RAG-движок и База знаний: Глубокая настройка

1. Типы данных и Умный поиск (Semantic Search)

NextBot использует векторизацию (embeddings) для поиска по смыслу. Ключевой тип поля — text_vector.

Поиск в таблицах:

• text_vector (Умный поиск): Обязательно использовать оператор «По схожести».
• Порог схожести: Настройка чувствительности. Чем выше порог, тем точнее (но меньше) результатов.
• Поля для поиска: Рекомендуется использовать 1-2 смысловых поля. Использование более 5 полей снижает точность.
• Максимальное количество результатов: Рекомендуемое значение — 5. Увеличение ведет к повышенному расходу токенов модели.

2. Квалификация параметров (Function Calling + RAG)

Для эффективного поиска по базе данных через функции (например, get_product_info):

• Необязательный параметр: Если пометить поле как необязательное в функции, бот сможет искать только по части данных.
  • Пример: Клиент спросил «Есть ли трактор?», не указав цену. Бот проигнорирует поле price и найдет все записи по is_available.
• Листовые значения (Possible Values): Маппинг естественного языка на технические значения.
  • Пример: "Да", "конечно", "имеется" -> true. "Нет", "отсутствует" -> false.

3. Источники знаний

1. Текстовые документы: PDF, Docx. Индексируются целиком.
2. Таблицы (CSV/Интерфейс): Позволяют боту выполнять структурированные запросы.
3. Справочники: Быстрые сопоставления (ключ-значение).
4. Web Search: Использование Open Search для поиска актуальной информации в интернете (требует настройки).

4. Оптимизация токенов в KB

• Выбор возвращаемых полей: В настройках функции поиска выбирайте только те поля, которые действительно нужны клиенту (например, описание и цена), исключая технические ID. Это существенно экономит бюджет BotCoin.