Дневник AI First трансформации. День 2: База знаний и выбор платформы для агентов

В прошлый раз мы провели аудит и составили план из 7 шагов. Первым делом решили навести порядок в номенклатуре и сделать 1С источником правды по товарам и ценам. Но по ходу подготовки материалов для каталога я понял важную вещь: параллельно нужно собирать базу знаний.

Почему база знаний — это фундамент

Вся будущая автоматизация упирается в одно: агентам негде брать актуальную информацию. Описания продуктов, регламенты, документация вендоров — всё это лежит в разных местах в виде PDF и DOC. А AI-агенты, которые будут консультировать покупателей и помогать сотрудникам компании, работают с чистыми текстовыми данными.

Векторные базы, в принципе, «едят» любые форматы. Но если конвертировать документы в текстовый формат Markdown, данные становятся чище: уходит мусор из разметки PDF, сохраняется структура заголовков, проще контролировать качество. Для будущих агентов это критично.

Пришлось собрать свой конвертер

Готового решения под нашу задачу не нашлось, поэтому сделали собственный конвертер из PDF и DOC в MD-файлы. Заодно выстроили пайплайн обработки документов:

1. Incoming — складываю исходный документ (PDF, DOC) в папку входящих.
2. Конвертер — запускаю обработку, он конвертирует документ в Markdown и кладёт результат в папку review.
3. Review — я проверяю конвертированный документ на ошибки.
4. Index — если всё в порядке, переношу файл в папку индексации.
5. Qdrant — запускаю программу загрузки в векторную базу (использую Qdrant).

Важный нюанс: не нужно запускать обработку на каждый документ отдельно. Достаточно складировать документы в папку incoming и раз в неделю запускать конвертер и загрузку в Qdrant. Один прогон — и база знаний обновилась.

Теперь главный вопрос: на какой платформе запускать агентов

Пока у нас три агента (по трансформации, SEO и контент-менеджер), и все они запускаются в консоли. Это удобно, но надо определиться: что подходит для текущего этапа, а что понадобится, когда агентов станет много и с ними начнут работать другие сотрудники.

Уровень 1. Консольные агенты (OpenCode, Claude Code и аналоги)

Агенты в терминале — это когда вы ставите программу в консоль, описываете задачу текстом, и она её выполняет.

• OpenCode — открытый, распространяется бесплатно (MIT-лицензия), работает с 75+ провайдерами моделей. Ставится через git, легко настраивается.
• Claude Code — агент от Anthropic, подписка $20–100/мес. Глубокое рассуждение, хорошо справляется со сложными задачами.
• Также есть OpenAI Codex, Gemini CLI и другие.

Плюсы: быстро запускается, дёшево, полный контроль. Минусы: нет веб-интерфейса, нет разграничения прав, сложно дать доступ коллегам.

Вывод: консольные агенты идеальны для простых личных задач и для ИП, где всё делает один человек. На этом уровне мы сейчас и находимся.

Уровень 2. Платформы оркестрации (n8n и аналоги)

Когда задач и агентов становится много, нужна платформа с визуальным интерфейсом.

• n8n — пожалуй, самая популярная сейчас. Визуальный конструктор, где агенты собираются из узлов как из кубиков. Можно развернуть на своём сервере (self-hosted), подключить 500+ интеграций, строить RAG-сценарии, поддерживает MCP и контроль действий человеком (human-in-the-loop). Компания привлекла $180 млн, оценка $2,5 млрд — проект активно развивается.

Плюсы: подходит для команд, есть роли и права доступа, всё прозрачно. Минусы: нужно обслуживать сам сервер, порог входа выше.

Вывод: n8n — хороший шаг для профессионального подхода, когда с агентами работают несколько пользователей.

Уровень 3. Встроенные AI в CRM (Битрикс24)

А для нас особенно интересен вариант, который уже есть в нашей CRM — Битрикс24.

• BitrixGPT — встроенный AI-ассистент: расшифровывает звонки, заполняет CRM, помогает в задачах и чатах.
• AI-агенты — готовые цифровые помощники: агент для поиска по базе знаний (отвечает на основе загруженных документов), для обучения и тестирования, для управления проектами. Есть ассистент Марта, конструктор агентов и самообучающийся агент Hermes.
• Бот-платформа — создание чат-ботов для Битрикс24 с помощью AI.
• MCP — подключение внешних систем прямо из чата с AI.

Плюсы: всё в одном месте, интеграция с CRM и задачами из коробки, доступно на тарифах «Профессиональный» и «Энтерпрайз». Минусы: привязка к экосистеме Битрикс24.

Вывод: для нас это, скорее всего, конечная точка на этом этапе — агенты, которые работают с клиентами и сотрудниками, удобнее держать внутри CRM.

Что ещё есть на рынке

Посмотрел и другие решения — и российские, и зарубежные.

Зарубежный рынок

• n8n — рассмотрен выше, визуальная оркестрация и RAG.
• Claude Code, OpenAI Codex, Gemini CLI — консольные агенты.
• CrewAI, LangChain, OpenAI Agents — фреймворки для разработчиков, когда агентов нужно встраивать в собственные приложения.
• Microsoft Copilot Studio, Google Vertex AI Agent Builder — корпоративные платформы, но с ограничениями для российских клиентов.

Российский рынок

• Битрикс24 — российская платформа, данные хранятся в РФ, активно развивает AI-агентов и MCP.
• GigaChat API (Сбер) — генеративные языковые модели для встраивания в продукты. Полностью российское решение, данные на серверах в РФ. Есть GigaChain SDK, бесплатные токены для тестирования.
• YandexGPT / Яндекс Foundation Models — модели Яндекса для интеграции в бизнес-приложения.
• IT Solutions и другие — появляется всё больше отечественных вендоров, которые подключаются к платформам вроде Битрикс24.

Что это значит для нас

Из аудита у нас уже был пункт «организовать ведение базы знаний — пока локально на markdown-файлах». Теперь он превратился в понятный процесс: документы → конвертер → ревью → индексация в Qdrant → консультирование агентами.

По платформе двигаемся поэтапно:

1. Сейчас — консольные агенты (OpenCode и подобные) для внутренних задач.
2. Дальше — база знаний в Qdrant, подключаем к ней агентов.
3. Когда понадобится обслуживать клиентов и сотрудников — переходим на Битрикс24 AI-агентов, потому что они уже работают с нашей CRM и 1С.

Бонус: разрабатываем собственную платформу AgentHub

На рынке пока нет решения, которое закрывало бы все наши потребности, поэтому параллельно разрабатываем собственный инструмент — AgentHub. Это meta-framework для создания и управления командами AI-агентов.

Ключевая метафора: вы — генеральный директор, который нанимает, обучает и развивает команду AI-сотрудников. Платформа позволяет создавать команды из агентов с готовыми ролями (директор, маркетолог, финансист и т.д.) и управлять ими через единый интерфейс.

Стек: FastAPI (backend), React (frontend), PostgreSQL, Qdrant (векторное хранилище), Redis, LLM Gateway с интеграцией OpenAI и Anthropic. В планах — RAG по базе знаний, MCP-интеграция, канбан для задач и аналитика.

Двигаемся по этапам:

1. MVP — шаблоны команд, роли с системными промптами, чат, LLM Gateway, JWT-аутентификация.
2. Core — управление задачами, база знаний + RAG, MCP, аналитика.
3. Advanced — Goals & OKR, конструктор шаблонов, плагины.

Это отдельный большой проект, о нём расскажу подробнее в следующих выпусках.

Итоги

1. Собрали конвертер PDF/DOC → Markdown и пайплайн: incoming → review → index → Qdrant.
2. Обработка документов раз в неделю пачкой — не погоня за каждым файлом.
3. Определились с уровнями запуска агентов: консоль → n8n → Битрикс24.
4. Для клиентских сценариев нацелились на Битрикс24 — он уже есть у нас в стеке.

Далее займёмся порядком в номенклатуре и настройкой выгрузки товаров и цен с 1С на сайт и в Битрикс24. Погнали.

Чтобы не пропускать новые статьи, подписывайтесь на Telegram-канал: https://t.me/it_po_pravde