Локальный RAG-ассистент по базе знаний компании — вики, почта, 1С и Битрикс24 через MCP
Саммари
Статья разбирает стек корпоративного ассистента, который работает целиком на своём железе: RAG поверх вики, файлов и почты, оперативные данные из 1С и Битрикс24 — через MCP-инструменты в момент вопроса, локальная модель на vLLM и единый OpenAI-совместимый шлюз. Ключевой тезис автора: качество ответов определяется конвейером данных и аккуратной интеграцией, а не выбором модели — модель меняется раз в полгода, а парсеры, аннотации и инструменты остаются. Это один из немногих материалов с разбором реальных граблей: дубли почтовых цепочек, хрупкий прямой доступ к БД вики, дни и недели полной переиндексации.
Из этого следует, что «ChatGPT по нашим документам» решается не покупкой модели, а инженерией данных: треды вместо сырых писем, аннотации-вопросы вместо голого чанкинга, дата в метаданных вместо доверия модели.
На практике для Revit-инструментов: схема «индекс для статичного, инструменты для изменяемого» прямо переносится — регламенты и ТУ лежат в индексе, а данные модели и спецификации агент запрашивает в момент вопроса через MCP, а не пытается индексировать.
Важный нюанс: один модельный шлюз и инструменты как отдельный MCP-сервер — это то, что окупается сразу: замена модели не разъезжается по сервисам, а один и тот же инструментный сервер подключается разным клиентам.
Ограничение: автор прямо пишет, что публичные бенчмарки embedding-моделей плохо предсказывают результат на своих вопросах, и рекомендует набор из 50–100 реальных вопросов сотрудников с ожидаемыми источниками как обязательный регрессионный чек — без него любая оптимизация гадание.