Разработка AI-ассистентов
для сайта

Как выбирается языковая модель?

AI-ассистент не привязан к одной языковой модели — под конкретную задачу и бюджет подбирается подходящий вариант. Для типовых сценариев с высокой частотой обращений хорошо подходят относительно бюджетные модели — например, DeepSeek V4, GPT 5.6 Luna или Yandex Lite — они позволяют держать расходы на токены низкими при сохранении приемлемого качества ответов.

Для задач, где важна точность рассуждений и строгое соблюдение заданных правил, используется Claude Sonnet 5 — новейшая флагманская модель компании Anthropic (вышла в июне 2026), самая продвинутая в линейке Sonnet на сегодня. По качеству рассуждений и точности следования инструкциям она приближается к топовой модели линейки — Opus — и при этом оптимизирована для сложных задач, работы с большим объёмом контекста и строгого соблюдения заданных правил. Это не бюджетное решение, а один из самых мощных инструментов, доступных на рынке сегодня.

На практике это означает, что вы не переплачиваете за мощность там, где она не нужна, и не экономите на качестве там, где цена ошибки высока. AI-ассистент для типовых вопросов о доставке может работать на бюджетной модели, а модуль подбора товара по сложным параметрам — на продвинутой, и всё это в рамках одного проекта.

Может ли AI-ассистент ошибиться или придумать ответ?

Полностью исключить ошибку языковой модели нельзя. Поэтому задача системы - не обещать невозможное, а максимально снижать вероятность неверного ответа и не позволять ассистенту уверенно додумывать информацию, которой нет в данных клиента.

AI-ассистент работает на основе подготовленной базы знаний и заданных правил поведения. Если в доступных данных нет достаточной информации для точного ответа, он должен сообщить об этом, задать уточняющий вопрос или перевести обращение специалисту в зависимости от сценария проекта.

База знаний готовится индивидуально под задачи и структуру данных клиента. Мы не подгоняем бизнес под один универсальный шаблон, а выбираем способ хранения и передачи информации исходя из того, как устроены конкретные данные.

Для каталогов, технических характеристик, FAQ и других хорошо структурированных данных могут использоваться атомарные записи, например в формате JSON. Такой подход позволяет передавать модели чётко организованную информацию и снижает риск смешивания характеристик разных товаров, условий или сущностей.

Для больших и менее структурированных массивов: регламентов, инструкций, документации и объёмных материалов используется RAG (Retrieval Augmented Generation). Перед формированием ответа система находит релевантные фрагменты базы знаний и передаёт модели только ту информацию, которая относится к запросу пользователя.

Подход выбирается под конкретный проект. Это напрямую влияет на качество ответов: слишком большой объём данных в контексте может снижать точность, а неудачно настроенный поиск по небольшой или плохо структурированной базе возвращать нерелевантные фрагменты.

База знаний для AI-ассистента: когда хватит обычного хостинга, а когда нужен RAG

В итоге надёжность AI-ассистента обеспечивается не одной языковой моделью, а всей архитектурой решения: качеством базы знаний, способом поиска и передачи данных, системными ограничениями, тестированием сценариев и возможностью передать вопрос человеку, когда достоверного ответа недостаточно.

Можно ли дообучать ассистента после запуска?

Да, отдельно от клиентского режима работает режим обучения — ассистент отвечает так же, как отвечал бы обычному клиенту, но специалист в любой момент может поправить его: указать на фактическую ошибку, уточнить формулировку или сообщить, что в такой ситуации правильнее отвечать иначе.

Такие замечания не исправляют ответ ассистента «на лету» и никак не влияют на диалоги с текущими клиентами — они фиксируются отдельно, с точной формулировкой замечания и тем, как его нужно понимать. Это даёт возможность накопить и осмысленно проверить правки, прежде чем вносить их в системный промпт или базу знаний, а не переписывать логику ассистента на ходу из-за одного спорного случая.

В результате база знаний и правила поведения ассистента постоянно дорабатываются по факту реальной эксплуатации — без риска, что непроверенное исправление сломает то, что уже стабильно работает.

Расходы на модель предсказуемы?

Да, расходы на модель находятся под контролем: устанавливается лимит на длину диалога с одним клиентом. Это защищает от ситуаций, когда разговор уходит в сторону от темы или затягивается на множество лишних сообщений — без лимита это может незаметно расходовать токены на переписку, не имеющую отношения к делу. Лимит делает расход токенов на диалог предсказуемым, а не зависящим от того, насколько разговорчивым окажется конкретный собеседник.

Все диалоги с клиентами сохраняются в личном кабинете и доступны для анализа в любой момент — это даёт возможность видеть, какие вопросы задают чаще всего, находить пробелы в базе знаний и оценивать, насколько точно и уместно отвечает ассистент. Эти же диалоги становятся источником материала для дальнейшего обучения ассистента и расширения базы знаний.