🔥 Открыли доступ к Agent Builder — платформе для массовой автоматизации процессов

Компании запускают всё больше AI-инициатив, но точечные решения сложно масштабировать и поддерживать, и на каждый новый сценарий нужны ресурсы IT. При этом мы видим рост запросов не на разовые внедрения агентов, а на массовую автоматизацию. Поэтому разработали Agent Builder — платформу, на которой предметные специалисты могут самостоятельно создавать два типа сценариев автоматизации с AI-агентами:

1) Полное замещение процесса. Сценарий выполняет работу целиком, а человек видит только результат и подключается в критичных вопросах, если нужно. Например, агент сверяет заявку на закупку с бюджетом и отправляет на согласование.

2) Ассистенты для специалистов. Сотрудник по-прежнему ведёт процесс сам, а система помогает ему. Агенты ищут данные, готовят черновики, подсказывают следующий шаг. 

Как это работает:
▫️ специалист описывает ТЗ или спецификацию с помощью AI-аналитика
▫️ AI-разработчик пишет код, человек подключается только, если нужно ответить на вопросы 
▫️ проект выкладывается в тестовую среду
▫️ после подтверждения специалистом автоматизация выходит в общую  эксплуатацию 

В одном сценарии можно сочетать алгоритмические шаги и AI-агентов, подключать интеграции с корпоративными сервисами, ЛК, базами знаний.

Все созданные автоматизации работают в едином хранилище и становятся описанием рабочего процесса — так автоматически строится карта. Можно анализировать эти сценарии и масштабировать эффективные решения на другие команды. 

В результате вы забываете про вечные AI-пилоты и автоматизируете целые цепочки процессов. Проверяете гипотезы за считаные дни, сокращаете рутину без привлечения разработки и экономите на поддержке решений за счёт переиспользования. 

Опишите вашу задачу, и мы покажем, как Agent Builder автоматизирует её

⌛️ Получить демо-доступ

Не каждой базе знаний нужен RAG

Сегодня RAG стал основой LLM-агентов, которые работают с корпоративными данными. Но не всегда этот подход экономически оправдан. Архитектуру AI-поиска стоит выбирать по типам запросов, которые будут приходить в систему.

🟢Типовые вопросы с устойчивыми ответами. Если сотрудники спрашивают одно и то же, как в FAQ, полноценный RAG может только увеличить стоимость и время обработки. Для такой задачи достаточно классификатора интентов и шаблонов ответов.
🟢Простые вопросы по документам. Если ответ находится в одном-двух фрагментах, подходит классический RAG: запрос → поиск → ответ. Он проще, быстрее и дешевле в разработке и эксплуатации. 
🟢Сложные аналитические запросы. Когда для ответа нужно собрать несколько фактов из разрозненных документов, можно использовать агентский RAG.

В нём поиском управляет LLM: выбирает источник и инструмент, определяет количество итераций и при необходимости корректирует запрос.
На практике чаще всего выгоднее идти от простого к сложному: начать с классического RAG и добавлять агентский, если не устраивает уровень качества ответов.

«Обычно используют такую SOTA-стратегию: в систему добавляют маршрутизатор, который распределяет запросы. Чаще всего 80% вопросов идёт в классический RAG, а 20% сложных — в агентский. Это позволяет не запускать более дорогой цикл без необходимости», — Екатерина Пославская, ML-разработчик KTS

В новой статье подробно разбираем, как работают индексация, поиск и генерация в RAG-системах. Объясняем, как оценивать качество ответов и сокращать затраты на разработку и масштабирование.

Заходите в блог