Как подготовить базу знаний, чтобы по ней отвечала нейросеть (RAG)?

Почему качество документов важнее модели

Подход RAG устроен так: система находит в базе фрагменты, похожие по смыслу на вопрос, и передаёт их модели, чтобы та ответила по ним. Если в базе три версии регламента отпусков, модель может взять устаревшую. Если ответ размазан по пятидесятистраничному документу, нужный кусок может не попасть в найденные фрагменты. Поэтому подготовка документов даёт больше, чем смена модели.

Что сделать с документами

• Удалить или отправить в архив устаревшие версии, чтобы в поиске была одна правда.
• Разбить большие файлы на страницы по одной теме с заголовками-вопросами.
• Расшифровать сокращения и внутренний жаргон хотя бы один раз на странице.
• Переводить сканы и картинки в текст: по изображениям поиск работает хуже.
• Проставить дату актуальности и владельца.
• Отделить то, что ассистенту видеть нельзя: персональные данные, зарплаты, закрытые договоры.

Как проверить, что всё работает

Соберите список реальных вопросов из чатов и поддержки, запишите правильные ответы и прогоните их через ассистента. Смотрите не только на ответ, но и на источник: если ответ правильный, а ссылка ведёт не туда, это случайность. Повторяйте проверку после крупных изменений базы.

Как это устроено в Fast Notes

В Fast Notes так устроен раздел «Спросить»: вы задаёте вопрос простыми словами, а ответ собирается по вашим заметкам и встречам со ссылками на источники. Для сводных вопросов есть режим «Эксперт», а подключить заметки к Claude и другим агентам можно через MCP.

Источники

• Lewis P. и др. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 2020