CognitiveAI — российская платформа для RAG-ботов на документах, Excel/CSV и единого API. Сильный сценарий — консультант сайта, который отвечает по вашим PDF/DOCX, собирает лиды и передаёт сложный диалог человеку.
Как сделать чат-бота на PDF и DOCX
Перед загрузкой удалите старые версии и противоречивые инструкции. RAG не исправляет плохую базу знаний — он лишь быстрее находит её фрагменты.
Как подключить на сайт
Официальный сайт описывает установку виджета JavaScript-кодом. Перед production настройте допустимые темы и условия передачи оператору.
E-commerce: YML/CSV/Excel
Синхронизация полезна только при актуальных остатках и ценах. Проверьте, что происходит с товаром, если он закончился.
Сбор лидов и приватность
Сайт описывает отдельный перехват контактных данных системой, чтобы LLM не обязательно получала телефон/email.
Когда передавать оператору
- клиент просит человека
- жалоба или возврат
- нет ответа в базе
- спор о цене
- повторяющийся цикл
- низкая уверенность
Excel и CSV
Сначала делайте read-only анализ и сохраняйте исходник. Массовые изменения и финансовые формулы проверяйте независимо.
Как подготовить документы для RAG
Разделите огромные документы на логические инструкции, удалите старые версии и добавьте понятные заголовки. Хорошая база знаний отвечает однозначно; три противоречащих прайса не исправит никакая модель.
Назначьте владельца каждого раздела и дату актуализации. Тогда при ошибочном ответе понятно, какой источник нужно исправить.
100 вопросов для теста перед запуском
Соберите реальные обращения из поддержки: простые, с опечатками, конфликтные, комбинированные. Для каждого отметьте правильный источник и нужно ли передавать человеку.
Измеряйте не «красоту ответа», а точность и долю обращений, которые бот закрыл без последующего исправления оператором.
Как не дать боту обещать несуществующую цену
Цена и остаток должны приходить из актуального каталога/интеграции, а не из текстовой памяти. В system instruction запретите придумывать цену, если товар не найден.
Для акций полезно хранить дату начала/окончания и правило при конфликте нескольких прайсов.
RAG-бот или n8n + vector database
CognitiveAI быстрее как готовый продукт с виджетом, лидами и оператором. Самостоятельный n8n/RAG гибче, но потребует embeddings, vector DB, авторизации, UI и мониторинга. Сравнивайте стоимость поддержки, а не только подписки.
Cognitive AI сейчас — платформа агентов и RAG, а не старый «онлайн-консультант»
На официальном сайте старый формат онлайн-консультанта отмечен как устаревший. Актуальный продукт строится вокруг AI-агентов, базы знаний, RAG, API и подключения собственных ключей провайдеров.
Это важно для существующей карточки: описание простого чат-виджета уже недостаточно. Бизнес может создавать несколько агентов под разные процессы и подключать их к собственным данным.
CogniTokens: как устроена внутренняя валюта
Pricing использует CogniTokens. На текущей странице 1000 CogniTokens соответствуют 1 ₽. Это позволяет считать стоимость использования разных AI-моделей внутри платформы.
Внутренние CogniTokens не равны токенам LLM. Конкретная операция может списывать разное количество в зависимости от модели и объёма контекста.
Prime за 900 ₽
Prime стоит 900 ₽ в месяц и включает 200 000 CogniTokens, API, AI-агентов, импорт PDF/DOC и возможность использовать собственные ключи провайдеров.
Лимит порядка 10 запросов в минуту делает его подходящим для небольших проектов и пилотов, но не для большого публичного трафика.
Business за 1900 ₽
Business стоит 1900 ₽ в месяц и включает около 600 000 CogniTokens. Rate limit повышается примерно до 100 запросов в минуту.
Также увеличиваются возможности загрузки структурированных каталогов, включая YML/XML с тысячами сегментов. Это полезно интернет-магазинам и большим knowledge bases.
BusinessPro за 3900 ₽
BusinessPro стоит 3900 ₽, включает около 1,4 млн CogniTokens и лимит до 400 запросов в минуту. Поддерживаются более крупные YML/XML-базы и собственные ключи.
Такой тариф уже можно рассматривать для production-поддержки, но реальная пропускная способность зависит от выбранной upstream-модели.
RAG: почему просто загрузить PDF недостаточно
RAG извлекает релевантные куски базы знаний и передаёт их модели. Качество зависит от структуры документов, chunking и отсутствия противоречий.
Перед загрузкой удалите старые тарифы, дубли и черновики. Иначе агент может ответить по устаревшей версии, хотя новая тоже присутствует.
PDF, DOC и каталоги
Документы удобны для инструкций и регламентов, а YML/XML — для товаров и структурированных каталогов. Разные источники нужно разделять логически.
Для e-commerce полезно хранить ID товара в metadata, чтобы ответ можно было связать с конкретной карточкой и URL.
BYOK: собственные ключи провайдеров
Bring Your Own Key позволяет оплачивать модель напрямую у провайдера и использовать Cognitive AI как orchestration/RAG слой.
Это выгодно компании, у которой уже есть корпоративный API-контракт. Ключи должны храниться в защищённом хранилище и иметь минимально необходимые права.
API
API позволяет подключить агента к сайту, CRM, Telegram-боту или собственному приложению. Перед production нужно проверить auth, rate limits, формат истории и способы передачи user/session ID.
Для каждого приложения лучше использовать отдельный ключ, чтобы видеть расходы и быстро отключать скомпрометированный credential.
AI-агент для поддержки
Агент может отвечать по базе знаний, собирать данные и подготавливать результат для оператора. Наиболее безопасный сценарий — сначала автоматизировать частые информационные вопросы.
Возвраты, платежи и спорные ситуации лучше переводить человеку или запускать только через строго валидированные функции.
AI-агент для продаж
В продажах RAG помогает отвечать по тарифам и продукту, а агент может квалифицировать лид по нескольким вопросам.
Не стоит позволять модели самостоятельно обещать скидку или условия, которых нет в базе. Коммерческие предложения должны строиться из подтверждённых данных.
Генерация изображений
Cognitive AI отдельно тарифицирует image-generation. На текущей странице базовая стоимость без подписки выше, на Prime/Business ниже, а BusinessPro даёт дополнительную скидку.
Если изображения используются массово, нужно считать не цену одной попытки, а среднее число попыток до принятого результата.
Как провести пилот
- выбрать один отдел
- собрать 30–50 актуальных документов
- удалить дубли
- настроить одного агента
- подготовить 100 реальных вопросов
- разметить правильные ответы
- измерить точность и долю handoff
- только потом расширять базу
Большая база до проверки маленького набора усложняет диагностику и не гарантирует лучшее качество.
Метрики RAG-агента
- доля ответов с правильным источником
- галлюцинации вне базы
- время ответа
- стоимость запроса
- доля обращений к оператору
- частые вопросы без документа
Если агент часто ошибается, сначала анализируйте retrieval и базу, а не автоматически меняйте LLM.
Россия и оплата
Cognitive AI — российский продукт с рублёвыми тарифами и русскоязычным интерфейсом. VPN для основной платформы не требуется.
При выборе зарубежной underlying-модели нужно всё равно учитывать, куда уходит содержимое запроса и какие правила у внешнего провайдера.
Cognitive AI или собственный RAG
Собственный RAG даёт максимальный контроль над embeddings, vector DB и routing, но требует разработчиков. Cognitive AI сокращает время запуска за счёт готового UI и API.
Для пилота готовая платформа часто быстрее. Для очень специфичного high-load продукта собственная инфраструктура может оказаться гибче.
Частые вопросы
Можно загрузить PDF/DOCX?
Да.
Есть бот для сайта?
Да.
Есть Excel/CSV?
Да.
Можно платить картой РФ?
Да, официальный сайт заявляет карты РФ, СБП и безнал.
Есть API?
Да.
Информация обновлена — 30.09.2026.
Production-эксплуатация RAG-агента
Каждый документ базы знаний должен иметь дату, версию и статус. При публикации новой редакции старую лучше удалить из retrieval или явно снизить её приоритет. Иначе агент может найти два противоречащих правила.
Полезно возвращать вместе с ответом название документа или URL источника. Если retrieval не нашёл подтверждения, безопаснее передать вопрос оператору, чем заполнять пробел общими знаниями модели.
Часто повторяющиеся справочные ответы можно кэшировать до следующего изменения базы. Кэш уменьшает CogniTokens и latency, но обязан инвалидироваться после обновления документа.
Перед production проведите нагрузочный тест: 429, 5xx, timeout, максимальный размер документа и реальные p95 latency. Rate limit тарифа не означает, что любая upstream-модель стабильно отвечает с той же скоростью.
API-ключи разделяйте по environment и проектам. Тестовый ключ не должен иметь полный production-бюджет, а в логах secrets необходимо маскировать.
Для оценки качества храните небольшой gold set реальных вопросов и ожидаемых источников. После смены модели, embeddings или chunking прогоняйте его снова — иначе улучшение одного сценария может незаметно сломать другой.
Практический дизайн базы знаний
Разделяйте документы по доменам: продажи, поддержка, юридические правила, инструкции продукта. Агенту поддержки не нужно автоматически давать доступ к внутренним финансовым документам.
Каждый chunk должен сохранять metadata: документ, заголовок, дата, язык и при необходимости product ID. Тогда retrieval можно фильтровать до semantic search и уменьшать ложные совпадения.
Не индексируйте навигацию сайта, cookie-тексты и повторяющиеся footer-блоки как полезный контент. Большое количество шаблонного текста ухудшает retrieval и тратит context.
При импорте YML/XML проверьте обязательные поля, пустые описания и дубли SKU. RAG не исправляет качество каталога — он только быстрее извлекает то, что вы загрузили.
Для сложных вопросов можно использовать двухэтапный процесс: сначала retrieval, затем отдельная проверка, действительно ли найденные chunks отвечают на вопрос. Если relevance низкая, агент не должен генерировать уверенный ответ.
Раз в месяц формируйте отчёт по unanswered и handoff вопросам. Часто проблема решается не сменой модели, а добавлением одной недостающей инструкции в базу знаний.
