О сервисе

Как писать Telegram-посты на основе своих материалов: RAG и база знаний в Tele.Style

Сергей Вендин

AI умеет писать гладкие тексты, но не знает фактов о вашем бизнесе, продуктах и экспертизе. Разбираем, как база знаний и RAG в Tele.Style позволяют создавать Telegram-посты на основе собственных документов, страниц сайта и заметок – без выдуманных деталей.

Как писать Telegram-посты на основе своих материалов: RAG и база знаний в Tele.Style

У нейросети можно попросить:

Напиши пост о нашем продукте.

И получить вполне убедительный текст.

Проблема в том, что AI сам по себе не знает ваш продукт.

Он не читал внутреннюю документацию, не видел презентацию для клиентов, не знает условий сервиса, не помнит содержание вашего сайта и не участвовал в проектах компании.

Если этих данных нет в запросе, модель начинает опираться на общие знания и наиболее вероятные формулировки.

Для поста о продуктивности это иногда приемлемо.

Для текста о конкретном продукте, компании или профессиональной теме – уже опасно.

Именно для таких задач в Tele.Style появилась База знаний: вы загружаете собственные материалы, а AI использует их как источник фактов при подготовке публикаций.

Технически этот подход называется RAG – Retrieval-Augmented Generation.

Но важнее не название технологии, а то, что меняется на практике:

вместо «напиши что-нибудь умное на эту тему» AI сначала ищет информацию в ваших материалах и только потом пишет пост.

В чем проблема обычной AI-генерации

Представим, что компания занимается промышленным оборудованием.

У нее есть:

• сайт;
• PDF-каталог;
• технические инструкции;
• презентация продукта;
• ответы на частые вопросы клиентов;
• десятки реализованных проектов.

Автор просит нейросеть:

Напиши пост о преимуществах нашей системы мониторинга.

Если модель не получила эти материалы, она знает только формулировку запроса.

Результат предсказуем:

• «повышает эффективность»;
• «экономит время»;
• «помогает принимать решения»;
• «современное решение для бизнеса».

Фразы могут быть правильными, но практически ничего не говорят именно об этом продукте.

Есть и более серьезный риск: AI попытается заполнить пробелы самостоятельно.

Например, добавит:

• функцию, которой нет;
• неподтвержденную цифру;
• несуществующую интеграцию;
• неверную характеристику;
• слишком смелое коммерческое обещание.

Чем специализированнее тема, тем заметнее эта проблема.

Что такое RAG простыми словами

Обычная генерация выглядит примерно так:

задание → AI → текст

RAG добавляет перед генерацией еще один этап:

задание → поиск в вашей базе знаний → подходящие фрагменты → AI → текст

Нейросети не нужно каждый раз передавать целую инструкцию на 100 страниц.

Система сама находит те части материалов, которые имеют отношение к будущему посту.

Например, в базе знаний лежат:

• презентация компании;
• документация продукта;
• пять статей;
• страница FAQ;
• описание двух кейсов.

Вы задаете тему:

Почему автоматическое резервное копирование не заменяет disaster recovery plan?

Tele.Style ищет фрагменты базы, связанные именно с резервным копированием, восстановлением и аварийными сценариями.

После этого AI получает найденный контекст и пишет публикацию на его основе.

Остальные материалы в этот момент ему просто не нужны.

Как это устроено в Tele.Style

Работа состоит из двух частей:

1. вы один раз создаете базу знаний;
2. указываете, какие рубрики должны использовать ее при генерации.

Шаг 1. Добавьте свои материалы

В разделе «База знаний» можно добавить источник тремя способами.

Файл

Поддерживаются:

• TXT;
• Markdown;
• PDF;
• DOCX.

Максимальный размер одного файла – 20 МБ.

Для PDF важно наличие текстового слоя. Если документ состоит только из отсканированных страниц, Tele.Style не пытается распознавать изображения как текст.

Это сделано намеренно: лучше явно сообщить, что материал невозможно надежно прочитать, чем незаметно добавить в базу ошибки OCR.

Страница сайта

Можно указать обычный URL:

https://example.com/product

Tele.Style получает текст страницы и добавляет его в базу.

Так удобно подключать:

• страницы продуктов;
• документацию;
• FAQ;
• статьи;
• описание услуг;
• публичные кейсы.

Обычный текст

Иногда отдельного файла вообще нет.

Например, вы хотите дать AI:

• описание компании;
• редакционные принципы;
• биографию эксперта;
• список фактов;
• внутреннюю заметку;
• описание проекта.

Такой материал можно вставить непосредственно в Tele.Style и дать ему понятное название.

В базу знаний можно добавить файл, страницу сайта или обычный текст.

Что происходит после загрузки

Здесь начинается собственно RAG.

Tele.Style не сохраняет документ как один огромный кусок текста, который затем каждый раз целиком отправляется модели.

Материал:

1. извлекается из файла или страницы;
2. очищается;
3. делится на небольшие смысловые фрагменты;
4. каждый фрагмент преобразуется в математическое представление – embedding;
5. фрагменты индексируются для последующего смыслового поиска.

Это позволяет искать информацию не только по буквальному совпадению слов.

Например, запрос может быть сформулирован как:

Какие проблемы возникают при внедрении системы?

А в документе написано:

Основные сложности на этапе интеграции связаны с качеством исходных данных.

Фразы разные, но по смыслу близкие. Векторный поиск помогает системе найти такой фрагмент.

Пользователю не нужно управлять embeddings, индексами или поисковыми запросами вручную – все это происходит внутри Tele.Style.

Шаг 2. Подключите базу знаний к рубрике

В редакторе рубрики есть настройка:

«Откуда берутся факты для постов»

Для обычной AI-рубрики модель генерирует материал на основе задания рубрики.

Для новостного сценария факты приходят из внешнего источника.

А в режиме «База знаний» источником становятся ваши материалы.

Для конкретной рубрики можно указать, что факты должны браться из базы знаний.

Можно выбрать конкретные документы.

Например:

Рубрика «Кейсы»

использует только:

• Кейс клиента A.pdf;
• Кейс клиента B.docx;
• страницу с реализованными проектами.

А:

Рубрика «О продукте»

использует:

• документацию;
• описание тарифа;
• FAQ;
• страницу продукта.

Если ничего отдельно не выбирать, рубрика может искать по всем готовым материалам базы знаний.

Это позволяет иметь одну большую базу, но давать разным рубрикам разные области контекста.

Что происходит при генерации поста

Допустим, есть рубрика:

Практика внедрения

В ее инструкции написано:

Пиши короткие практические посты для технических руководителей. Выбирай одну конкретную проблему, объясняй причину и показывай решение. Не используй рекламные формулировки.

Tele.Style должен подготовить очередную публикацию.

Сначала система формирует поисковую тему.

Если автор сам задал конкретную тему поста, используется она.

Например:

Ошибки при переносе данных между системами.

После этого Tele.Style ищет наиболее подходящие фрагменты в выбранных материалах базы знаний.

И только найденный контекст передается модели вместе с инструкцией рубрики.

Получается важное разделение:

база знаний отвечает за факты;

промпт рубрики – за то, как эти факты превратить в публикацию.

Это две разные задачи, и смешивать их не стоит.

AI получает не весь документ, а релевантный контекст

Это одно из главных отличий RAG от простого подхода «вставить всю документацию в промпт».

Представьте базу из нескольких сотен страниц.

Для конкретного поста большая ее часть вообще не нужна.

Если отправлять модели все сразу:

• растут расходы;
• увеличивается время генерации;
• полезная информация теряется среди нерелевантной;
• модели сложнее понять, на чем сделать акцент.

В Tele.Style сначала выполняется поиск.

Для генерации выбираются только наиболее подходящие фрагменты, а общий объем контекста ограничивается.

В результате AI работает не со всей библиотекой, а с небольшой подборкой материалов непосредственно по теме будущего поста.

Главное правило: факты – только из базы

В RAG-режиме Tele.Style специально ограничивает модель.

Для конкретных фактов источником являются найденные материалы.

Это касается:

• цифр;
• имен;
• характеристик;
• функций;
• условий;
• результатов;
• утверждений о компании или продукте.

Собственные знания AI нужны прежде всего для другого:

• хорошо написать текст;
• связать мысли;
• выбрать структуру;
• сделать объяснение понятнее;
• адаптировать материал под формат Telegram.

Если в базе недостаточно информации, правильное поведение – сделать более узкий или короткий пост.

Не придумать недостающий факт.

Это особенно важно для каналов компаний и экспертов, где красивая, но выдуманная деталь может быть намного опаснее скучного текста.

Пример: консультант

Представим бизнес-консультанта.

За несколько лет у него накопились:

• презентации;
• методические материалы;
• статьи;
• записи вебинаров, переведенные в текст;
• чек-листы;
• описания проектов.

Обычно эти материалы лежат в разных папках и используются эпизодически.

Из них можно собрать базу знаний Tele.Style.

Для рубрики:

«Типичная ошибка бизнеса»

задается инструкция:

Выбери одну конкретную ошибку из материалов. Объясни ее простым языком, покажи последствия и дай практический вывод. Не придумывай клиентов, цифры и кейсы.

В результате канал получает регулярный контент из уже существующей экспертизы консультанта.

AI здесь не изображает эксперта.

Экспертиза уже находится в материалах.

AI помогает ее извлечь и упаковать.

Пример: SaaS-продукт

У продукта есть:

• документация;
• changelog;
• FAQ;
• страницы функций;
• инструкции;
• кейсы пользователей.

Из этой базы можно вести несколько рубрик.

«Функция недели»

Источник:

документация продукта.

«Как решить проблему»

Источники:

FAQ + инструкции.

«Практический кейс»

Источники:

только проверенные описания кейсов.

«Что нового»

Источник:

changelog.

При этом у каждой рубрики остается собственный стиль и структура.

То есть одна база знаний может давать совершенно разные типы публикаций.

Пример: компания с большой экспертизой, но без редакции

Это, пожалуй, один из самых интересных сценариев.

Во многих B2B-компаниях контента на самом деле очень много.

Он просто не выглядит как контент.

Это:

• коммерческие презентации;
• инструкции;
• исследования;
• тендерная документация;
• ответы технических специалистов;
• внутренние FAQ;
• описания решений;
• материалы конференций.

Проблема не в отсутствии знаний.

Проблема в том, что никто регулярно не превращает их в понятные публикации.

RAG позволяет использовать уже накопленную экспертизу как сырье для Telegram-канала.

При этом перед загрузкой, конечно, нужно отдельно решить, какие материалы действительно можно использовать для публичного контента.

Закрытые клиентские данные не должны внезапно превращаться в пост только потому, что документ оказался в базе.

RAG не означает «загрузили файлы – и забыли»

База знаний тоже требует редакционной дисциплины.

Следите за актуальностью

Если вы загрузили тарифы год назад, а цены изменились, AI может использовать старую информацию.

Источник остается источником независимо от того, насколько он свежий.

Поэтому устаревшие документы стоит:

• удалить;
• заменить;
• переиндексировать после обновления.

Разделяйте материалы по смыслу

Один файл:

все-что-мы-знаем-финал-новый-2.docx

хуже, чем несколько понятных источников:

• Описание продукта;
• FAQ;
• Кейсы;
• Тарифы;
• Методология.

Так проще понимать, какие материалы должна использовать конкретная рубрика.

Не загружайте противоречащие версии

Если в базе одновременно лежат старые и новые условия продукта, система может найти обе версии.

RAG хорошо ищет информацию.

Но он не знает, что файл presentation_FINAL_really-final-3.pdf актуальнее документа presentation_FINAL.pdf, если содержание говорит разное.

Не превращайте базу знаний в свалку

Больше документов не всегда означает лучше.

Цель – не загрузить в систему все существующие файлы компании.

Цель – дать ей надежный набор материалов, из которого действительно можно создавать публичный контент.

Чем RAG отличается от большого промпта

Иногда возникает вопрос:

Почему просто не вставить всю информацию о компании в промпт рубрики?

Для небольшого описания это действительно работает.

Например:

• кто аудитория;
• как звучит канал;
• какие слова не использовать;
• как структурировать публикацию.

Все это и должно находиться в промпте рубрики.

Но документация продукта на 80 страниц – уже не инструкция по стилю.

Это знания.

Если смешать все в один огромный промпт, он становится:

• неудобным для редактирования;
• дорогим;
• плохо масштабируемым;
• переполненным нерелевантной информацией.

Поэтому полезно разделять:

Промпт рубрики

Отвечает на вопрос:

Как писать?

База знаний

Отвечает:

На основании чего писать?

Тема поста

Отвечает:

О чем писать сейчас?

Когда эти три уровня разделены, автоматизация становится намного управляемее.

А чем RAG отличается от RSS

В Tele.Style есть и другой сценарий работы с источниками – RSS.

Разница принципиальная.

RSS нужен, когда информация постоянно приходит извне:

• новости;
• публикации отраслевых сайтов;
• обновления;
• внешние события.

RAG нужен, когда источник знаний уже принадлежит вам:

• документация;
• сайт;
• исследования;
• методики;
• кейсы;
• собственные статьи.

RSS отвечает на вопрос:

Что нового произошло?

База знаний:

Что мы уже знаем по этой теме?

Эти сценарии дополняют друг друга, но решают разные задачи.

Подробнее работу с внешними источниками мы разбирали в статье «Как запустить новостной Telegram-канал на основе RSS-источников».

Нужен ли после этого человек

Да.

RAG снижает риск фактических фантазий модели, но не отменяет редактуру.

Перед публикацией по-прежнему стоит проверить:

• правильно ли интерпретирован исходный материал;
• не потерян ли важный контекст;
• актуальна ли информация;
• подходит ли вывод аудитории канала;
• не попала ли в текст информация, которую не следует публиковать;
• звучит ли пост естественно.

Особенно важна последняя проверка в профессиональных и коммерческих каналах.

В статье «Как автоматизировать Telegram-канал с помощью AI и сохранить авторский стиль» мы подробно разбирали, почему AI лучше использовать как часть редакционного процесса, а не как бесконтрольного автора.

Для RAG действует тот же принцип.

Хороший сценарий:

материалы → поиск фактов → AI-черновик → проверка → публикация

А не:

документы → AI → все автоматически отправляем подписчикам.

Где особенно полезна база знаний

RAG хорошо подходит каналам, где есть собственная накопленная экспертиза.

Например:

• консультантам;
• SaaS-компаниям;
• разработчикам;
• юридическим и бухгалтерским компаниям;
• образовательным проектам;
• производственным компаниям;
• B2B-сервисам;
• агентствам;
• исследовательским проектам;
• профессиональным ассоциациям;
• интернет-магазинам со сложным продуктом.

То есть практически везде, где AI должен знать не интернет вообще, а именно ваши материалы.

Когда RAG не нужен

Не каждую рубрику стоит подключать к базе знаний.

Если вы делаете:

• развлекательный пост;
• общую подборку;
• простой вопрос аудитории;
• авторское мнение;
• мем;
• короткое поздравление;

RAG может только добавить лишнюю сложность.

База знаний нужна там, где для качества публикации важен конкретный фактический контекст.

Поэтому в Tele.Style режим выбирается на уровне рубрики, а не включается сразу для всего канала.

Как начать

Самый простой тест не требует собирать корпоративный архив за десять лет.

Возьмите три-пять хороших источников.

Например:

1. основную страницу продукта;
2. FAQ;
3. презентацию;
4. одну подробную статью;
5. один реальный кейс.

Добавьте их в «Базу знаний».

Создайте отдельную рубрику.

Выберите:

Откуда берутся факты → База знаний

Укажите нужные материалы.

После этого подготовьте несколько публикаций и сравните их с обычной AI-генерацией.

Смотрите не только на красоту текста.

Главный вопрос:

Появились ли в постах детали, которые действительно относятся к вашему продукту, опыту и экспертизе?

Если да – база начала выполнять свою работу.

Итог

Основная проблема AI-контента не в том, что нейросеть плохо пишет.

Современные модели умеют писать очень убедительно.

Проблема в другом:

убедительный текст без правильного контекста может убедительно рассказывать неправду.

RAG меняет порядок работы.

Сначала Tele.Style ищет информацию в ваших документах, страницах и заметках.

Потом AI превращает найденные факты в публикацию с учетом правил конкретной рубрики.

В результате модель отвечает не на абстрактный вопрос:

Что вообще можно сказать на эту тему?

А на гораздо более полезный:

Что можно сказать на эту тему, опираясь на материалы этого канала?

Именно здесь AI становится особенно полезным для экспертного и бизнес-контента.

Не потому, что знает больше автора.

А потому, что помогает регулярно использовать знания, которые у автора уже есть.