RAG в SUIN.AI: базы знаний для AI-агента

Когда нейросеть не знает свежей информации или специфики вашей компании — она начинает фантазировать. Решение — RAG (Retrieval-Augmented Generation): модель получает релевантные куски из вашей базы знаний прямо в контекст запроса.

Зачем это нужно

Точные ответы по внутренним документам, скриптам, регламентам
Снижение «галлюцинаций» — модель ссылается на источник
Контроль доступа: агент знает только то, что вы загрузили
Экономия токенов — в контекст уходят только нужные фрагменты

Как настроить RAG в SUIN.AI за 10 минут

Создайте базу знаний в разделе Knowledge Base
Загрузите документы: PDF, DOCX, Markdown, ссылки на сайты
Дождитесь индексации (обычно 1-3 минуты на 100 страниц)
Создайте агента и подключите к нему базу знаний
Готово — агент будет искать ответ сначала в ваших документах

Размер чанков

По умолчанию SUIN.AI режет документы на chunks по 500-800 токенов с перекрытием 50-100 токенов. Для длинных юридических документов имеет смысл увеличить чанк, для FAQ — уменьшить.

API: настройка размера чанков

POST /v1/knowledge-bases/{id}/chunks-config
{
  "chunkSize": 1200,
  "chunkOverlap": 150
}

«Хорошо структурированный документ из 50 страниц обычно даёт лучший RAG, чем PDF на 500 страниц со сканами.»
КО
Команда SUIN.AI

Посмотрите, как это работает на ваших задачах

Эксперт по внедрению покажет платформу вживую: ИИ-агенты, базы знаний, генерация контента и интеграции — на примерах именно ваших процессов. Без обязательств.

Разберём 2–3 ваших процесса и покажем, что автоматизируется уже сейчас

После встречи — запись, мини-план внедрения и подборка агентов

Экскурсию проводит эксперт по внедрению, а не менеджер по продажам

Не готовы к встрече? Пройдите квиз «Готов ли бизнес к ИИ» — получите персональный отчёт и бонусные нейроны за 2 минуты.