1
Контекст
Определяем сценарий, пользователей и метрику.
Достоверные ответы
RAG-разработка с понятной сметой.
Строим RAG-системы, где языковая модель отвечает на основе проверяемых внутренних источников, а не угадывает.
Достоверные ответы
Цитаты и доступы
Production-подход
Прозрачная оценка
01 — Состав
Что входит.
Аудит сценариев и данных
Карта рисков и критериев качества
UX ключевого взаимодействия
Архитектура AI-контура
Интеграции с системами клиента
Оценка ответов и мониторинг
Тестирование крайних случаев
Документация и передача команде
02 — Метод
Как создаём rag-системы
Начинаем с решения и качества результата, затем выбираем модель и технологический контур.
2
Данные
Проверяем источники, доступы и качество.
3
Прототип
Тестируем опыт и ответы на реальных кейсах.
4
Production
Собираем интеграции, наблюдаемость и защиту.
5
Развитие
Улучшаем систему по данным использования.
03 — Процесс
Этапы работы.
01
Фиксируем задачу и границы первой версии.
02
Собираем сценарии, данные и требования.
03
Делаем решение инкрементами с регулярными демо.
04
Проводим тесты, обучение и включаем мониторинг.
04 — Интеграции
Интеграции для RAG-системы
OpenAI APIПодключаем OpenAI API и проверяем надёжность обмена данными.
Anthropic APIПодключаем Anthropic API и проверяем надёжность обмена данными.
Google Vertex AIПодключаем Google Vertex AI и проверяем надёжность обмена данными.
PostgreSQLПодключаем PostgreSQL и проверяем надёжность обмена данными.
TelegramПодключаем Telegram и проверяем надёжность обмена данными.
CRMПодключаем CRM и проверяем надёжность обмена данными.
05 — Стек
Технологии проекта.
Модели
GPTClaudeGeminiLlama
06 — Сравнение
Внедрение вместо эксперимента
| Критерий | meretti.pro | Разрозненный пилот | Готовый бот |
|---|---|---|---|
| Сценарий | Привязан к процессу | Проверяется в вакууме | Ограничен шаблоном |
| Качество | Тесты и мониторинг | Без системы оценки | Не управляется |
| Данные | Права и контекст | Ручные выгрузки | Закрытый контур |
07 — Цифры
Почему с нами.
48 ч
на первичную оценку
1
команда от гипотезы до запуска
100%
прозрачности по данным
7 дней
ритм демо
08 — Стоимость
Тарифы и ориентиры.
Пилот
от 315 000 ₽
6–10 недель
- Ключевой сценарий
- Прототип
- Тестовые кейсы
Популярный
Production
от 498 000 ₽
10–14 недель
- Всё из «Пилота»
- Интеграции
- Мониторинг и безопасность
Масштаб
от 841 000 ₽
14–20 недель
- Всё из «Production»
- Несколько сценариев
- План развития
Стоимость зависит от данных, интеграций и требований к качеству; состав работ фиксируем до старта.
Дополнения
Подготовка данныхДополнительные интеграцииОценка качестваПоддержка
09 — Портфолио
Последние проекты
Файвен
Классифайды живут скоростью и доверием. Если категория, поиск или переписка «тормозят» — пользователь уходит к привычной площадке.
Live
Продукт в проде
РФ
Города и регионы
PWA
Мобильный сценарий
10 — FAQ
Частые вопросы
Что такое RAG простыми словами?
Модель отвечает, опираясь на найденные фрагменты ваших документов, а не только на память. Снижает выдумки при хорошей базе. Нужны актуальные источники.
Какие данные подходят?
Документы, статьи, FAQ, регламенты. Плохо — хаос без структуры и прав доступа. Чистка и метаданные — половина успеха. Права пользователей наследуем.
Как обновлять индекс?
Пайплайн инкрементальных обновлений, версии, удаление устаревшего. Иначе ответы про прошлый прайс. Расписание синхронизации.
Нужны ли цитаты?
Да для доверия и проверки. Показываем источник. Особенно в поддержке и юр.контексте. UX цитат проектируем.
RAG vs fine-tune?
RAG быстрее меняет знания. Fine-tune — стиль/формат. Часто вместе. Начнём с RAG.
11 — Связанное
Контекст для решения
Следующий шаг
Найдём сценарий,
где AI окупается.
На первой встрече разберём процесс, данные и границы полезного пилота.