Как AI-агенты ускоряют работу девелопера: автоматизация данных и управление знаниями
Привет! На связи команда NDT by red_mad_robot. Рассказываем, как создавали смарт-платформу с двумя AI-агентами для группы компаний ФСК — одного из крупнейших российских девелоперов. Система автоматизировала работу с данными и значительно снизила нагрузку на сотрудников технической поддержки и коммерческого департамента.
Два AI-агента для разных задач
ФСК внедрили GenAI в работу с контрагентами и управление знаниями, чтобы оптимизировать внутренние процессы. Теперь AI-агент собирает данные обо всех жилых комплексах в единую базу, помогая менеджерам и поддержке быстрее отвечать на вопросы клиентов и подрядчиков.
Одна из главных задач — предотвратить ошибки (галлюцинации), которые могли бы привести к репутационным и финансовым рискам. Например, клиент спрашивает: «Есть ли в этой квартире панорамные окна?», а AI-агент отвечает неправильно, что влияет на решение о покупке. Чтобы избежать таких ситуаций, мы внедрили смарт-платформу с двумя AI-агентами:
Для клиентов: помогает с ответами на часто задаваемые вопросы, разгружая службу технической поддержки.
Для сотрудников: оптимизирует поиск по внутренним документам, облегчая доступ сотрудников к корпоративной базе знаний.
Ожидаемый эффект: снижение нагрузки на команду поддержки и коммерческий департамент на 30–40%.
Как AI-агент обрабатывает данные
ФСК передали нам документацию для обучения модели: PDF-файлы с инструкциями и FAQ. Чтобы AI-агент мог точно отвечать на вопросы, нужно было правильно структурировать данные.
Для этого используется чанкинг — разбиение текста на смысловые фрагменты. В этом проекте мы применили метод «скользящее окно», при котором часть данных из одного фрагмента попадает в следующий. Такой подход позволил сохранить контекст и повысить точность ответов.
После разметки данных агент прошел тестирование с помощью RAGAS — инструмента, который проверяет точность модели, выявляет ошибки и помогает системе улучшать свои знания.
RAG — ключевая технология смарт-платформы
Retrieval-Augmented Generation (RAG) позволяет AI-модели не просто генерировать ответы, а извлекать релевантные данные из базы перед выдачей результата. Это значительно повышает точность системы.
Как это работает:
Retrieval — поиск и извлечение информации.
Augmented — дополнение запроса пользователя найденными данными.
Generation — генерация ответа с учетом полученной информации.
Document Management Service
Сервис управления документами — ключевой компонент смарт-платформы. AI-агенты обрабатывают документы разных форматов (PDF, DOCX, MD), распознают структуру, выделяют ключевые сущности (имена, даты, события) и превращают их в векторные представления, что упрощает поиск и анализ данных.
Далее система:
Индексирует документы, чтобы ускорить поиск и хранение.
Автоматически классифицирует информацию для удобного доступа.
Использует структурированный вывод, что позволяет получать не просто текстовые ответы, а данные в заданном формате.
Структурированный вывод (structured output) позволяет не только получать ответ от системы, но и задавать его формат, что упрощает разметку данных. AI-агент автоматически анализирует тысячи документов и преобразует их в нужную структуру за несколько часов, исключая необходимость ручной обработки.
Как автоматизировать парсинг данных
Первый этап — извлечение данных. Если данные загружены хаотично, а их структура не проверена, часть информации может потеряться. Поэтому AI-агент сначала анализирует документы, выделяет важные элементы и при необходимости нормализует их. Например, он может:
Приводить даты к единому формату.
Распознавать и дополнять информацию о компаниях и людях.
Обогащать текст контекстными данными.
Далее данные переводятся в векторный формат, что позволяет системе быстро находить нужную информацию. Выбор модели векторизации напрямую влияет на точность поиска.
После извлечения данные преобразуются в векторные представления, чтобы AI-агент мог их анализировать и находить релевантную информацию. Точность поиска внутри RAG во многом зависит от выбора модели векторизации, которая переводит текст в числовой формат, понятный нейросети. После этого данные проходят дополнительные этапы обработки для повышения их структурированности и точности анализа.
Сначала текстовые данные преобразуются в эмбеддинги — векторные представления, используемые для анализа. Затем проводится кластеризация, которая группирует данные на основе их векторных характеристик, помогая выявлять скрытые закономерности и улучшать точность поиска.
Knowledge Base Management Service
Сервис управления базой знаний отвечает за классификацию, структурирование и анализ данных с помощью AI-агентов, позволяя эффективно применять RAG без значительных затрат ресурсов.
Как это устроено:
Классификация и структурирование — данные группируются по тематическим доменам, что упрощает поиск информации и повышает его точность.
Анализ и генерация контента — AI-агенты обрабатывают большие объемы данных, выявляют закономерности и на их основе формируют релевантный контент.
Интерактивное взаимодействие — чат-интерфейс позволяет пользователям получать мгновенные ответы, рекомендации и помощь в решении задач.
Строим аналитику на базе RAGAS
Фреймворк RAGAS помогает оценивать точность модели и повышать качество ответов. Вместо ручной проверки, которая занимает недели, система автоматически анализирует ошибки и предлагает корректировки.
Процесс выглядит так:
Система тестирует AI-агента и выявляет слабые места.
На основе ошибок формируются рекомендации для доработки модели.
После исправлений проводится повторное тестирование, пока точность не достигнет необходимого уровня.
Так нам удалось сократить время на обработку данных и генерацию контента, которое мы потратили на улучшение датасета. Благодаря RAGAS AI-агенты корректируют свои ответы, работая с разными типами данных (тексты, PDF, таблицы) с высокой точностью.
«В работе с данными самое ценное — время. Наша платформа показывает, как AI-агенты могут за часы выполнять задачи, на которые раньше уходили недели. Встроенная система тестирования RAGAS гарантирует качество результатов. Мы автоматизировали не отдельные операции, а целые процессы работы с корпоративными знаниями».
Алексей Жданов, CPO NDT by red_mad_robot.
Итоги
Всего за месяц мы разработали и внедрили систему AI-агентов, которая автоматизировала работу с данными и улучшила управление знаниями в компании. В результате:
Нагрузка на поддержку и коммерческий департамент снизилась на 30–40% за счет автоматизации обработки запросов.
Клиенты получают точные ответы без ошибок, что повышает уровень сервиса.
ФСК внедрили AI без репутационных рисков, благодаря системе контроля качества ответов.
Этот кейс показывает, что AI-ассистенты — не просто технологический тренд, а реальный инструмент повышения эффективности бизнеса.
Над материалом работали
текст — Валера Ковальский, Алексей Жданов, Никита Белов
редактура — Игорь Решетников
иллюстрации — Петя Галицкий
Это блог red_mad_robot. Мы запускаем цифровые бизнесы и помогаем компаниям внедрять AI. Здесь наша команда разработки на собственных кейсах рассказывает о том, что происходит с AI сегодня, а стратегические аналитики подсказывают, что будет завтра. Мы бы подписались.
Наш телеграм канал (там всё другое, а ещё есть анонсы мероприятий): t.me/redmadnews
