Мы строим корпус, из которого ассистенту разрешено отвечать, с правилами о том, что входит, как это делится, как ищется и что происходит, когда источник меняется.

Почти всегда потому, что правильный фрагмент не был найден, а не потому, что модель была бы «плохой». Частые причины, в порядке, в котором мы их проверяем: слишком большие фрагменты, в которых полезная информация теряется среди прочего; разрез посреди предложения, без перекрытия; слишком мало фрагментов, вынесенных в контекст; или корпус, в котором одна и та же информация встречается в трёх разных версиях, и старая набирает больший балл. Журнал запросов со полученными оценками показывает, какой именно случай перед вами — без него приходится гадать.

Нет, и честнее сказать точно, где. С собственными векторами: память внутренней доски, используемой ежедневно, в векторном столбце с индексом по косинусному расстоянию и порогом сходства 0,35. С векторами у поставщика: база знаний голосовых агентов, синхронизированная с движком поиска поставщика. **Без** векторов, на сегодня, в продакшене: база знаний текстовых ассистентов платформы — путь индексации пишет пустой векторный столбец, поэтому поиск работает лексически, а код сам помечает свой модуль как `keyword-only`. Есть и полностью написанный собственный pipeline, с миграцией, помеченной «не публиковать в продакшене» до подтверждения прав на векторное расширение. Это и есть реальная карта.

Фрагменты источника удаляются полностью и переписываются по новой версии. Мы выбрали полную замену вместо частичного обновления, потому что сложная часть не добавление, а удаление: фрагменты, оставшиеся от старой версии, по-прежнему находятся в поиске и выдают ответы, которым клиент противоречит страницей перед собой. При добавлении есть и проверка отпечатка содержимого — если текст идентичен, ничего не пересчитывается и зря не оплачивается.

Не автоматически, на платформах, которые мы сейчас обслуживаем. Реиндексация запрашивается явно, по источнику, через отдельное действие. Есть одно исключение, в нашей внутренней системе, где цикл запускается каждые тридцать минут и переиндексирует только то, что изменилось. Автоматическое расписание можно построить, и это отдельный этап; чего мы не делаем — это не создаём впечатление, будто оно уже существует. В схеме есть и объявленное поле истечения срока, которое никто не читает — значит, документ сам из корпуса не выходит.

Момент истины. Загруженный список верен в день загрузки; со следующего дня цена, запас и новые товары тихо расходятся, и это расхождение обнаруживается, когда клиент просит цену, которой уже нет. Подключённый каталог читается в момент вопроса, из системы, которая ведёт учёт, значит не может отставать. Цена здесь другая: появляется зависимость от доступности этой системы, и нужно решить, что ассистент говорит, когда источник не отвечает — правильный ответ: «сейчас не могу подтвердить цену», а не последнее известное значение.

Не напрямую. Сканированный PDF — это изображение в упаковке PDF и не содержит выбираемого текста; наш экстрактор это обнаруживает и возвращает явное сообщение вместо индексации пустого документа — худший возможный результат это источник, помеченный как «готово», который ничего не содержит. Решение — оптическое распознавание перед импортом или предоставление документа в DOCX либо текстом. Оптическое распознавание у нас не реализовано в текущей цепочке.

Да, и есть деталь, которая важнее, чем кажется. Разбиение на фрагменты режет между предложениями, а наше правило распознаёт конец предложения, за которым следует латинская **или** кириллическая заглавная буква, включая румынские диакритики. Разделитель, написанный для английского, не распознаёт начало предложения на кириллице и даёт слипшиеся фрагменты, что напрямую влияет на качество поиска. Для голосовой стороны используемая у поставщика модель представления является мультиязычной.

Когда корпус маленький, стабильный и написан вами — например, содержимое собственного сайта. В собственной публичной платформе мы сознательно выбрали поиск по перекрытию слов по собственному тексту платформы, разбитому на короткие отрывки, каждый из которых содержит исходную страницу. Без векторов, без векторного хранилища, без дополнительного сетевого запроса и, что важно, без какого-либо источника вне хранилища. Ассистент может только повторять то, что уже говорит сайт, а каждый ответ можно проверить на странице, написанной человеком. Когда главная цель — не выдумать ничего, это лучше семантического поиска.

Ваши источники остаются в исходном виде; фрагменты и представления хранятся в базе данных вашей установки, а не во внешнем сервисе поиска, к которому имеем доступ только мы. Модель представлений запрашивается через собственный шлюз моделей, поэтому смена поставщика не затрагивает код базы знаний. Векторные представления, однако, связаны с моделью, которая их создала: смена модели требует переиндексации всего корпуса. Это вычислительная операция, а не бесплатная, и лучше знать об этом в начале, чем узнать в середине.