Перейти к основному содержимому

База знаний LLM

Платформа "Лия" использует большие языковые модели (LLM) для генерации контекстно-зависимых и точных ответов. Управление логикой генерации осуществляется через две ключевые реакции в конструкторе сценариев:

  • LLM-Ответ: Формирует и отправляет конечным пользователям развернутые текстовые ответы, сгенерированные на основе данных из Базы Знаний.
  • LLM-Анализ: Выполняет анализ входящих данных, извлекает сущности и сохраняет результат в переменные для дальнейшего использования в логике сценария.

Для активации данных реакций требуется предварительная настройка и наполнение Базы Знаний, которая служит источником информации для LLM.

Активация и настройка Базы Знаний​

Доступ к управлению Базой Знаний осуществляется через соответствующий раздел в главном меню навигационной панели платформы.

к сведению

При отсутствии доступа к данному модулю, свяжитесь с вашим аккаунт-менеджером для его активации.

Интерфейс и управление данными​

После активации модуля в навигационной панели становится доступен раздел "База знаний", предоставляющий инструменты для управления источниками данных.

При инициализации пустого хранилища интерфейс предлагает загрузить исходные данные.

Загрузка данных осуществляется двумя способами:

  • + Файл: Позволяет выполнять пакетную или единичную загрузку файлов (PDF, TXT, DOCX, JSON) размером до 5 МБ каждый через Drag-and-Drop или стандартный файловый менеджер.
  • + Контент: Открывает форму для создания текстовых сущностей (до 10 000 символов) непосредственно в интерфейсе платформы. Требуется указать заголовок и основной текстовый материал.

После загрузки данных, в интерфейсе отображается таблица, содержащая следующие поля:

  • Наименование: Идентификатор файла или текстовой сущности.
  • Тип: Файл или Текст.
  • Обновлён: Timestamp последнего изменения.
  • Автор: Пользователь, загрузивший данные.
  • Статус: Текущий статус индексации (см. раздел Статусы данных).
  • Активен: Toggle-переключатель для включения/исключения данных из поискового индекса Базы Знаний.

Интерфейс предоставляет инструменты для фильтрации и сортировки данных. Фильтрация возможна по диапазону дат, типу, статусу и автору. Сортировка доступна для полей "Наименование" и "Обновлён".

Статусы данных​

Каждая единица контента в Базе Знаний имеет один из трех статусов:

  • Индексация: Процесс обработки и векторизации данных. Этот статус также присваивается при деактивации контента.
  • Работает: Индексация успешно завершена, данные доступны для использования LLM-реакциями.
  • Ошибка: Произошел сбой при обработке данных. Рекомендуется проверить формат файла и перезапустить процесс индексации.

Требования к качеству данных​

Качество данных в Базе Знаний напрямую влияет на релевантность и точность генерируемых LLM ответов. Ниже приведены ключевые требования к контенту.

КритерийОписаниеОбоснование
ПолнотаДанные должны комплексно охватывать предметную область, исключая пробелы в критически важной информации.Неполные данные могут приводить к генерации фактологически некорректных или нерелевантных ответов («галлюцинаций»).
Точность и достоверностьВся информация должна быть верифицирована и соответствовать действительности.Ошибки в исходных данных ведут к генерации неверных ответов, что снижает доверие к системе и несет репутационные риски.
АктуальностьДанные необходимо регулярно обновлять. Устаревшая информация должна быть удалена или деактивирована.Использование устаревших данных (например, неактуальные тарифы или версии продукта) может дезинформировать пользователей.
НепротиворечивостьБаза Знаний должна быть логически последовательной, без взаимоисключающих фактов или инструкций.Противоречия в данных приводят к нестабильности и непредсказуемости генерируемых ответов.
ЯсностьТекст должен быть четким и однозначным. Профессиональный жаргон следует использовать уместно, при необходимости сопровождая пояснениями.Высокое качество и ясность исходного текста снижают вероятность неверной интерпретации данных моделью.
КонфиденциальностьЗапрещается загружать персональные данные, коммерческую тайну и другую чувствительную информацию.Обеспечение безопасности данных является приоритетом. Модель может случайно воспроизвести конфиденциальную информацию в ответе.

Требования к структуре данных​

Оптимизация структуры данных повышает эффективность их индексации и поиска. Рекомендуется придерживаться следующих правил.

КритерийОписаниеОбоснование
СтруктурированностьКомбинируйте структурированные (таблицы, списки) и неструктурированные (текстовые статьи) форматы данных.Структурированные данные облегчают модели извлечение фактов и понимание взаимосвязей. Формат FAQ является одним из наиболее эффективных.
МетаданныеСопровождайте документы метаданными: теги, ключевые слова, дата создания/обновления, автор, категория.Метаданные улучшают релевантность поиска, позволяя модели точнее контекстуализировать информацию.
ИерархияОрганизуйте контент в логическую иерархию с использованием заголовков (H1, H2, H3) и гиперссылок.Четкая иерархия помогает модели понимать семантические связи между различными разделами контента.
АтомарностьКаждый документ или его раздел должен быть посвящен одной конкретной теме.Атомарность контента повышает точность поиска и снижает риск смешения контекстов.
Формат FAQДля часто задаваемых вопросов используйте формат «Вопрос-Ответ».Данный формат оптимизирован для быстрого поиска и извлечения готовых ответов.
Примеры и кейсыВключайте в контент практические примеры, кейсы и сценарии использования.Примеры способствуют лучшему пониманию моделью практического применения информации.

Качество и структура Базы Знаний являются определяющими факторами для эффективности работы LLM-агента.

Конфигурация LLM-реакций в сценарии​

Интеграция LLM в логику диалога осуществляется в редакторе сценариев. В панели компонентов доступны две специализированные реакции: LLM-Ответ и LLM-Анализ.

Реакция «LLM-Ответ»​

Данная реакция предназначена для генерации и отправки текстового ответа пользователю. Компонент добавляется в сценарий методом Drag-and-Drop.

Панель конфигурации открывается по клику на блок реакции и содержит следующие параметры:

Источник данных​

В выпадающем списке «База знаний» необходимо выбрать источник данных для генерации ответа. Если База Знаний не была предварительно настроена, обратитесь к соответствующим разделам документации.

Промпт​

Поле для ввода инструкций модели (до 3 000 символов). Поддерживается использование переменных контекста для динамической генерации промпта. Например, можно использовать переменную {{user_name}}, чтобы в промпте использовать имя пользователя.

Температура​

Параметр, контролирующий степень случайности генерации. Низкие значения (0–0.5) обеспечивают более детерминированные и предсказуемые ответы. Высокие значения (0.7–1.0) повышают креативность, но могут снижать фактологическую точность. Рекомендуемое значение: 0.7.

Макс. токенов​

Ограничивает длину ответа (1 токен ≈ 1 слово/символ).

  • 100–300 — короткие ответы.
  • 1000+ — развернутые тексты.
    Пример: 300 токенов ≈ 2–3 абзаца.

Таймаут (сек)​

Максимальное время ожидания ответа.

  • 5–10 сек — быстрые ответы, риск обрыва длинных.
  • 15–30 сек — больше времени на полный текст.
    Оптимум: 15 секунд.

Опция «Всегда генерировать»​

  • Включено: Модель сгенерирует ответ даже при недостатке релевантной информации в Базе Знаний (повышается риск «галлюцинаций»).
  • Выключено: Реакция пойдет в ветку с ошибкой, если в Базе Знаний не найдено релевантной информации.

Модерировать входящее сообщение​

Переключатель, который активирует проверку входящего сообщения пользователя перед отправкой в LLM. Если сообщение содержит неприемлемый контент (угрозы, оскорбления и т.д.), оно будет заблокировано — LLM-генерация не выполняется, а пользователю отправляется предустановленный текст.

При активации появляется поле «Текст неуспешной модерации» — сообщение, которое будет отправлено пользователю вместо ответа LLM в случае блокировки. Например: Извините, не можем ответить на данное сообщение.

к сведению

Модерация проверяет входящее сообщение пользователя, а не ответ LLM. Для проверки исходящего ответа LLM используйте реакцию LLM-GR (Guardrails).

Silent mode​

Переключатель, который переводит реакцию в «тихий» режим: ответ LLM не отправляется пользователю, а сохраняется в указанную переменную контекста для дальнейшей обработки.

При активации появляется обязательное поле «Переменная для сохранения» — имя переменной, в которую будет записан сгенерированный ответ. Например: llm_answer.

warning

Когда использовать: Silent mode необходим, если после LLM-Ответ планируется проверка через реакцию LLM-GR (Guardrails). Без Silent mode ответ будет отправлен пользователю напрямую, минуя проверку.

Выходные порты реакции​

Реакция имеет два выходных порта, соответствующих результату выполнения:

  • Успех: Ответ успешно сгенерирован и отправлен.
  • Ошибка: Генерация ответа не удалась (например, из-за таймаута, недостатка данных или строгих настроек).

В сценарии можно предусмотреть отдельную логику для каждого из исходов.

Реакция «LLM-Анализ»​

Данная реакция предназначена для извлечения, анализа и структурирования данных из пользовательского ввода или других источников. Результат анализа сохраняется в переменную для дальнейшего использования в логике сценария.

Панель конфигурации открывается по клику на блок реакции и содержит следующие параметры:

Переменная для сохранения​

Имя переменной, в которую будет сохранен результат анализа. Эта переменная может быть использована в последующих блоках сценария.

Источник данных​

В выпадающем списке «База знаний» необходимо выбрать источник данных для анализа. Если База Знаний не была предварительно настроена, обратитесь к соответствующим разделам документации.

Промпт​

Поле для ввода инструкций модели (до 3 000 символов). Здесь задаются правила анализа, требуемый формат вывода и условия для извлечения данных. Поддерживается использование переменных контекста.

Температура​

Параметр, контролирующий степень случайности генерации. Низкие значения (0–0.5) обеспечивают более детерминированный анализ. Высокие значения (0.7–1.0) допускают большую гибкость. Рекомендуемый диапазон: 0.5–0.7.

Максимальное количество токенов​

Ограничивает максимальную длину генерируемого результата. Значение в диапазоне 100-300 токенов подходит для коротких результатов, 1000+ — для развернутых.

Таймаут (сек)​

Максимальное время ожидания ответа от модели. Рекомендуемое значение — 15 секунд.

Выходные порты реакции​

Реакция имеет два выходных порта:

  • Успех: Анализ успешно выполнен, результат сохранен в переменную.
  • Ошибка: Выполнение анализа не удалось. Сценарий переходит по ветке «Ошибка».

При возникновении дополнительных вопросов рекомендуется обратиться к соответствующему разделу FAQ или к вашему аккаунт-менеджеру.

В чем различие между NLU-ответами и ответами, сгенерированными из Базы Знаний?
  • NLU-ответы являются детерминированными и основаны на заранее определенных правилах и интентах в сценарии.
  • Ответы из Базы Знаний генерируются LLM динамически на основе семантического поиска по предоставленным данным. Это обеспечивает большую гибкость и способность обрабатывать запросы, не предусмотренные в NLU-модели.
Возможна ли гибридная модель ответов (NLU + База Знаний)?

Да, платформа поддерживает гибридную модель. Ответы из Базы Знаний могут использоваться совместно с NLU-логикой. Реакция «LLM-Анализ» позволяет извлекать данные из Базы Знаний и сохранять их в переменные для дальнейшего использования в основной логике сценария, например, в скриптлетах.

Как происходит маршрутизация запроса между NLU-сценарием и Базой Знаний?

Маршрутизация запросов контролируется разработчиком сценария. Обращение к Базе Знаний инициируется явным вызовом реакций «LLM-Ответ» или «LLM-Анализ» в соответствующей точке диалогового сценария.

Настройка и интеграция​

Каков процесс интеграции Базы Знаний?

Модуль Базы Знаний является предустановленным. Процесс интеграции сводится к наполнению его данными одним из двух способов:

  • Загрузка файлов: Поддерживаются форматы PDF, TXT, DOCX, JSON (до 5 МБ на файл).
  • Создание текстовых сущностей: Ввод текста (до 10 000 символов) через интерфейс.

Все загруженные данные автоматически проходят векторизацию и индексируются. Интеграция в логику бота осуществляется вызовом LLM-реакций в редакторе сценариев.

Какие форматы данных поддерживаются для Базы Знаний?

Поддерживаются файловые форматы PDF, TXT, DOCX, JSON и ввод текстовых данных (plain text). Прямая интеграция с внешними API или базами данных в качестве источников для Базы Знаний на данный момент не реализована.

Поддерживается ли работа с несколькими Базами Знаний?

Нет, в рамках одного проекта поддерживается только одна База Знаний.

Каков механизм обновления индекса Базы Знаний?

Процесс индексации и векторизации запускается автоматически в реальном времени при добавлении или обновлении данных. Длительность процесса зависит от объема информации. Изменения вступают в силу для конечных пользователей после публикации (деплоя) новой версии проекта.

Требуется ли дополнительное обучение или настройка NLP-модели?

Предобученная модель готова к работе с данными из коробки. Однако для тонкой настройки генерации ответов доступны параметры, такие как «температура», «максимальное количество токенов» и «промпт».

Точность и качество​

Какой механизм поиска используется в Базе Знаний?

Поиск основан на векторном (семантическом) представлении данных. Вся информация при загрузке проходит процесс векторизации и сохраняется в векторном хранилище, что обеспечивает высокоскоростной семантический поиск.

Как обрабатываются случаи, когда ответ не найден?

Рекомендуется в сценарии предусматривать отдельную ветку логики для обработки случаев, когда релевантный ответ в Базе Знаний не найден или произошла техническая ошибка при генерации. Это позволяет корректно обрабатывать исключительные ситуации.

Поддерживается ли мультиязычность?

Да. Язык генерируемого ответа можно задать в промпте LLM-реакции. Для достижения наилучшего качества рекомендуется, чтобы язык запроса, язык контента в Базе Знаний и язык, указанный в промпте, совпадали.

Как обрабатывается смешанный языковой контент?

LLM способны обрабатывать мультиязычный контент, однако это может повлиять на качество генерируемых ответов. Для обеспечения оптимальной производительности рекомендуется поддерживать языковую однородность контента в Базе Знаний.