Клиенту требовался специализированный AI-ассистент в Telegram для технологов кормопроизводства, зоотехников и ветеринаров, отвечающий на вопросы по рецептурам кормов, рационам и нормам ввода веществ для животных.
Главная проблема: стандартные нейросети склонны «галлюцинировать» — выдумывать дозировки или путать нормы для разных видов животных. В животноводстве ошибка в долях процента микроэлемента или аминокислоты может привести к отравлению скота и финансовым потерям.
Ключевые требования к MVP:
- Нулевой допуск галлюцинаций: ответы должны строиться строго по проверенной научной литературе с точными ссылками на первоисточники (документ и страница).
- Умный диалог: бот должен сам определять контекст, задавать уточняющие вопросы при неясных запросах и поддерживать гибкие режимы работы.
- Пополнение базы: возможность загружать новые научные PDF-статьи, таблицы и ссылки прямо через Telegram.
- Автономность: коробочное развёртывание решения в Docker.
Разработана система на базе Agentic RAG на стеке Python, aiogram 3, Qdrant, PostgreSQL и Docker:
1. Агентный цикл (Orchestrator): бот анализирует намерение пользователя, классифицирует тему и при необходимости запрашивает недостающие данные перед обращением к базе.
2. Гибридный поиск по базе знаний: объединение семантического векторного поиска в Qdrant и точного текстового поиска BM25 (для формул, терминов и чисел) с последующим переранжированием результатов.
3. Иерархический чанкинг: сохранение сложной структуры научных документов и таблиц питательности без потери контекста.
4. Арбитраж фактов (LLM-as-a-Judge): каждый сгенерированный ответ автоматически сверяется с исходными документами, а числовые дозировки проверяются валидатором. При малейшем расхождении ответ отправляется на корректировку.
5. Интерфейс в Telegram: удобное переключение режимов (Авто, Экспертный, Чат), живая индикация этапов обработки («Ищу в базе...» → «Проверяю факты...») и безопасное форматирование таблиц.
6. Пополнение базы на лету: администратор отправляет файл или ссылку в чат, а сервис автоматически парсит таблицы, вычисляет эмбеддинги и обновляет поисковый индекс.
1. Создан и протестирован рабочий MVP: система стабильно отвечает на узкоспециализированные вопросы, ссылаясь на конкретные страницы первоисточников и исключая опасные выдуманные дозировки. Если данных в базе нет, бот прямо сообщает об этом вместо домыслов.
2. Готовность к запуску: всё решение упаковано в Docker Compose (бот, векторная база данных, СУБД) и сопровождается подробной технической документацией.
3. Передача заказчику: MVP передан заказчику вместе с исходным кодом, комплектом автотестов и инструкциями для внутренней опытной эксплуатации.