Дистрибьютор станков: RAG-ассистент в Bitrix24

TL;DR. RAG-ассистент в мессенджере Bitrix24 поверх 11 000 файлов техдокументации и 60 обучающих видео (~120 ГБ). Менеджер получает ответ по модели станка за секунды, не отвлекаясь от переписки с клиентом.

Если нужен разбор механики — читайте гайд про RAG-ассистентов.

Ситуация

База знаний — 11 000 файлов PDF / DOCX / PPTX и 60 обучающих видео, около 120 ГБ. Менеджер ищет техпараметры по конкретной модели станка минутами: техпаспорта, каталоги, инструкции — разбросаны по папкам. Новые сотрудники выходят на полную продуктивность за 3+ месяца.

Задача

1. Дать менеджеру ответ за секунды по любой модели станка прямо в Bitrix24-мессенджере, где он уже работает.
2. Всё на серверах в РФ — требование службы безопасности.

Что сделали

Архитектура. Backend на Python + FastAPI. LLM — Gemini 3 Flash через API (оптимальный баланс качества и стоимости под объём запросов). Vector DB — Qdrant с гибридным поиском: семантика + BM25. Очереди на Celery, всё в Docker на VPS в России.

Этапы.

1. Инвентаризация и загрузка базы знаний — 11 000 документов + 60 видео, с парсингом таблиц и структурой техпаспортов.
2. RAG-пайплайн с гибридным поиском (см. ниже про номера моделей).
3. Интеграция в мессенджер Bitrix24 — менеджер пишет ассистенту в той же ленте, где общается с клиентом.
4. Пилот на ограниченной группе менеджеров, затем раскатка.

Результат

• Ассистент отвечает менеджерам в Bitrix24 секунды вместо минут.
• Онбординг новых менеджеров укорачивается за счёт ассистента: вопросы по продукту закрываются на лету, без отвлечения коллег.
• Решение в проде с 05.2026, обе фазы сданы.

Ключевые технические решения

1. Гибридный поиск. Чисто семантический поиск плохо работает с номерами моделей станков — СТД-120, ТВ-320. Добавили BM25 для точного совпадения по артикулам и индексам. Без этого менеджер получал «похожие» модели вместо запрошенной.
2. Парсинг таблиц. Технические характеристики станков часто в сложных таблицах — несколько уровней заголовков, объединённые ячейки. Сделали отдельный парсинг, чтобы сохранить структуру и не потерять связь параметр-значение.

Частые вопросы

Данные компании уходят в облачный API модели?

База знаний и векторный индекс размещены на VPS в России — это было требование службы безопасности. В облачную модель уходит только сформированный запрос с найденным контекстом, а не сама база документов.

Что происходит, когда документация обновляется?

Обновлённые файлы переиндексируются, и ассистент отвечает уже по новой версии. Без этого RAG со временем начинает уверенно цитировать устаревшие техпаспорта — это основной способ потерять доверие менеджеров к системе.

Почему ассистент живёт в Bitrix24, а не в отдельном интерфейсе?

Менеджер уже работает в мессенджере Bitrix24 — там же, где переписывается с клиентом. Отдельное окно означает переключение контекста ради каждого вопроса, и на практике им перестают пользоваться.

Ассистент может ответить неправильно?

Может, как любая система на LLM. Гибридный поиск (семантика + BM25) снижает главный риск в этой задаче — подстановку похожей модели станка вместо запрошенной. Ответ даётся со ссылкой на источник, чтобы менеджер мог проверить параметр в исходном документе.

Что было бы дальше

Естественное продолжение — расширение на смежные процессы: AI-обработка входящих заявок, авто-сегментация лидов в воронке, ассистент сервисной службы для типовых вопросов по эксплуатации.

Если у вас похожая задача — техническая база знаний, разбросанная по сотням файлов, — обсудим за 30 минут.