Agent AI nie powinien odpowiadać wyłącznie na podstawie ogólnej wiedzy modelu. W firmie potrzebuje aktualnych procedur, ofert, instrukcji i zasad. BluAssist wykorzystuje mechanizmy RAG, aby odnajdywać właściwe fragmenty dokumentacji dla konkretnego pytania.

Dlaczego ogólna wiedza modelu nie wystarcza

Duże modele językowe posiadają szeroką wiedzę, ale nie znają wewnętrznych realiów konkretnej organizacji. Nie wiedzą, jaki jest aktualny cennik, jak wygląda procedura reklamacyjna, które warianty produktu są dostępne ani jaki standard odpowiedzi obowiązuje w supportcie.

Można próbować umieścić wszystkie informacje w jednym długim poleceniu, ale takie rozwiązanie szybko przestaje działać. Dokumentacja rośnie, zmienia się i różni w zależności od działu. Przekazywanie całej bazy przy każdym pytaniu byłoby nieefektywne i utrudniałoby agentowi wybór najważniejszych informacji.

RAG, czyli Retrieval-Augmented Generation, rozwiązuje ten problem inaczej. Zamiast podawać modelowi wszystko, system najpierw wyszukuje fragmenty najbardziej związane z pytaniem. Dopiero te materiały trafiają do kontekstu odpowiedzi.

W BluAssist baza wiedzy jest jednym z fundamentów specjalizacji agentów.

Jak działa RAG w praktyce

Proces można uprościć do kilku kroków. Dokument trafia do bazy wiedzy i zostaje przetworzony. Tekst jest dzielony na mniejsze fragmenty, które można później wyszukiwać. Dla fragmentów tworzone są reprezentacje wektorowe, czyli embeddingi opisujące ich znaczenie.

Gdy użytkownik zadaje pytanie, system buduje zapytanie wyszukiwawcze. Może uwzględnić treść wiadomości, kontekst rozmowy i profil agenta. Następnie porównuje zapytanie z fragmentami wiedzy, wybiera najbardziej trafne i przekazuje je modelowi.

Agent generuje odpowiedź na podstawie otrzymanego kontekstu oraz swojej instrukcji. Nie oznacza to jednak, że odpowiedź staje się automatycznie nieomylna. RAG zwiększa dostęp do właściwych materiałów, ale jakość nadal zależy od dokumentacji, sposobu podziału, wyszukiwania i reguł odpowiedzi.

Baza wiedzy nie jest zwykłym folderem

Samo wrzucenie kilkuset dokumentów do jednego miejsca nie tworzy skutecznej wiedzy. Materiały mogą być sprzeczne, nieaktualne, powielone albo pozbawione informacji o zakresie obowiązywania.

Przed dodaniem dokumentów warto ustalić:

• kto odpowiada za ich aktualność,
• które wersje są obowiązujące,
• dla jakiego działu lub agenta są przeznaczone,
• czy zawierają dane, których nie powinien widzieć każdy użytkownik,
• jakie pytania agent ma na ich podstawie obsługiwać,
• kiedy agent powinien przekazać sprawę człowiekowi.

Dobrze przygotowana baza jest mniejsza, ale bardziej uporządkowana. Zamiast archiwum wszystkich plików firmy zawiera wiedzę potrzebną w konkretnym procesie.

Profile wiedzy dla różnych agentów

BluSales nie potrzebuje dokładnie tych samych materiałów co BluSupport. Agent sprzedażowy może korzystać z oferty, opisów produktów, kwalifikacji leadów i wzorów komunikacji. Agent supportowy potrzebuje instrukcji, bazy problemów, procedur eskalacji i historii typowych zgłoszeń.

Dlatego BluAssist może wykorzystywać profile wiedzy przypisane do agentów lub wdrożeń. Profil określa, które źródła powinny zostać uwzględnione i jak mają wpływać na wyszukiwanie.

Takie rozdzielenie ma dwa cele. Po pierwsze poprawia trafność, ponieważ agent nie przeszukuje materiałów niezwiązanych z jego rolą. Po drugie pomaga kontrolować dostęp do informacji.

Jedna firma może mieć wspólną bazę ogólną oraz zestawy specjalistyczne dla poszczególnych procesów.

Wyszukiwanie semantyczne i pełnotekstowe

Nie każde pytanie najlepiej obsługuje ten sam typ wyszukiwania. Wyszukiwanie semantyczne jest dobre wtedy, gdy użytkownik używa innych słów niż dokument, ale pyta o podobne znaczenie. Wyszukiwanie pełnotekstowe lepiej radzi sobie z konkretnymi nazwami, kodami, numerami i terminami.

BluAssist może łączyć oba podejścia. Fragmenty są oceniane pod kątem podobieństwa znaczeniowego oraz dopasowania słów. Następnie system może ograniczyć wyniki progiem trafności i wybrać zróżnicowany zestaw kontekstu.

To ważne, ponieważ pierwsze kilka najbardziej podobnych fragmentów może pochodzić z tej samej części dokumentu i powtarzać identyczną treść. Mechanizmy selekcji pomagają dostarczyć agentowi informacje uzupełniające się, a nie jedynie duplikaty.

Pytania uzupełniające i kontekst rozmowy

Użytkownik często zadaje krótkie pytanie: „A jaki jest termin?”, „Czy dotyczy to również wersji Pro?” albo „Co w takiej sytuacji?”. Samo zdanie nie zawiera wystarczającego kontekstu.

System RAG może wykorzystać wcześniejsze wiadomości lub podsumowanie rozmowy, aby zbudować pełniejsze zapytanie. Dzięki temu wyszukiwanie rozumie, że „termin” dotyczy procedury omawianej chwilę wcześniej.

Należy jednak uważać, aby do zapytania nie trafiały przypadkowe komunikaty systemowe, adresy mailowe albo treści niezwiązane z wiedzą. Dobre przygotowanie zapytania ma duży wpływ na jakość wyniku.

Co dzieje się, gdy wiedzy brakuje

Najważniejszym testem bazy wiedzy nie jest sytuacja, w której dokument zawiera idealną odpowiedź. Ważniejsze jest zachowanie agenta wtedy, gdy odpowiedzi nie ma.

Agent nie powinien wypełniać luki pewnie brzmiącym domysłem. W zależności od roli może poinformować o braku informacji, zadać pytanie uzupełniające albo przekazać sprawę człowiekowi.

BluAssist może również rejestrować braki wiedzy. Powtarzające się pytania bez dobrego źródła są cennym sygnałem dla firmy. Pokazują, że dokumentacja wymaga uzupełnienia albo istniejąca treść jest trudna do odnalezienia.

W BluSupport takie braki mogą stać się elementem procesu doskonalenia bazy. Zespół widzi, o co pytają klienci i gdzie agent nie posiada wystarczającego kontekstu.

Aktualność ważniejsza niż liczba dokumentów

Baza wiedzy może szybko stracić wartość, jeżeli zawiera stare cenniki, nieobowiązujące procedury lub kilka sprzecznych wersji instrukcji.

Dlatego potrzebny jest właściciel wiedzy. Ktoś powinien decydować, które dokumenty są aktualne, usuwać lub archiwizować stare wersje i reagować na zgłoszone braki.

Dobrą praktyką jest oznaczanie daty obowiązywania oraz zakresu materiału. W przypadku częstych zmian lepiej utrzymywać krótszy dokument źródłowy aktualizowany systematycznie niż wiele podobnych plików.

RAG nie naprawi złej dokumentacji. Potrafi ją skuteczniej odnaleźć, ale jeżeli źródła są sprzeczne, agent może otrzymać sprzeczny kontekst.

Dokumentacja pisana dla ludzi i dla wyszukiwania

Materiały przygotowane dla RAG powinny nadal być czytelne dla ludzi. Nie ma potrzeby tworzenia sztucznego języka. Warto jednak dbać o jasne nagłówki, jednoznaczne nazwy, krótkie sekcje i pełne odpowiedzi.

Dokument „Oferta” zawierający kilkadziesiąt luźnych akapitów będzie trudniejszy do przeszukiwania niż materiał podzielony na produkty, warianty, ograniczenia i najczęstsze pytania.

W procedurach dobrze sprawdzają się kroki, warunki i wyjątki. W FAQ każde pytanie powinno mieć samodzielną odpowiedź. W instrukcjach należy unikać odwołań typu „jak wyżej”, jeżeli fragment może zostać pobrany bez poprzedniej sekcji.

Takie uporządkowanie poprawia zarówno pracę pracowników, jak i jakość kontekstu dla agenta.

RAG a plik dodany do rozmowy

Baza wiedzy i pliki kontekstowe uzupełniają się. RAG dostarcza stałe materiały firmy. Plik rozmowy wnosi dane konkretnej sprawy.

Przykładowo agent sprzedażowy może korzystać z aktualnej oferty z bazy, a jednocześnie analizować zapytanie klienta dodane jako PDF. Odpowiedź powstaje na styku obu źródeł: ogólnych zasad firmy i indywidualnych potrzeb klienta.

To właśnie ten model daje największą wartość. Agent nie odpowiada jedynie z dokumentacji i nie analizuje dokumentu w próżni. Łączy oba konteksty w zakresie określonym dla swojej roli.

Kontrola dostępu do wiedzy

Nie każda wiedza może być dostępna dla każdego agenta i każdego użytkownika. Dokumenty handlowe, techniczne, kadrowe i zarządcze powinny być rozdzielone zgodnie z rolami.

BluAssist może wiązać źródła z konkretną organizacją, wdrożeniem lub profilem agenta. Użytkownik otrzymuje dostęp do funkcji oraz agentów przypisanych do jego pracy.

To ważne również przy integracjach. Agent może potrzebować konkretnego zestawu danych z systemu firmy, ale nie pełnego dostępu do całej bazy. Zasada minimalnego zakresu ogranicza ryzyko i ułatwia utrzymanie rozwiązania.

Jak oceniać jakość bazy wiedzy

Skuteczność RAG należy testować na realnych pytaniach. Warto przygotować zestaw przypadków typowych, trudnych i niejednoznacznych.

Sprawdza się nie tylko poprawność finalnej odpowiedzi. Trzeba również ocenić, czy system odnalazł właściwy fragment, czy nie pominął wyjątku, czy poprawnie zareagował na brak wiedzy i czy odpowiedź ma odpowiedni poziom szczegółowości.

Feedback użytkowników jest bardzo cenny. Oznaczenia pozytywne i negatywne, komentarze oraz analiza braków pozwalają ulepszać dokumentację i konfigurację wyszukiwania.

Baza wiedzy nie jest projektem jednorazowym. Jest procesem utrzymania treści, podobnie jak instrukcje, procedury i oferta firmy.

Podsumowanie

RAG pozwala agentom BluAssist korzystać z właściwych fragmentów firmowej wiedzy bez przekazywania całej dokumentacji przy każdym pytaniu. System wyszukuje kontekst, łączy go z rozmową i udostępnia modelowi w zakresie właściwym dla danego agenta.

Największa wartość pojawia się wtedy, gdy baza jest uporządkowana, aktualna i przypisana do konkretnych procesów. Sama technologia nie zastępuje zarządzania wiedzą, ale może znacząco ułatwić jej codzienne wykorzystanie.

Zacznij od jednego zestawu dokumentów i sprawdź, jak agent BluAssist może odpowiadać na podstawie wiedzy Twojej firmy, zamiast ograniczać się do ogólnego modelu AI.