Это кейс про ИИ-консультанта по подбору оборудования под нормативы — ассистента менеджера в нише доступной среды (тактильные знаки, пандусы, поручни, кнопки вызова). Здесь подбор сложный: под каждую зону объекта нужен свой набор товаров, а каждый товар обязан соответствовать конкретному пункту ГОСТ или СП. Ровно та задача, где обычный чат-бот бесполезен, а связка RAG + нормативная база даёт менеджеру рабочий инструмент.
В чём была проблема
Три разных сценария обращения. Клиент приходит либо с задачей («оснастить входную группу»), либо со спецификацией из проекта («посчитайте по списку»), либо с вопросом («какие поручни нужны к унитазу»). В каждом случае ответ должен быть не «похожий товар», а нормативно верный набор. Осложняет то, что один и тот же знак бывает из разных материалов (ПВХ, полистирол, фотолюминесцентный), а иногда клиенту нужен устаревший знак под старый проект.
Решение: RAG по каталогам и нормативам
Каталоги товаров храним структурировано, каждая позиция — с полями для поиска и с нормативным обоснованием. Пример карточки знака:
{
"id": "PVH-014",
"name": "Туалет для инвалидов",
"group": "Тактильно-визуальные знаки",
"material": "ПВХ",
"zone": "санузел",
"norm": "ГОСТ Р 52131, СП 59.13330.2020"
}Нормативную выжимку (ГОСТ, СП, инструкции по расчёту пандусов и поручней) кладём в базу знаний. На вопрос клиента ассистент достаёт релевантные фрагменты норматива и подходящие товары, а затем собирает ответ: что подобрать и почему. Сценарий «ответ на вопрос» — это чистый RAG, а сценарий «подбор по зоне» связывает норматив (какие помещения обязательно обозначаются) с товаром, который эту задачу закрывает.
Уточняющие вопросы и поиск по фото
Часть подборов невозможна без уточнения: чтобы подобрать поручни к унитазу, нужно знать, стоит он в углу или у стены. Поэтому ассистент ведёт диалог по чек-листу, а не выдаёт ответ вслепую. Отдельно закладывали подбор по изображению: модель описывает знак с фото типовыми полями, а потом сравнивает эти поля с каталогом — так подбор работает даже без точного артикула.
Почему архитектура растёт по товарным группам
Заполнять нормативную базу сразу по всему ассортименту дорого, поэтому база знаний собирается постепенно: одна товарная группа — свой каталог, своя выжимка нормативов, свой алгоритм подбора. Начали с самой простой группы (знаки), где логика прозрачна: есть помещение, которое ГОСТ требует обозначить — значит нужен один конкретный знак. Дальше по этому шаблону подключаются пандусы, поручни, тактильная плитка и остальное.
Похожие задачи по RAG и подбору мы разбираем в статьях про мультиагентные системы для бизнеса и агентов на LangGraph для 1С.
Нужен такой ассистент под ваш ассортимент
Если ваши менеджеры вручную подбирают товар по нормативам или объёмным каталогам — этот подход переносится на любую нишу. Как собирать RAG-ассистента с обоснованием ответа и Structured Output — разбираем на курсе по ChatGPT и нейросетям для 1С.