1
Контекст
Определяем сценарии поиска, пользователей и метрику точности ответа.
Достоверные ответы
RAG-разработка с понятной сметой.
Строим RAG-системы, где языковая модель отвечает на основе проверяемых внутренних источников, а не угадывает.
Telegram
Онлайн
t.me/meretti_pro
Обычно отвечаем за 15 минут
WhatsApp
Пн–Пт 10–19
+7 993 600-62-23
Альтернативный способ связи
Вы также можете отправить запрос на нашу почту hello@meretti.pro
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 качества источников, затем проектируем поиск и генерацию ответа.
2
Данные
Проверяем источники знаний, доступы и качество индексации.
3
Прототип
Тестируем ответы модели на реальных вопросах с проверкой источников.
4
Production
Собираем интеграции, наблюдаемость и защиту базы знаний.
5
Развитие
Улучшаем поиск и генерацию по данным реальных запросов.
Квиз по проекту
Быстрый расчёт проекта.
Заполните заявку и получите расчёт на ваш проект — и скидку 20% на разработку.
Скидка 20% за заполненную заявку
Шаг 1 / 6
Что нужно сделать?
Шаг 2 / 6
Какая главная цель проекта?
Шаг 3 / 6
Сайт или система уже есть?
Шаг 4 / 6
Какие интеграции понадобятся?
Шаг 5 / 6
Когда нужен результат?
Шаг 6 / 6
Ориентир по бюджету?
Последний шаг — куда прислать расчёт
Расчёт почти готов.
Оставьте номер — пришлём расчёт и скидку 20% в течение 15 минут. Без презентаций и давления.
03 — Процесс
Этапы работы.
01
Фиксируем источники знаний и границы первой версии RAG-системы.
02
Собираем сценарии, данные и требования к индексации источников.
03
Делаем систему инкрементами с регулярными демо ответов.
04
Проводим тесты на новых вопросах, обучение команды и мониторинг точности ответов.
04 — Интеграции
Интеграции для RAG-системы
OpenAI APIИспользуем модели OpenAI для генерации ответа поверх найденных фрагментов документов.
Anthropic APIПодключаем Claude там, где важно, чтобы модель честно признавала отсутствие источника.
Google Vertex AIРазворачиваем векторный поиск и генерацию через Vertex AI при работе в облаке Google.
PostgreSQLХраним индекс документов и векторные представления в PostgreSQL с расширением pgvector.
TelegramДаём сотрудникам искать ответы по базе знаний через бота в Telegram со ссылками на источник.
CRMИндексируем историю обращений из CRM как дополнительный источник для поиска ответов.
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
Бесплатная консультация 15 минут
Оставьте номер — перезвоним.
Перезвоним в течение 2 часов в рабочее время (Пн–Пт, 10:00–19:00 МСК) — коротко разберём объём, сроки и порядок цифр. Без продаж и обязательств.
Ответим за 2 часа
Менеджер проекта, а не отдел продаж
Никакого спама
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
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.
Следующий шаг
Найдём сценарий,
где AI окупается.
На первой встрече разберём источники знаний, данные и границы пилота.