База знаний, которая отвечает: строим RAG-помощника на Low-code

Мы тратим огромную часть времени не на проектирование, а на «археологию знаний» — поиск актуальных требований и ответов на вопросы коллег. Попытки внедрить ИИ часто разбиваются о качество данных: нейросети галлюцинируют, не понимая наши таблицы, схемы и специфические форматы ТЗ. 

Как превратить разрозненную документацию в умного помощника, который отвечает на вопросы по бизнес-процессам и интеграциям?

Доклад посвящен технической реализации RAG (Retrieval-Augmented Generation) с использованием современных инструментов. Мы разберем, почему для сложных ТЗ с таблицами критически важен правильный парсинг (LlamaParse), как организовать хранение знаний в векторной базе (Pinecone) и связать всё это в единый процесс без глубокого программирования с помощью n8n. 

Реальный опыт, архитектурные схемы и разбор ошибок при подготовке данных.