заголовки кращі за наївні 500 токенів для договорів і вивантажень 1С/BAS), ембединги, векторне сховище з бекапом (часто PostgreSQL + pgvector), цикл retrieve-then-generate з цитатами. Низька впевненість — у чергу людині. Тиха галюцинація в облік чи підтримку — дефект, не «креатив».
Перший вертикальний зріз зазвичай один корпус і одна аудиторія: внутрішній HR, FAQ продукту або один тип документа. Рахуємо влучання, коректність цитат і затримку — не демо «звучить розумно». Контур оцінки — на LLM-шлюзі. Агенти, що викликають інструменти (тікет, статус замовлення), — ШІ-агенти та MCP, не друга сторінка RAG.
Стек: TypeScript/Node.js або Python, хмарні API або on-prem за політикою. Донавчання 70B-моделі не дефолтний перший етап. Нотатки: Production RAG у 2026. Форма портфоліо: thinklens-bot і cursor-telegram-integration — месенджер плюс опора на дані, не слайд із чатом.
Поза скоупом без окремого рядка: проіндексувати весь диск «про всяк випадок», навчання на клієнтських даних без договору, обіцянка замінити пошукову команду за тиждень. Строк: FAQ-RAG часто за 3–6 тижнів після чистого вивантаження й правил доступу. Брудні PDF і скани подовжують календар — OCR на розпізнаванні документів.
Що входить
- Інвентар джерел, ролі доступу, теми «не відповідати»
- Нарізка, ембединги, retrieve/rerank, промпт із цитатами
- Staging-корпус, eval-набір, короткий супровід після запуску
- Runbook: як додати документ, перезібрати індекс, читати логи
