Агент врёт клиентам не потому, что глупый: база знаний для агента

Голосовой агент выдумывает не из вредности. Он ведёт себя как новый сотрудник в первый день: когда спрашивают о том, чего он не знает, он достраивает ответ по смыслу. Только новичок сомневается вслух, а модель произносит догадку ровным уверенным голосом. База знаний для голосового агента — это единственное, что отделяет точный ответ от правдоподобного.

Прямой ответ на вопрос заголовка: обучение AI-агента — это не тонкая настройка модели, а сбор фактуры на стороне заказчика. Нужно шесть блоков: кто вы и что делаете, чего вы не делаете, география и график, ориентиры по ценам, 15–25 реальных частых вопросов с реальными ответами и правила для нестандартных ситуаций. Собрать это — работа бизнеса, и её нельзя делегировать подрядчику: он не знает, что вы отвечаете клиенту, который просит доставку в область в воскресенье.

Что положить в базу знаний для голосового агента: шесть блоков

Это минимальный комплект. Без любого из блоков агент начнёт импровизировать именно там, где его не подстраховали.

1. Кто вы и что делаете. Одно-два предложения, которыми вы сами объясняете бизнес незнакомому человеку по телефону, — без слоганов.
2. Чего вы не делаете. Услуги, товары, объёмы и категории клиентов, которые вы не берёте, — с формулировкой отказа.
3. География и график. Где работаете, куда не выезжаете, часы приёма, выходные, как отвечать за пределами графика.
4. Ориентиры по ценам. Вилки, от чего зависит стоимость и что агент вправе называть вслух, а что — только «рассчитает менеджер».
5. 15–25 реальных частых вопросов. Берутся из записей звонков и переписок, а не придумываются на планёрке; ответ пишется так, как его произносят.
6. Правила для нестандартных ситуаций. Что делать при жалобе, требовании скидки, агрессии, запросе, которого нет в базе, — и в какой момент передавать человека.

Шестой блок пропускают чаще остальных, хотя он самый дешёвый в подготовке. Правило простое: у агента должен быть явный выход из разговора, а не обязанность отвечать любой ценой.

Почему список «чего мы не делаем» экономит больше, чем список услуг

Список услуг ограничивает агента слабо: он описывает пространство, внутри которого можно говорить. Список запретов описывает границу, за которой говорить нельзя, — а вредят бизнесу именно ответы за границей.

Что происходит без такого списка. Клиент спрашивает про услугу, которой у вас нет, но которая логично примыкает к вашим. Модель видит соседний по смыслу текст и собирает из него правдоподобный ответ. Дальше — либо менеджер объясняется с человеком, которому уже пообещали, либо компания исполняет обещание.

Второе — не гипотеза. Чат-бот Air Canada сообщил пассажиру о несуществующей политике возврата средств; суд встал на сторону пассажира и обязал авиакомпанию исполнить обещанное ботом. Вывод для любого внедрения: за слова агента отвечает бизнес, а не поставщик модели и не «нейросеть ошиблась».

Отсюда правило: каждая позиция списка «не делаем» содержит не только запрет, но и готовую фразу отказа. «Мы не работаем с юрлицами» — пометка для аналитика, а не ответ клиенту. Ответ звучит иначе: «С юрлицами мы не работаем, но могу записать контакт и передать партнёру».

Что нельзя класть в базу знаний

Свойство, которое ломает интуицию: агент произносит вслух всё, что знает. Внутреннего слоя «для служебного пользования» у него нет. Попал документ в базу — при подходящем вопросе он окажется в разговоре с клиентом.

Отдельный случай — соблазн «скормить агенту сайт целиком». Причина, по которой это не работает, не техническая. Маркетинговый текст рассчитан на глаз: «индивидуальный подход», «команда профессионалов», «широкий спектр решений». Произнесённый вслух в ответ на конкретный вопрос, он звучит как пустота — клиент слышит, что ему не ответили. Полстраницы фактов работают лучше сорока страниц позиционирования.

RAG: почему агент с базой знаний галлюцинирует реже

Технически база знаний подключается через RAG — генерацию с опорой на извлечённые документы. Перед каждым ответом система ищет в базе релевантный фрагмент и подкладывает его модели, а модель формулирует ответ по нему. Это основной способ снижения галлюцинаций: у агента появляется, откуда взять факт, вместо того чтобы его сочинить.

Заменой проверки это не становится. Препринт τ-bench (Sierra и Принстон, arXiv:2406.12045) показывает, что GPT-4o решает типовую retail-задачу с первого раза примерно в 61% случаев, но при восьми прогонах одной и той же задачи pass^8 падает ниже 25%. Это прямо развенчивает миф «ИИ понимает как человек»: агент может ответить верно и не гарантирует одинакового ответа каждый раз. Поэтому RAG работает в связке с ограничителями и тестами на галлюцинации, а не вместо них.

Ограничения: чего база знаний не чинит

Хорошая база знаний решает ровно одну задачу — фактическую точность. Всё остальное она не трогает.

• Не сделает агента продавцом. Знание прайса не равно умению вести к сделке: за это отвечают сценарий, отработка возражений и логика квалификации. Это, кстати, разница между скриптовым роботом обзвона и LLM-агентом — второй умеет пользоваться базой, но диалог всё равно проектируется.
• Не заменит регламент. Если в компании нет решения, что делать с просроченной заявкой, агент его не изобретёт — он озвучит отсутствие решения быстрее и громче, чем менеджер.
• Устаревает. Цены, график, ассортимент и условия меняются; база, которую не обновляли квартал, начинает уверенно врать по всем изменившимся пунктам.
• Не покрывает данные из систем. Статус конкретного заказа или свободный слот в расписании живут в CRM, а не в базе знаний; это задача интеграции с CRM и телефонией.

Главный риск не в том, что агент чего-то не знает. Он в расхождении: агент говорит одно, менеджер по тому же вопросу — другое. Клиент это замечает почти всегда и делает вывод не про бота, а про компанию. Расхождение разрушает доверие быстрее любой технической ошибки — обрыв связи прощают, противоречие в ответах нет.

Вывод

База знаний — самая скучная часть проекта и самая влияющая на результат. Модель, голос и латентность — зона подрядчика; фактура, границы и правила отказа — зона заказчика, и подменить её нечем. Начните с шести блоков и двадцати прослушанных звонков: этого хватает, чтобы агент перестал импровизировать там, где нужен точный ответ. Остальные этапы разобраны в статье о том, как внедрить голосового AI-агента. Если хотите проверить это на своих звонках — можем собрать демо на вашем сценарии и вашей фактуре.