Как создать ИИ-ассистента

В предыдущей статье мы рассматривали типы ИИ-ассистентов, их влияние на нашу жизнь и возможности, которые они открывают. В этой статье перейдем к практике — созданию собственных ИИ-помощников для решения задач.

Теория

Чтобы ИИ-помощник мог верно отвечать на вопросы, ему нужны данные. Фундаментальные языковые модели (GPT, Gemini Flash, Grok) получают их из открытых источников в интернете. Когда вы задаете вопрос таким LLM, ответ строится на основе данных, на которых они обучались.

Но возникает вопрос: как научить ИИ-помощника использовать приватные данные (например, историю болезни, корпоративные секреты или банковские выписки), которые не публиковались в интернете?

cloud

Путь 1: все в промпт

Можно просто скопировать и вставить нужные данные прямо в промпт — это запрос, который мы отправляем языковой модели. Таким образом, модель будет использовать предоставленную информацию в своем ответе.

Однако у этого метода есть несколько минусов. Во-первых, это неудобно, если данные постоянно меняются или их много — придется каждый раз вставлять их вручную. Во-вторых, у языковых моделей есть контекстное окно — лимит на объем данных, которые модель может обработать за один раз. Если данных слишком много, они просто не поместятся в контекст.

Путь 2: дообучение модели

Можно взять готовую модель с открытым исходным кодом и дообучить ее на своих приватных данных. Этот подход хорош, когда нужно адаптировать модель под какие-то очень узкие, специфические задачи.

Но есть несколько моментов, которые стоит учитывать. Во-первых, если данных для обучения мало или они однообразны, модель может переобучиться. Это значит, что она будет хорошо работать на ваших данных, но плохо — на любых других.

Во-вторых, это довольно дорого: для обучения нужны GPU, поэтому без хорошего железа не обойтись.

Ну и в-третьих, это не сработает, если ваши данные постоянно меняются. При каждом изменении придется заново тренировать модель, а это долго и затратно.

Путь 3: обогащение контекста

Когда вы отправляете запрос в языковую модель, можно автоматически добавлять в него необходимую информацию из базы знаний, чтобы она отвечала точнее. Этот процесс называется обогащением контекста.

Самый известный и популярный метод — RAG - Retrieval Augmented Generation. Как правило, в тандеме с этим методом используются векторные базы данных, чтобы поиск по данным был быстрым и релевантным.

Есть еще относительно новые подходы:

• Model Context Protocol (MCP). MCP дает LLM доступ к инструментам (tools) и ресурсам (resources). Это позволяет создавать ИИ-агентов, которые не только могут искать данные в ресурсах, но и выполнять действия используя инструменты.
• CAG - Cache Augmented Generation. Данные загружаются в быстрый key-value-кэш, который находится в самой модели. Такой подход не требует наличия дополнительной базы данных и пайплайна для загрузки данных, как в RAG.

Большинство ИИ-ассистентов используют RAG, но для узкоспециализированных помощников часто используют метод дообучения модели.

Создание своего помощника

Для создания своего помощника мы будем использовать новый сервис Timeweb Cloud — AI-агенты. Цель — создать помощника, который сможет ответить на вопросы о выдуманной семье Ивановых. С помощью ИИ мы сгенерировали CSV-файл с выдуманными именами, датами рождения и степенью родства. Вот часть файла для примера:

Создание агента в Timeweb Cloud

Зайдите на страницу AI-агентов в личном кабинете:

Нажмите кнопку «Создать». На экране создания вы можете настроить своего агента.

1. Выбор языковой модели. Доступны модели с разным балансом скорости и интеллекта: от легкой и быстрой GPT 5 mini до способной к сложным рассуждениям Gemini 2.5 Pro. Стоимость использования зависит от выбранной модели. Для наших тестовых задач с запасом хватит возможностей одной из самых экономичных моделей — DeepSeek V3.
2. Тарифный план. Стоимость работы с моделью тарифицируется в токенах — единицах измерения объема текста. Оплачиваются как токены, переданные модели (входные данные), так и токены в ее ответе. Мы выбрали стартовый тарифный план объемом 500 тыс. токенов, которого достаточно для тестирования.
3. Промпт. Здесь можно задать роль агенту, чтобы получать ответы в нужном контексте (например, «действуй как финансовый эксперт»). Интерфейс предлагает готовые шаблоны и руководство по составлению промптов. Для наших целей достаточно стандартных ответов модели, без дополнительных инструкций.
4. База знаний. Это опциональный источник данных, который агент использует для генерации ответов. Сюда можно загрузить приватную информацию для работы с закрытыми данными.
   Пока пропустим этот пункт. Позднее мы создадим базу знаний и привяжем ее к агенту.

Агент создается моментально и готов к работе. Во вкладке «Плейграунд» можно сразу задавать вопросы агенту без создания чата или приложения. Попробуем спросить что-то про нашу вымышленную семью Ивановых:

Ожидаемо, наш ассистент ничего про эту семью не знает.

Добавление базы знаний

Добавим CSV-файл с информацией в базу знаний. Для этого в меню «AI-агенты»  выбираем вкладку «База знаний».

Для Базы знаний создается отдельная облачная база знаний OpenSearch для хранения векторных данных. Она тарифицируется отдельно.

В источниках данных мы добавили наш файл с данными о выдуманной семье — imaginary-family.csv:

После создания инстанса базы данных можно добавить базу знаний в нашем агенте. Для этого в настройках агента нужно выбрать вкладку «Управление» и в разделе «Ресурсы» выбрать доступную базу знаний.

Попробуем теперь задать тот же самый вопрос: 

Агент с помощью RAG нашел нужную информацию в базе данных, добавил в контекст, и языковая модель сгенерировала ответ.

Интеграция для разработчиков

Timeweb Cloud позволяет с легкостью использовать агентов в вашем приложении или сервисе. Во вкладке «Доступ» вы найдете два инструмента для интеграции агента в свои приложения:

• Javascript-сниппет, который позволяет встроить чат-бот прямо на сайт.
• API, с помощью которого можно отправлять запросы и получать ответы от агента. Ссылку на документацию API можно найти на этой же вкладке.

Я написал простой скрипт на python (test_agent.py), который позволяет отправить запрос к AI-агенту из консоли:

python test_agent.py --agent_access_id 42ec2c5a-15e0-4416-93a9-69cca7bea496 "Кто жена Петра Иванова и когда она родилась?"

Пример ответа:

Response from AI Agent:
{
  "message": "Жена Петра Иванова — **Елена Сергеевна Иванова**. Она родилась **5 февраля 1972 года**.\n\nЭта информация находится в Record 4 предоставленных данных.",
  "id": "c6a2e853-518f-432a-9d74-89bf91b57935",
  "finish_reason": "stop",
  "response_id": "10645836-011d-4580-84c2-eeeaa7a09732"
}

Заключение

Мы рассмотрели, как с помощью сервисов, подобных Timeweb Cloud, можно быстро и эффективно создавать ИИ-агентов. Важность RAG и других методов обогащения контекста становится очевидной, когда нужно работать с приватными данными. Начните с простого — загрузите свой первый файл и убедитесь сами, насколько простым, но полезным может быть персонализированный ИИ-помощник.