Почему обычного RAG не хватило: как мы построили ИИ-консультанта по архитектуре на графе знаний

В крупном банке архитектурные знания живут не в одном месте: часть в Confluence, часть в реестре систем, часть в ADR, а самое ценное — в головах экспертов. Из-за этого новые сотрудники долго разбираются в ландшафте, а архитекторы отвечают на одни и те же вопросы. Задача выглядит как классический RAG: собрать документы, нарезать на чанки, построить эмбеддинги и отдать контекст LLM. Но на практике всё сложнее.

Архитектурные вопросы устроены не как обычный текстовый поиск: они требуют связей между системами, модулями и интеграциями, которых нет в плоских документах. Поэтому авторы добавили граф знаний и маршрутизацию запросов между разными источниками банка. В итоге получилась архитектура, где ИИ-консультант сначала понимает, куда именно обратиться, а потом собирает ответ из связанных данных.

В статье — разбор, почему классический RAG провалился на таких вопросах, как устроен граф знаний и как организована маршрутизация. Это практический кейс для тех, кто строит ИИ-ассистентов в сложных корпоративных средах.