Как создавался
RetailSoft Knowledge MCP
От первых инструкций до работающего сервера. Ключевые этапы, решения и реальные артефакты.
Реальные результаты.
Пользователю нужен ответ, а не страница документации
Пользовательская документация RetailSoft содержит большой объём информации по продуктам и сценариям. Проблема начинается раньше ответа: человеку ещё нужно понять, где именно искать. Идея проекта — позволить задавать вопросы обычным языком и поручить поиск ИИ.
Не искать нужный раздел. Сразу сформулировать задачу.
Почему свой MCP
Готовый файловый коннектор хорошо даёт доступ к документам, но исследовать качество поиска через него трудно. Собственный MCP позволяет управлять ранжированием, менять алгоритмы и сравнивать подходы в одинаковых условиях.
Документы доступны ИИ, но поиском управляем мы.
- быстрый старт
- поиск задаёт платформа
- управляем поиском
- измеряем алгоритмы
Что именно должен искать поиск?
Большая статья может содержать десятки тем. Так в эксперименте появились две единицы поиска: целая статья и небольшой смысловой фрагмент. K1 искал статьи целиком, K2 — фрагменты.
Правильная статья ещё не гарантирует, что нужная информация окажется наверху.
Искать по словам или по смыслу?
Поиск по словам силён там, где термины запроса совпадают с документацией. Но пользователь часто описывает ситуацию иначе, поэтому добавились semantic и hybrid варианты.
Lexical, semantic и hybrid — гипотезы, которые нужно сравнивать на одной базе.
Найти правильную статью ≠ правильно ответить
Мы разделили проверку на два уровня: нашлась ли правильная статья и достаточно ли найденных материалов, чтобы ИИ ответил по существу. Слепой судья оценивал ответы без знания поисковой конструкции.
Измерять нужно не только retrieval, но и возможность нормально ответить.
А если правильного ответа в базе нет?
Хорошая система должна не только находить похожее, но и честно останавливаться. Поэтому в финальный набор вошли перефразы, версии, вопросы по изображениям и отрицательные контроли.
Отказ при отсутствии данных — тоже правильный результат.
Исследование превратилось в сервис
Экспериментальная поисковая инфраструктура стала рабочим удалённым MCP-сервером. Теперь исследование можно проверять не в отрыве от продукта, а в реальном ИИ-клиенте.
Рабочий MCP уже существует; исследование качества поиска продолжается.
