Чат-бот по твоей базе знаний — отвечает по документам, не выдумывает

Как это работает

Чтобы связать Qdrant Vector Store и Webhook, не нужен программист: готовый сценарий соединяет их за пару минут.

1. Запуск: Вебхук
2. Затем: Понять запрос
3. Затем: Форматировать JSON
4. Проверка: Переключить
5. Если да — Малый разговор AI Agent
6. Затем: Удалить теги размышлений (путь малого разговора)
7. Запуск: Ответить на вебхук
8. Если нет — Разделить подзапросы
9. Проверка: Повторять подзапросы
10. Затем: Aggregate Все результаты получения
11. Затем: Генерировать ответ AI Agent
12. Затем: Удалить теги размышлений (RAG путь)
13. Затем: PGVector Хранить — Извлекать фрагменты
14. Затем: Очистить вывод RAG
15. Проверка: Оставить оценку больше 04
16. Проверка: Есть чанк?
17. Если да — Aggregate Сопоставление фрагментов
18. Затем: Подготовить вывод цикла
19. Если нет — Сказать, что чанк не совпал
20. Затем: Postgres Chat Memory (Непринужденный разговор)
21. Затем: Ollama Chat Model (Малый разговор — Qwen3:14b)
22. Затем: Ollama Chat Model (Классификатор — Qwen2.5:7b)
23. Затем: Postgres Chat Memory (Ответ RAG)
24. Затем: Ollama Chat Model (Генератор ответа — Qwen3:14b)
25. Затем: Ollama Эмбеддинги (BGE-M3)

Такой сценарий можно запустить в Scriptera: задача описывается обычными словами, сборка и запуск — на стороне сервиса.