База знаний, которую собрали агенты: что это и когда ей можно верить

Появился отдельный класс инструментов: не поиск по вашим документам, а сборка базы знаний с нуля силами нескольких ИИ-агентов. Вы задаёте тему, агенты параллельно расходятся по источникам с разных углов, затем результат сводится в набор связанных статей в markdown. Проект llm-wiki — заметный пример: лицензия MIT, около 1200 звёзд на GitHub, 276 коммитов, создан в апреле 2026 года. Разберу, чем это отличается от привычного RAG и в каких задачах результату можно доверять.

Почему это не RAG и не корпоративная вики

Три вещи легко перепутать, потому что все три называют «базой знаний».

RAG ищет ответ в документах, которые у вас уже есть: регламенты, договоры, переписка. Он ничего не добавляет от себя, его задача — найти нужный кусок и пересказать. Корпоративная вики вроде Wiki.js или BookStack — это движок для текстов, которые пишут люди. Компиляция агентами — третье: содержимое производится моделью в ходе исследования, а вы получаете готовый свод.

Разница принципиальная и лежит в источнике истины. В первых двух случаях за содержимое отвечает ваша компания. В третьем — отвечает модель и те источники, до которых она дотянулась. Всё дальнейшее — про то, как с этим обращаться. Про первый вариант я писал отдельно: что такое RAG простыми словами.

Как устроена сборка

Механика у таких инструментов похожая, и её полезно понимать до того, как оценивать результат.

Сначала запускается параллельное исследование: несколько агентов идут по теме с разных позиций. В llm-wiki их пять в обычном режиме — академический, технический, прикладной, новостной и «противоположный», который специально ищет возражения. В углублённом режиме агентов восемь, добавляются исторический, смежные области и работа со статистикой.

Дальше собранное разделяется на два слоя. Загруженные вами исходники — ссылки, файлы, PDF — складываются в неизменяемый каталог и не переписываются. Синтезированные статьи лежат отдельно, со ссылками друг на друга и с оценкой уверенности. Это разделение важнее, чем кажется: оно позволяет отличить то, что вы принесли сами, от того, что модель насочиняла вокруг.

Хранится всё простыми файлами markdown с перекрёстными ссылками, читается любым редактором. Инструмент не запирает вас внутри себя — при желании вики переносится куда угодно вместе с папкой.

Самое полезное: проверка тезиса

Отдельный режим работает не с темой, а с утверждением. Вы формулируете тезис — например, «нашей рознице выгодно переходить на собственную доставку», — и система разбирает его на переменные и критерии опровержения. Затем агенты расходятся по ролям: одни ищут подтверждения, другие возражения, третьи разбирают механику, четвёртые смотрят обзоры и смежные области.

На выходе не пересказ, а вердикт: подтверждён, подтверждён частично, опровергнут, смешанный или недостаточно данных. Последний вариант ценнее всего — обычный запрос к языковой модели почти никогда не отвечает «данных мало», он отвечает уверенно и убедительно. Здесь «недостаточно» является штатным исходом.

Такие связки я собираю под конкретный процесс компании — ИИ-агенты под ключ.

Где ловушка

Происхождение здесь фиксируется на уровне статьи, а не отдельного предложения. То есть у документа есть перечень источников, но ткнуть пальцем в конкретную фразу и спросить «откуда именно это» штатными средствами нельзя. Пока вы разбираетесь в теме для себя, это терпимо. Как только текст ложится в основу решения на деньги, вопрос становится главным.

Вторая сторона той же проблемы — форма. Результат выглядит как внутренний справочник компании: структура, перекрёстные ссылки, ровный тон. Ошибка в таком оформлении читается как факт и живёт долго, потому что справочник не перечитывают, а цитируют. Обычный ответ чат-бота никто не примет за истину в последней инстанции, а аккуратно свёрстанную статью в корпоративной вики — легко.

И третье: проекту несколько месяцев, последние правки приходили в конце августа 2026 года. Он активно развивается, а значит, меняется. Строить на нём процесс, от которого зависит выручка, рано.

Как это применять без вреда

Разделите жанры. Компиляция агентами годится для разведки: разобраться в незнакомом рынке, собрать вводную по технологии, подготовиться к переговорам. Регламент, инструкция и юридический документ так не пишутся никогда.

Пометьте происхождение. На каждой такой статье должна стоять явная плашка: собрано ИИ, не проверено человеком. Без пометки через полгода никто не отличит её от документа, который писал сотрудник.

Проверяйте то, на что ссылаетесь. Не весь свод, а те несколько утверждений, которые реально лягут в решение. Остальное пусть остаётся черновиком понимания.

Держите исходники отдельно. Неизменяемый слой с оригиналами — это то, к чему вы вернётесь, когда синтез вызовет сомнения.

Назначьте владельца. У живой базы знаний есть человек, который решает, что в неё попадает. Без него она за квартал превращается в свалку правдоподобного текста.

Если задача повторяемая и её нужно поставить на поток, эту часть я закрываю под ключ — автоматизация процессов.

Частые вопросы

Можно ли на этом сделать базу знаний для поддержки клиентов?

Как основу — нет. Поддержка отвечает по вашим регламентам и ценам, а не по тому, что модель нашла в интернете. Здесь нужен RAG по вашим документам. Компиляция агентами может помочь на этапе, когда регламентов ещё нет и надо быстро собрать черновик.

Чем это лучше, чем просто спросить нейросеть?

Разными углами и сохранностью. Одиночный запрос даёт один взгляд и исчезает вместе с окном чата. Здесь тема прорабатывается с нескольких позиций, включая поиск возражений, а результат остаётся файлами, к которым можно вернуться и которые можно дополнять.

Данные уходят наружу?

Сам инструмент — это набор инструкций для агента, работу выполняет та модель, к которой он подключён. Если это облачный провайдер, запросы уходят к нему со всеми вытекающими. Для чувствительных тем сценарий один: локальная модель и закрытый контур.

Нужен ли программист, чтобы это запустить?

Для запуска — почти нет, инструмент ставится как плагин к агентской среде. Программист нужен не для запуска, а для встраивания результата в процессы компании: куда складывать, кто проверяет, как это попадает к людям.

Коротко о главном

Компиляция базы знаний агентами закрывает задачу, которую RAG и корпоративная вики не решают: быстро разобраться в теме, где у вас пока нет собственных документов. Открытая лицензия, простой markdown на выходе, режим проверки тезиса с честным вердиктом — всё это работает. Но содержимое произведено моделью, происхождение отслеживается по статье, а не по фразе, и оформлено это как внутренний справочник, которому по привычке верят. Отсюда правило: разведка — да, документ, на который ссылаются, — нет.

Что предлагаю конкретно. Расскажите, какие решения у вас упираются в «надо сначала разобраться» и сколько времени на это уходит сейчас. Я скажу, где такой инструмент сократит неделю до вечера, а где он опасен, и соберу схему с проверкой и владельцем. Напишите в Telegram, MAX или VK.