Анатомия базы знаний агента ИИ: как создать умного помощника

Для агентов ИИ база знаний обеспечивает быстрые и точные ответы и позволяет строить сложные рассуждения. Мы спросили экспертов, как ее создать.

ИИ-агенты захватили мир разработки программного обеспечения. Но речь больше не идет об одном всезнающем ИИ. Новые агентные рабочие процессы основаны на совместной работе множества специализированных агентов.

Так называемый «агентный ИИ» имеет весомое экономическое обоснование, но поднимает большой вопрос без ответа: как агенты должны общаться друг с другом, сохранять память и обмениваться знаниями?

Именно здесь на помощь приходит общая база знаний агента. Она подобна метасистемному командному запросу, к которому имеют доступ все агенты. Глобальный технический директор Solo.io Кристиан Поста предлагает думать об этом как о способе тонкой настройки агента.

Число агентов увеличивается, а взаимосвязанные модели поведения становятся сложнее, поэтому общая база знаний (или граф знаний) позволяет им оставаться согласованными.

Технический директор Kamiwaza AI Джеймс Уркхарт считает внутреннюю базу знаний критически важной для координации работы нескольких ИИ-агентов. Когда агенты специализируются на разных ролях, им необходимо делиться контекстом, памятью и наблюдениями. Это позволяет эффективно действовать как коллектив.

Правильно спроектированная база знаний обеспечивает агентам доступ к актуальным и всеобъемлющим организационным сведениям. В конечном итоге это повышает согласованность, точность, оперативность и управляемость ответов и действий агентов.

Преимущества очевидны. Но что на самом деле попадает в такой репозиторий? Ниже мы рассмотрим основной контент базы знаний ИИ-агента, изучим подходы к реализации и методы извлечения данных, а также рассмотрим узкие места.

Что содержит агентская база знаний

База знаний для агентов ИИ может содержать множество данных: документацию, политики, руководства по стилю, примеры кода, рабочие процессы, правила соответствия и многое другое. Менеджер по анализу данных в компании Indicium Игорь Бенинка отмечает, что база знаний включает полный спектр операционной деятельности компании.

Корпоративные данные сильно различаются, поэтому база знаний будет содержать структурированные, полуструктурированные и неструктурированные данные. Она должна охватывать все: от статических правил до динамических чатов. На самом деле допустимы любые данные, которые можно векторизовать для обучения ИИ. Тем не менее некоторые распространенные типы контента лучше подходят для сценариев использования ИИ-агентов.

Процедуры и политики

Большинство баз знаний включают процедуры и политики для исполнения агентами. Сюда входят руководства по стилю, соглашения о кодировании и правила соответствия. Они также могут документировать пути эскалации, которые определяют реакцию на запросы пользователей.

Директор по продуктам в Responsive Эй Джей Сандер говорит, что контент отражает ментальный инструментарий старшего сотрудника, но его структурируют для машинного восприятия.

Структурированные данные

Структурированные данные часто имеют форматы JSON, YAML или CSV. Они включают базы данных, примеры кода, документацию API, схемы и соглашения об уровне обслуживания. Конкретным примером служит машиночитаемая таблица товаров с ценами, пакетами или конфигурациями.

Генеральный директор Aviator Анкит Джайн сравнивает хорошую базу знаний с Википедией. Это структурированный каталог данных, в котором легко осуществлять поиск.

К полуструктурированным данным относятся внутренние вики-ресурсы, руководства по рабочим процессам и подробные инструкции. Другой подход заключается в фиксации взаимосвязей данных с помощью настраиваемых сопоставлений полей. Эти схемы определяют, как внутренние данные сопоставляются с внешними полями, чтобы агенты могли интерпретировать эти связи.

Неструктурированные данные

Далее следуют неструктурированные данные. К ним относятся текст и медиафайлы: изображения, аудио, PDF-файлы или видео. Примерами служат заметки совещаний, аудиозаписи и диаграммы для визуализации процесса принятия решений. Текстовые подсказки или общие взаимосвязи между понятиями также могут служить полезными указаниями.

Сандер из Responsive отмечает, что успешные базы знаний включают «отрицательные примеры». Это информация о том, чего не следует говорить или делать. Также важны контекстные деревья решений, которые помогают агентам ориентироваться в нестандартных ситуациях.

Память и отношения

Наконец, постоянная память помогает агентам сохранять контекст между сеансами. Доступ к прошлым подсказкам, взаимодействиям с клиентами или заявкам в службу поддержки способствует преемственности. Это улучшает процесс принятия решений, так как позволяет агентам распознавать закономерности. Важно, что большинство экспертов сходятся во мнении: следует устанавливать явные связи между данными, а не просто хранить необработанные фрагменты.

Сандер приводит пример с соглашениями об уровне обслуживания (SLA). Фраза «Наше SLA действует 24 часа» недостаточно точна. Более расширенная модель уточнит: «Наше SLA действует для корпоративных клиентов, за исключением периодов технического обслуживания, если только менеджеры по работе с клиентами не передадут вопрос выше».

Внедрение базы знаний

В основе агентной базы знаний лежат два компонента: хранилище объектов и векторная база данных для встраивания. Векторная база необходима для семантического поиска, а хранилище объектов отвечает нескольким требованиям для рабочих нагрузок ИИ. Оно обеспечивает высокую масштабируемость без узких мест в производительности, обширные метаданные для каждого объекта и неизменность для аудита и соответствия требованиям.

Организациям не обязательно приобретать новые SaaS-приложения или инфраструктуру. Лучше расширить то, что уже есть. Основатель Tavily Ротем Вайс советует прагматичный подход: создать надстройку над существующими системами с необходимыми коннекторами для доступа агентов к данным.

Тем не менее для объединения нескольких источников данных может потребоваться уровень абстракции. Бенинка из Indicium называет создание уровня абстракции наиболее эффективной стратегией. Он предоставляет агентам данные из различных источников через API. Это позволяет компаниям использовать существующие системы управления знаниями вроде Confluence, получать доступ к хранилищам данных и интегрировать векторные базы для семантического поиска.

Другие эксперты согласны, что базы знаний не обязательно создавать с нуля, но проблемы с их поддержкой остаются. Джайн из Aviator отмечает, что большинство существующих баз можно модернизировать для поддержки ИИ-агентов. Он добавляет, что поддерживать базу знаний гораздо сложнее, чем создавать. Агенты должны сами собирать новую информацию и поддерживать ее в актуальном состоянии.

Учитывая технические нюансы, эксперты рекомендуют начинать с малого и развивать ранние успехи. Вице-президент по разработке ИИ в Anaconda Грег Дженнингс советует сосредоточиться на проектах с измеримой эффективностью. Там уникальные организационные знания и данные можно собрать и предоставить агентам с помощью инструментов.

Подключение к базе знаний

Теперь дело за фактическим подключением к данным, что сложнее, чем кажется, ведь существует множество школ поиска данных в ИИ.

По общему мнению, базы знаний агентов выигрывают от многомодальной стратегии поиска. Векторный поиск находит семантически схожие концепции, обход графа определяет взаимосвязи между данными, а поиск по ключевым словам выявляет точные совпадения.

Вице-президент по данным и ИИ в R Systems Нирадж Абхьянкар говорит, что агенты обычно подключаются к базам знаний через API или конвейеры RAG. Он добавляет, что протокол контекста модели (MCP), вероятно, станет ведущим стандартом доступа агентов к инструментам и данным.

Другие согласны, что MCP меняет правила игры и стандартизирует агентские соединения. Сандер отмечает, что агенты могут подключаться к любой совместимой с MCP системе вместо создания индивидуальных интеграций для каждого источника. Это даже позволит агентам общаться через границы организаций.

Помимо этих методов, Поста из Solo.io предлагает концепцию «RAG на проводе». В ней вызовы LLM перехватывает агентский шлюз, который выполняет поиск в стиле RAG. Таким образом правила и соглашения соблюдаются независимо от того, кто обращается к системе.

Появляются дополнительные методы поиска, включая иерархический поиск и GraphRAG. Последний представляет знания в виде графа. Инженер по решениям ИИ в MinIO Кит Пиджановски считает, что агенты сделают GraphRAG более популярным.

GraphRAG предоставляет агентам «многоузловые» знания и показывает, как одни знания связаны с другими. Пиджановски утверждает, что это точнее отражает реальный мир и позволяет агентам выполнять более сложные рассуждения. Стандартный RAG основан на плоской структуре документа.

Нет универсального решения

Некоторые передовые практики создания баз знаний ИИ-агентов внедряются в различных отраслях. Они касаются технической реализации: контроля версий, стратегий поиска, памяти прошлых чатов, контроля доступа, цепочки запросов, встраивания и процессов обновления данных.

Инфраструктура и шаблоны проектирования могут быть переносимыми, но каждая база знаний неизбежно будет отражать логику и рабочие процессы конкретной организации. Бенинка из Indicium подчеркивает, что кастомизация является основополагающим условием для окупаемости инвестиций.

Сандер из Responsive согласен, что базы знаний не универсальны. Инфраструктурные шаблоны появляются, но онтологии остаются узкоспециализированными. Конвергенции пока нет. У каждой отрасли свой концептуальный словарь и нормативные требования.

Данные и варианты использования будут сильно зависеть от отрасли. Абхьянкар из R Systems отмечает, что вертикальная кастомизация не подлежит обсуждению. Здравоохранению потребуются схемы с учетом HIPAA, а агенты в розничной торговле отдадут приоритет логике управления запасами.

База данных каждой организации и ее база знаний будут отражать уникальную бизнес-логику.

Джайн из Aviator говорит, что все используют схожие векторные базы данных, модели встраивания и технологии поиска. Однако схемы знаний, правила проверки и бизнес-логика остаются индивидуальными. Стандартизируется «как», а «что» остается совершенно разным.

Сохраняйте знания свежими

Согласно индексу тенденций в сфере труда Microsoft за 2025 год, 46% руководителей утверждают, что их компании уже используют агенты для автоматизации рабочих процессов. Все больше компаний изучают возможности многоагентных систем. Консалтинговые компании вроде Deloitte делают ставку на многоагентные подходы, поэтому тенденция сохранится.

Программная инженерия наглядно демонстрирует, как агенты ускоряют существующие процессы. Отчет DX показывает, что более 90% разработчиков теперь используют инструменты ИИ-кодирования и экономят в среднем 3,6 часа в неделю. Однако качество кода остается нестабильным, что подчеркивает необходимость в более надежных базовых показателях и общем контексте для ИИ-агентов.

Такая же потребность в общем понимании актуальна и для агентов, которые помогают конечным пользователям в других контекстах. Но ключом здесь является постоянное обслуживание, так как «общее понимание» может быстро превратиться в «общее заблуждение».

Организационные знания постоянно развиваются. Главной проблемой станет обновление системы для поддержания актуальности данных без дублирования знаний и нарушения поведения агентов. Джайн из Aviator называет самой большой проблемой поддержание качества и актуальности данных.

Сандер согласен. Свежесть данных, или ее отсутствие, становится тихим убийцей систем знаний ИИ.

Poco официально представила F8 Ultra и F8 Pro — обзор смартфонов