Как сделать ИИ-чат, который понимает ваш продукт

Вы подключили GPT-бота к сайту, он отвечает вежливо и грамотно — но клиенты всё равно недовольны. «Это какой-то общий ИИ, он ничего не знает про ваш продукт!» — типичная жалоба. И она справедлива. Языковая модель из коробки — это эрудированный собеседник, который слышит о вашей компании впервые. Чтобы бот стал экспертом по вашему продукту, его нужно этому научить.

Когда я впервые столкнулся с этой проблемой, мы потратили кучу времени на попытки «объяснить» ChatGPT специфику продукта прямо в диалоге. Это работало плохо: модель забывала контекст, путала детали, иногда уверенно выдавала неправильную информацию. Клиенты раздражались, менеджеры разгребали последствия, а мы думали — может, технология просто не готова?

Оказалось, дело не в технологии, а в подходе. GPT-модели — мощный инструмент, но их нельзя просто «включить и забыть». Они требуют настройки: правильной базы знаний, продуманных промптов, постоянного обучения на реальных диалогах. Когда мы это поняли и перестроили процесс — ситуация развернулась на 180 градусов. Бот стал отвечать так, как ответил бы опытный менеджер. Иногда даже лучше — потому что не уставал и не забывал детали.

В этой статье я расскажу, как мы добились этого эффекта и как вы можете повторить это для своего бизнеса. Без технического жаргона, на конкретных примерах.

Почему GPT-бот «из коробки» не работает

Давайте начнём с понимания проблемы. GPT-4, Claude, Mistral и другие языковые модели обучены на огромных объёмах текста из интернета. Они знают про историю, науку, программирование, кулинарию — про всё понемногу. Но они не знают конкретно про ваш продукт.

Когда клиент спрашивает «Какой тариф мне подойдёт?», GPT-модель может дать общий совет про выбор тарифов в принципе. Но она не знает, что у вас тариф «Базовый» ограничен 10 пользователями, а «Бизнес» включает интеграцию с 1С. Она не знает, что для интернет-магазинов лучше подходит один пакет, а для B2B-продаж — другой. Она не знает ваших цен, условий, особенностей.

Ещё хуже — модель может начать «выдумывать». Это называется галлюцинация: ИИ уверенно отвечает на вопрос, используя несуществующую информацию. «Да, конечно, у нас есть бесплатный пробный период 30 дней» — говорит бот, хотя у вас такого нет. Клиент радуется, оформляет заказ, а потом выясняется правда. Скандал, возврат, испорченная репутация.

Подробнее о том, как бороться с галлюцинациями, я писал в статье «Как заставить LLM отвечать только по фактам». А сейчас давайте разберёмся, как дать боту правильные знания.

Три кита обучения бота: база знаний, промпт, обратная связь

Чтобы бот понимал ваш продукт, нужны три вещи. Первая — база знаний: структурированная информация о вашем бизнесе, которую бот использует для ответов. Вторая — системный промпт: инструкции, которые определяют, как бот себя ведёт и как использует знания. Третья — обратная связь: постоянное улучшение на основе реальных диалогов.

Уберите любой элемент — и всё посыплется. База знаний без хорошего промпта — это справочник, который бот цитирует механически. Промпт без базы знаний — это болтливый ассистент, который не знает фактов. А без обратной связи система быстро устареет и начнёт давать неактуальные ответы.

Давайте разберём каждый элемент подробно.

База знаний: что туда положить и как структурировать

База знаний — это вся информация о вашем продукте, которую бот должен использовать при ответах. Технически это реализуется через RAG (Retrieval-Augmented Generation): когда клиент задаёт вопрос, система сначала ищет релевантные фрагменты в базе, а потом передаёт их языковой модели вместе с вопросом. Модель формирует ответ на основе этих фактов, а не своих «общих знаний».

Звучит просто, но дьявол в деталях. Что именно класть в базу? Как структурировать? Сколько информации — достаточно?

Что должно быть в базе знаний

Описание продуктов и услуг. Подробное, с характеристиками, преимуществами, ограничениями. Не маркетинговый буклет, а честное описание того, что клиент получает. Если у вас 50 продуктов — все 50 должны быть описаны.

Тарифы и цены. Полная таблица с условиями: что входит, что не входит, какие лимиты, какие опции. Если цены зависят от объёма или срока — все варианты. Если есть скидки — условия их получения.

Частые вопросы (FAQ). Возьмите реальные вопросы от клиентов — из поддержки, из чатов, из записей звонков. Не те вопросы, которые вы придумали сами, а те, которые люди реально задают. И добавьте правильные ответы.

Инструкции и гайды. Как начать работу, как настроить интеграцию, как решить типовые проблемы. Всё, что есть в вашей документации — должно быть доступно боту.

Условия работы. Доставка, оплата, возврат, гарантия, сроки. Все юридические и организационные моменты, которые волнуют клиентов.

Информация о компании. История, контакты, география работы, партнёры, сертификаты. Это нужно реже, но когда нужно — должно быть под рукой.

Как структурировать информацию

Не сваливайте всё в один документ. Разбейте на логические блоки, каждый блок — отдельный файл или раздел. Это важно для качества поиска: когда клиент спрашивает про доставку, система должна найти именно раздел про доставку, а не вываливать весь каталог продуктов.

Хорошая практика — одна тема = один документ. «Тариф Базовый», «Тариф Бизнес», «Условия доставки», «Политика возврата», «Интеграция с 1С» — это всё отдельные документы. Небольшие, фокусированные, легко обновляемые.

Используйте понятную структуру внутри документов: заголовки, подзаголовки, списки. Это помогает и поиску, и генерации ответов. Модель лучше понимает структурированный текст.

Избегайте дублирования. Если информация о ценах есть в разделе «Тарифы» — не повторяйте её в разделе «FAQ». Дубликаты создают риск рассинхрона и путаницы.

Сколько информации — достаточно

Больше — не всегда лучше. Избыточная база знаний создаёт проблемы: поиск становится менее точным, увеличиваются расходы на токены, растёт время ответа.

Начните с минимального набора: продукты, цены, топ-20 вопросов из FAQ. Запустите бота, посмотрите, на какие вопросы он не может ответить. Добавьте эту информацию. Повторяйте цикл.

Идеальная база знаний — это не «всё, что мы знаем», а «всё, что нужно для ответов на реальные вопросы клиентов». Разница принципиальная.

Системный промпт: инструкция для бота

База знаний — это «что» бот знает. Промпт — это «как» он себя ведёт. Это текстовая инструкция, которая задаёт личность бота, стиль общения, правила поведения.

Плохой промпт: «Ты — ассистент компании X. Помогай клиентам». Это слишком общо. Бот не понимает, как именно помогать, в каком стиле, какие есть ограничения.

Хороший промпт — это детальная инструкция, которая покрывает ключевые аспекты.

Элементы эффективного промпта

Роль и контекст. Кто такой бот, какую компанию представляет, какова его задача. «Ты — консультант компании CrmAI, специализирующейся на внедрении CRM-систем и чат-ботов для бизнеса. Твоя задача — помогать посетителям сайта разобраться в наших продуктах и услугах».

Тон и стиль. Как бот общается: формально или дружелюбно? Использует ли юмор? Как обращается к клиенту — на «вы» или на «ты»? «Общайся профессионально, но не сухо. Используй простой язык, избегай технического жаргона. Обращайся к клиенту на "вы"».

Правила использования базы знаний. Как бот должен работать с информацией. «Отвечай только на основе предоставленной базы знаний. Если информации нет — честно скажи, что не знаешь, и предложи связаться с менеджером. Никогда не выдумывай факты».

Ограничения. Чего бот не должен делать. «Не обсуждай конкурентов. Не давай юридических консультаций. Не обещай скидки без согласования. Не раскрывай внутреннюю информацию о компании».

Целевые действия. К чему бот должен вести диалог. «В конце полезного диалога предложи клиенту записаться на демонстрацию или получить персональный расчёт. Но делай это мягко, не навязывай».

Обработка сложных случаев. Что делать, когда бот не справляется. «Если вопрос слишком сложный или клиент просит поговорить с человеком — немедленно предложи соединение с менеджером. Не пытайся решать проблемы, выходящие за рамки твоей компетенции».

Примеры хороших и плохих формулировок

Плохо: «Будь полезным» — слишком размыто.

Хорошо: «Отвечай на вопросы кратко и по существу. Если вопрос требует развёрнутого ответа — структурируй его пунктами».

Плохо: «Не ври» — модель не воспринимает это как ограничение.

Хорошо: «Используй только информацию из базы знаний. Если информации нет, скажи: "Я не нашёл точного ответа на этот вопрос. Давайте я соединю вас с консультантом"».

Плохо: «Продавай» — слишком агрессивно.

Хорошо: «Если клиент задал несколько вопросов и получил ответы, спроси: "Хотите, я расскажу, как мы можем помочь с вашей задачей?" или предложи демонстрацию продукта».

Подробнее о проектировании диалогов бота — в статье «Conversation design для B2B».

Обратная связь: как бот учится на реальных диалогах

База знаний и промпт — это стартовая точка. Но настоящее качество достигается через итерации. Вы запускаете бота, смотрите на реальные диалоги, находите проблемы, исправляете — и так по кругу.

Что анализировать

Неотвеченные вопросы. Ситуации, когда бот не смог помочь. Это сигнал, что в базе знаний не хватает информации или промпт не покрывает этот сценарий.

Неправильные ответы. Когда бот ответил, но неточно или неверно. Это может быть проблема базы знаний (устаревшая или неполная информация) или промпта (бот не понял, как использовать знания).

Негативные реакции. Если клиент пишет «Это не то, что я спрашивал» или просит оператора после ответа бота — значит, что-то пошло не так.

Частые вопросы, которых нет в FAQ. Если один и тот же вопрос задают многократно — добавьте его в базу знаний с хорошим ответом.

Успешные диалоги. Тоже важно анализировать. Что сработало? Какие формулировки понравились клиентам? Можно ли тиражировать этот подход?

Как организовать процесс

Выделите время на регулярный анализ. Минимум — раз в неделю просматривать выборку диалогов. Это может делать один человек: маркетолог, менеджер по качеству, владелец продукта.

Создайте простой процесс обновления. Нашли проблему — записали в бэклог. Обновили базу знаний — протестировали. Изменили промпт — проверили на примерах.

Используйте метрики для приоритизации. Если 30% неудачных диалогов связаны с вопросами о ценах — это приоритет номер один. Не распыляйтесь на мелочи, фокусируйтесь на том, что даёт максимальный эффект.

О метриках качества чат-бота подробнее — в статье «Метрики качества чат-бота».

Практический пример: обучаем бота для CRM-компании

Давайте разберём конкретный пример. Представим, что мы настраиваем бота для компании, которая продаёт CRM-систему для малого бизнеса.

Шаг 1: Собираем базу знаний

Начинаем с анализа: какие вопросы задают клиенты чаще всего? Смотрим логи поддержки за последние 3 месяца, выписываем топ-20 вопросов:

1. Сколько стоит CRM?
2. Есть ли интеграция с 1С?
3. Можно ли попробовать бесплатно?
4. Чем отличаетесь от Битрикс24?
5. Сколько пользователей можно подключить?
..и так далее.

Для каждого вопроса пишем чёткий ответ. Не отговорку «зависит от ситуации», а конкретный ответ с цифрами и фактами.

Добавляем описания продукта: три тарифа, их особенности, лимиты, цены. Добавляем условия: пробный период 14 дней, оплата помесячная или годовая со скидкой, техподдержка включена во все тарифы.

Структурируем: «Тариф Старт.txt», «Тариф Бизнес.txt», «Тариф Корпорат.txt», «Интеграции.txt», «Пробный период.txt», «FAQ.txt».

Шаг 2: Пишем промпт

«Ты — консультант CRM-системы "НашаCRM". Помогаешь посетителям сайта разобраться в продукте и выбрать подходящий тариф.

Стиль общения: дружелюбный, но профессиональный. Обращайся на "вы". Не используй сложные технические термины — объясняй простым языком.

Правила:

— Отвечай только на основе предоставленной базы знаний.

— Если вопрос про цены — называй точные цифры из базы.

— Если вопрос про интеграции — сначала уточни, какая система интересует.

— Если клиент спрашивает про конкурентов — не критикуй их, сосредоточься на преимуществах нашего продукта.

— Если не знаешь ответ — честно скажи и предложи связь с менеджером.

Цели:

— Помочь клиенту понять, подходит ли ему наш продукт.

— Если клиент заинтересован — предложить пробный период или демонстрацию.

— Квалифицировать: собрать информацию о компании клиента (размер, отрасль, задачи)».

Шаг 3: Тестируем и улучшаем

Запускаем бота на тестовой странице. Задаём вопросы сами, просим коллег потестировать. Смотрим, что работает, что нет.

Проблема: на вопрос «Сколько стоит?» бот отвечает слишком длинно, перечисляя все тарифы. Клиент теряется.

Решение: добавляем в промпт: «На вопрос о ценах сначала уточни, какой примерный размер команды и какие задачи. Потом рекомендуй конкретный тариф с ценой, а не перечисляй все варианты».

Проблема: бот не знает про акцию «Скидка 20% при годовой оплате» — она запустилась после создания базы.

Решение: добавляем информацию в базу знаний, обновляем документ с ценами.

И так — итерация за итерацией, пока бот не начинает отвечать так, как нужно.

Технические моменты: RAG, embeddings, чанки

Я обещал без технического жаргона, но кое-что всё же стоит объяснить — чтобы вы понимали, как это работает под капотом и могли общаться с разработчиками на одном языке.

RAG (Retrieval-Augmented Generation) — это подход, при котором языковая модель не полагается только на свои «врождённые» знания, а получает актуальную информацию из внешней базы. Клиент задаёт вопрос → система ищет релевантные фрагменты в базе → модель генерирует ответ на основе этих фрагментов. Это решает проблему устаревших и неточных знаний.

Embeddings (векторные представления) — это способ представить текст в виде числового вектора, чтобы можно было искать похожие фрагменты. «Сколько стоит CRM?» и «Какие цены?» — разные слова, но близкий смысл. Embeddings позволяют находить семантически близкие документы, а не только точные совпадения слов.

Чанки (chunks) — это кусочки текста, на которые разбивается база знаний. Нельзя передать модели весь документ на 100 страниц — это дорого и неэффективно. Поэтому документы разбиваются на небольшие фрагменты (обычно 500-1000 символов), и поиск возвращает только релевантные чанки.

Размер чанка — важный параметр. Слишком маленькие — теряется контекст. Слишком большие — снижается точность поиска. Обычно нужно экспериментировать.

Если вам интересны технические детали RAG — рекомендую статью «Бот по PDF: RAG на практике».

Частые ошибки при обучении бота

Расскажу о граблях, на которые наступают почти все — чтобы вы могли их обойти.

Ошибка: копипаста маркетинговых материалов

«Возьмём тексты с сайта и загрузим в базу знаний». Звучит логично, но работает плохо. Маркетинговые тексты написаны для рекламы, а не для ответов на вопросы. Они полны общих слов («инновационное решение», «гибкая система») и не содержат конкретики.

Решение: переписывайте материалы в формате вопрос-ответ. Не «Наша CRM обеспечивает повышение эффективности продаж», а «CRM помогает менеджерам быстрее обрабатывать заявки за счёт автоматического распределения и напоминаний. В среднем это экономит 2-3 часа в день на рутине».

Ошибка: устаревшая информация

База знаний создана при запуске и не обновляется. Через полгода половина информации неактуальна: изменились цены, появились новые функции, закрылись старые тарифы. Бот уверенно рассказывает про то, чего уже нет.

Решение: встройте обновление базы знаний в рабочие процессы. Изменились цены — обновляем базу в тот же день. Вышла новая функция — добавляем описание. Назначьте ответственного.

Ошибка: слишком сложный промпт

Пытаясь предусмотреть все случаи, люди пишут промпты на 5 страниц. Модель путается, инструкции противоречат друг другу, результат непредсказуем.

Решение: начните с простого промпта. Добавляйте правила по мере столкновения с проблемами. Лучше 10 чётких правил, чем 50 размытых.

Ошибка: нет обработки «не знаю»

Бот не умеет признавать незнание. На вопрос, которого нет в базе, он начинает фантазировать или даёт бессмысленный общий ответ.

Решение: явно пропишите в промпте, что делать, когда ответа нет. «Если вопрос выходит за рамки твоих знаний, скажи: "Интересный вопрос. Чтобы дать точный ответ, мне нужно уточнить у коллег. Давайте я соединю вас с менеджером — он сможет помочь прямо сейчас"».

Ошибка: игнорирование контекста диалога

Бот отвечает на каждый вопрос отдельно, не учитывая предыдущие сообщения. Клиент спрашивает про тариф «Бизнес», потом уточняет «А сколько пользователей можно добавить?» — и бот не понимает, что речь всё ещё про «Бизнес».

Решение: используйте системы, которые передают историю диалога в контекст. Большинство современных платформ это умеют. Проверьте, что это работает.

Сколько времени нужно на настройку

Честный ответ: зависит от сложности продукта и объёма информации. Но вот ориентиры.

Минимальный MVP: 1-2 дня. Если у вас уже есть FAQ и описания продуктов — их можно загрузить в базу знаний, написать базовый промпт и запустить. Будет работать на 60-70% — основные вопросы бот закроет.

Качественная первая версия: 1-2 недели. Переработка материалов под формат вопрос-ответ, тестирование, несколько итераций промпта. Результат — бот, который справляется с 80-90% типовых вопросов.

Полноценное решение: 1-2 месяца. Глубокая проработка всех сценариев, интеграция с CRM, настройка эскалации на операторов, аналитика, несколько циклов улучшений на реальных диалогах.

И потом — постоянная поддержка. Бот не «настраивается один раз и работает вечно». Это живой продукт, который требует внимания.

Подробнее о процессе внедрения — в статье «Как внедрить чат-бота в бизнес: пошаговый план».

Что делать, если не хватает ресурсов

«Всё это здорово, но у меня нет времени/людей/экспертизы для такой работы». Понимаю. Есть несколько вариантов.

Начать с малого. Не пытайтесь охватить всё сразу. Выберите один сценарий — например, ответы на вопросы о ценах. Настройте его хорошо. Потом добавите следующий.

Использовать готовые платформы. Многие SaaS-решения для чат-ботов имеют встроенные инструменты для работы с базой знаний. Вы загружаете документы, система сама делает RAG. Это проще, чем строить с нуля.

Привлечь подрядчика. Компании вроде нашей специализируются на внедрении чат-ботов. Мы берём на себя техническую часть, обучение, интеграции — вы получаете готовый работающий продукт. Если хотите обсудить — пишите, разберём вашу ситуацию.

Как проверить, что бот работает правильно

Прежде чем выпускать бота на реальных клиентов, протестируйте его. Вот чек-лист.

Ответы на типовые вопросы. Возьмите топ-20 вопросов от клиентов, задайте их боту. Ответы должны быть точными, полными, понятными.

Работа с вариациями. Один и тот же вопрос можно задать по-разному. «Сколько стоит?», «Какие цены?», «Прайс покажите» — бот должен понимать все варианты.

Обработка неизвестного. Задайте вопрос, которого точно нет в базе. Бот должен честно признать незнание и предложить альтернативу, а не выдумывать.

Контекст диалога. Проведите многошаговый диалог, проверьте, что бот помнит предыдущие сообщения.

Граничные случаи. Попробуйте сломать бота: задайте абсурдный вопрос, напишите на другом языке, отправьте эмодзи. Бот должен реагировать адекватно.

Целевые действия. Проверьте, что бот ведёт к цели: предлагает демо, собирает контакты, отвечает на возражения.

Резюме: что запомнить

GPT-бот «из коробки» не знает ваш продукт — его нужно научить. Для этого нужны три вещи: база знаний с актуальной информацией, промпт с правилами поведения, регулярная работа с обратной связью.

База знаний должна содержать конкретные ответы на реальные вопросы клиентов, а не маркетинговые тексты. Структурируйте информацию: одна тема — один документ.

Промпт определяет личность бота: как он общается, что делает в сложных ситуациях, к чему ведёт диалог. Начните с простого, усложняйте по мере необходимости.

Обратная связь — ключ к качеству. Регулярно анализируйте диалоги, находите проблемы, исправляйте. Бот — это живой продукт, а не статичная страница.

Если всё сделать правильно — бот будет отвечать как опытный сотрудник, который знает продукт вдоль и поперёк. Это реально, это работает, это приносит результаты.

Если хотите обсудить настройку бота для вашего бизнеса — обращайтесь. Поможем разобраться, что нужно именно вам.

Связанные материалы

• Чем GPT-бот отличается от обычного чат-бота
• Как заставить LLM отвечать только по фактам
• Бот по PDF: RAG на практике
• Conversation design для B2B
• Метрики качества чат-бота
• Как внедрить чат-бота в бизнес: пошаговый план