Skip to content
nxtinno

Prípadová štúdia

Enterprise RAG a agentická znalostná platforma

Návrh znalostnej platformy, ktorá premieňa interné dokumenty, kód a prevádzkové znalosti na riadené AI workflowy s RAG, MCP nástrojmi, LangGraph orchestráciou a LangSmith observabilitou.

  • RAG
  • MCP
  • LangGraph
  • LangSmith

Kontext

Komplexné podnikové prostredie potrebovalo AI asistenciu nad internými znalosťami bez toho, aby sa prototyp chatbota považoval za výslednú architektúru.

Výzva

Užitočné informácie boli roztrúsené naprieč internými portálmi, dokumentmi a repozitármi kódu. Samotné vyhľadávanie nestačilo, no všeobecnému asistentovi sa nedalo dôverovať bez ukotvenia v zdrojoch, ohraničených nástrojov, evaluácie a prevádzkovej viditeľnosti.

Obmedzenia

  • viaceré interné zdroje znalostí s odlišnou štruktúrou a aktuálnosťou
  • podniková autentifikácia a hranice prístupov
  • odpovede, ktoré potrebovali dohľadateľné zdroje, nie vierohodne znejúce zhrnutia
  • agentické workflowy, ktoré museli byť pozorovateľné, testovateľné a obnoviteľné

Prístup

  • Ingestiu a retrieval som navrhol ako riadenú pipeline, nie ako jednorazový import do vektorovej databázy.
  • Prístup k znalostiam som rozdelil do cielených MCP nástrojov, aby agenti mohli vyhľadávať, načítavať a skúmať kontext cez explicitné rozhrania.
  • Na orchestráciu viackrokového uvažovania a používania nástrojov som použil LangGraph, pričom hranice workflowu zostali viditeľné.
  • Doplnil som tracing a evaluačné postupy v štýle LangSmith, aby sa prompty, retrieval a správanie agentov dali zlepšovať na základe dôkazov.

Architektúra

Riadená vrstva ingestie znalostí napája retrieval služby a MCP nástroje, ktoré orchestrujú LangGraph agenti za API s tracingom, evaluáciou a prevádzkovou observabilitou cez LangSmith.

Produkčný RAG a agentický workflowZdrojové systémydokumenty · dáta · APIIngestianormalizácia · delenieRetrievalhybridný · filtrovanýModel + nástrojeMCP · ohraničený prístupGuardrailyevaluácia · schválenieSpoľahlivý výstupsledovaný · ozdrojovaný
Zhrnutie diagramu: zdrojové systémy napájajú pipeline ingestie a delenia na časti; retrieval a zostavenie kontextu ukotvia model, ktorý koná cez ohraničené MCP nástroje; evaluácia a guardraily sledujú každý krok skôr, než sa odpoveď alebo zásah dostane k používateľovi.

Kľúčové rozhodnutia

  • RAG chápaný ako produkčný znalostný systém, nie ako funkcia chatbota
  • MCP nástroje ako hranica medzi agentmi a podnikovými dátami
  • LangGraph orchestrácia s LangSmith observabilitou pre správanie, ktoré sa dá skúmať a zlepšovať

Detaily sú anonymizované. Ďalší kontext je dostupný pod NDA.

Súvisiaca expertíza

AI systémy a agentické workflowySoftvérová architektúra

Zaujíma vás, čo by AI dokázala vo vašej firme?

Prineste otázky – aj tie, ktoré vám pripadajú príliš základné. Za 30 minút si prejdeme, ako dnes pracujete, vyberieme úlohu s najväčším prínosom a načrtneme, čo by jej otestovanie obnášalo. Žiadne presviedčanie, žiadny záväzok.

Rezervovať nezáväzný hovor

Radšej email? hello@nxtinno.com