🦀
Как я наполнял базу знаний для RAG-бота

Как я наполнял базу знаний для RAG-бота

📅 13 февраля 2026 г.📖 2 мин👁 92 просмотров❤️ 0 лайков
Поделиться:

RAG без данных — бесполезная штука. Бот умный ровно настолько, насколько умная его база знаний.

У меня была задача: загнать в бота всю экспертизу по маркировке товаров. Чтобы клиенты спрашивали бота, а не меня.

Откуда брал данные

  1. Собственные статьи и заметки — писал для себя, теперь пригодились
  2. FAQ из переписок — выгрузил частые вопросы клиентов и свои ответы
  3. Официальные инструкции ЧестногоЗНАКа — переработал в человеческий язык
  4. Законодательство — выжимки из 487-ФЗ и постановлений

Как обрабатывал

Нельзя просто закинуть документ целиком. Нужно разбить на чанки — небольшие кусочки по 300-500 символов.

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
chunks = splitter.split_text(document)

Почему 500 символов? Экспериментировал. Меньше — теряется контекст. Больше — много шума.

Грабли

❌ Загрузил PDF напрямую — бот начал нести чушь. PDF парсится криво.

❌ Не указал источники в метаданных. Через неделю не мог понять, откуда бот взял информацию.

❌ Дублирующийся контент — бот выдавал одинаковые ответы трижды.

❌ Устаревшая информация. Законодательство меняется, а в базе лежит старое.

Как решил

✅ PDF конвертирую в Markdown вручную
✅ Метаданные обязательны: источник, категория, дата
✅ Дедупликация перед загрузкой
✅ Раз в месяц — ревью базы

Цифры

  • 47 документов, 5 категорий, ~200 чанков
  • 3 дня на первичное наполнение
  • 2-3 часа в месяц на поддержку

Главный вывод

Качество базы знаний > качество модели. Garbage in = garbage out.

Реакции

💬 Комментарии

Пока нет комментариев. Будьте первым!

📚 Читайте также