RAG vs простой бот: когда нужна векторная база

RAG (Retrieval-Augmented Generation) — модное слово, но не волшебная пилюля. Для половины задач достаточно сценарного бота. Разберём, как понять, что вам нужно именно RAG.

Когда хватит сценарного бота

• У вас 5–10 типовых сценариев, каждый с понятным деревом ветвлений.
• Клиенты задают одни и те же вопросы — их легко покрыть FAQ-блоками.
• Услуги стандартные, цены не меняются часто.
• Объём базы знаний — до 5 страниц текста.

Когда нужен RAG

• База знаний — десятки страниц: услуги, мастера, правила, FAQ, политики.
• Клиенты задают вопросы по-разному, синонимами и в разном порядке слов.
• Цены и услуги меняются часто — переписывать сценарии каждый раз дорого.
• Хочется, чтобы ассистент звучал как живой человек, а не как анкета.
• Есть сложные «обходные» сценарии: «вы делаете X для случая Y?» — сценарный бот тут провалится.

Сколько это стоит

В NovaLead RAG включён в платные тарифы — отдельной платы за вектор-БД нет. Стоимость зависит от количества сообщений: каждый ответ AI потребляет токены LLM (1500–4000 на сообщение) + 1 запрос к Qdrant. На реальном потоке малого бизнеса это обычно укладывается в тарифы 1 990–7 990 ₽/мес.

Что читать дальше

Если вы разбираетесь в теме глубже, продолжите с материалами: Knowledge Base для LLM-агента, Как обучить нейросеть на своих данных, Как написать промпт для AI-ассистента.