Evrone AI Assistant
RAG в приватном контуре: коннекторы к базам знаний, чат, цитирование источников.
RAG-ассистент в приватном контуре: коннекторы к базам знаний (wiki, диски, CRM, тикеты), пайплайн индексации с учётом прав доступа (пользователь видит в ответах только доступные ему документы), чат-интерфейс и встраивание в мессенджеры, цитирование источников, админка (источники, аналитика вопросов, качество ответов), выбор LLM — облачная или локальная модель в контуре заказчика. Поверх ядра — прикладные агенты: парсинг документов в структуру, генерация контента по шаблонам компании.
Что входит в MVP
Два коннектора (wiki + файловое хранилище) + RAG с цитатами + чат + разграничение прав.
Техническое задание
ТЗ: Evrone AI Assistant — корпоративный ИИ-ассистент
Демонстрационная версия документа · категория «AI» · №25
Это демонстрационное техническое задание: оно показывает структуру и глубину документа, который передаётся вместе с прототипом. Боевое ТЗ по этому солюшену готовится и заменит этот файл.
1. Суть решения
RAG в приватном контуре: коннекторы к базам знаний, чат, цитирование источников.
RAG-ассистент в приватном контуре: коннекторы к базам знаний (wiki, диски, CRM, тикеты), пайплайн индексации с учётом прав доступа (пользователь видит в ответах только доступные ему документы), чат-интерфейс и встраивание в мессенджеры, цитирование источников, админка (источники, аналитика вопросов, качество ответов), выбор LLM — облачная или локальная модель в контуре заказчика. Поверх ядра — прикладные агенты: парсинг документов в структуру, генерация контента по шаблонам компании.
2. Технологический стек
| Слой | Решение |
|---|---|
| Backend | Ruby on Rails 8, PostgreSQL |
| Frontend | Hotwire (Turbo + Stimulus), Tailwind CSS |
| Фоновые задачи | Solid Queue |
| Файлы | Active Storage, S3-совместимое хранилище |
| Деплой | Docker, Kamal, production + staging |
3. Роли
- Сотрудник
- Владелец источника данных
- Администратор ассистента
4. Модель данных
4.1. Source
kind: enum # wiki, диск, CRM, тикеты
credentials: encrypted
sync_state: enum
last_synced_at: datetime
4.2. Chunk
source_id: references
content: text
embedding: vector
acl: jsonb # кому виден документ
4.3. Conversation
user_id: references
messages: has_many
citations: jsonb
5. Ключевые сценарии
- Администратор подключает источник, запускается индексация с учётом прав
- Сотрудник задаёт вопрос и получает ответ со ссылками на источники
- В выдачу попадают только документы, доступные этому сотруднику
- Администратор видит аналитику вопросов и оценку качества ответов
6. Интеграции
- Облачная или локальная LLM
- Векторное хранилище
- Коннекторы к базам знаний
- Мессенджеры
7. Нефункциональные требования
- Серверный рендеринг, работоспособность ключевых страниц без JavaScript
- Мобильная адаптивность обязательна
- Роли и права проверяются на уровне сервера, а не интерфейса
- Логирование действий пользователей по значимым операциям
- Покрытие тестами моделей и ключевых сценариев
- Развёртывание одной командой, окружения production и staging
8. Состав MVP
Два коннектора (wiki + файловое хранилище) + RAG с цитатами + чат + разграничение прав.
9. Критерии приёмки
- Все сценарии из раздела 5 проходят end-to-end на тестовом стенде
- Роли из раздела 3 видят только то, что им положено
- Интеграции из раздела 6 работают через слой адаптеров и переключаются конфигурацией
- Прототип разворачивается из репозитория одной командой
- Документация по запуску и переменным окружения лежит в README
Какие вам нужны доработки?
Опишите своими словами, что хотите изменить или добавить к прототипу — интеграции, дизайн, новые механики. AI сопоставит запрос с ТЗ солюшена и сразу покажет вилку часов и стоимости.
Финальную смету подтверждает инженер
Купить Evrone AI Assistant
Оставьте контакты — свяжемся, покажем прототип вживую и договоримся о передаче.