Разработка AI-ассистента для внутренних регламентов и политик

Разработка AI-ассистента для внутренних регламентов и политик

Корпоративные регламенты — трудовой распорядок, политика безопасности, процедуры согласования, командировочная политика — существуют во всех компаниях, но мало кто их читает. Сотрудники либо не знают о правилах, либо не могут быстро найти нужную информацию. AI-ассистент делает регламенты доступными через диалог.

Специфика регламентного ассистента

Регламентный ассистент имеет особые требования по сравнению с обычным RAG:

• Точность цитирования: нельзя переформулировать нормативные требования
• Актуальность: устаревший ответ может привести к нарушению правил
• Разграничение доступа: некоторые регламенты — только для HR или руководства

from anthropic import Anthropic
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from pydantic import BaseModel
from typing import Optional
import json

client = Anthropic()

class PolicyAssistant:

    def __init__(self, db_path: str = "./policy_db"):
        self.vectorstore = Chroma(
            collection_name="policies",
            embedding_function=OpenAIEmbeddings(model="text-embedding-3-small"),
            persist_directory=db_path,
        )

    def answer(
        self,
        question: str,
        employee_role: str,  # "employee", "manager", "hr", "admin"
        department: str = "",
    ) -> dict:
        """Отвечает на вопрос по регламентам с учётом роли сотрудника"""

        # Фильтр по доступу
        access_filter = self._get_access_filter(employee_role)

        results = self.vectorstore.similarity_search_with_score(
            question, k=5, filter=access_filter
        )

        if not results:
            return {
                "answer": "Информация по вашему вопросу не найдена в действующих регламентах. Обратитесь к HR-отделу.",
                "sources": [],
                "escalation_needed": True,
            }

        context = "\n\n".join([
            f"[{doc.metadata.get('document_name')}, версия {doc.metadata.get('version')}, "
            f"вступил в силу {doc.metadata.get('effective_date')}]:\n{doc.page_content}"
            for doc, _ in results[:4]
        ])

        response = client.messages.create(
            model="claude-sonnet-4-5",
            max_tokens=2048,
            system=f"""Ты — корпоративный ассистент по регламентам и политикам компании.

КРИТИЧЕСКИ ВАЖНЫЕ ПРАВИЛА:
1. Цитируй нормы ДОСЛОВНО, не перефразируй
2. Всегда указывай документ, версию и пункт
3. Если норма допускает исключения — явно укажи их
4. Если вопрос требует решения руководителя/HR — направь к ним
5. Не трактуй нормы расширительно — только буква регламента

Роль сотрудника: {employee_role}
Отдел: {department or "не указан"}""",
            messages=[{
                "role": "user",
                "content": f"""Вопрос: {question}

Применимые регламенты:
{context}"""
            }]
        )

        return {
            "answer": response.content[0].text,
            "sources": [
                {
                    "document": doc.metadata.get("document_name"),
                    "version": doc.metadata.get("version"),
                    "section": doc.metadata.get("section"),
                    "effective_date": doc.metadata.get("effective_date"),
                }
                for doc, _ in results[:3]
            ],
            "escalation_needed": False,
        }

    def _get_access_filter(self, role: str) -> Optional[dict]:
        """Определяет фильтр доступа по роли"""
        if role == "admin":
            return None  # Полный доступ

        access_levels = {
            "employee": ["public", "employee"],
            "manager": ["public", "employee", "manager"],
            "hr": ["public", "employee", "manager", "hr"],
        }

        allowed = access_levels.get(role, ["public"])
        if len(allowed) == 1:
            return {"access_level": allowed[0]}
        # Chroma не поддерживает $in нативно — используем OR через несколько запросов
        return {"access_level": {"$in": allowed}}

Индексирование регламентов с метаданными

class PolicyIndexer:

    def index_document(self, doc_path: str, metadata: dict, vectorstore: Chroma):
        """Индексирует регламентный документ с метаданными"""
        from langchain.text_splitter import RecursiveCharacterTextSplitter

        content = self._read_document(doc_path)

        # Разбиваем по разделам, сохраняя структуру
        splitter = RecursiveCharacterTextSplitter(
            chunk_size=800,
            chunk_overlap=100,
            separators=["\nСтатья ", "\nПункт ", "\n\n", "\n"],
        )
        chunks = splitter.split_text(content)

        vectorstore.add_texts(
            texts=chunks,
            metadatas=[{
                "document_name": metadata["name"],
                "version": metadata["version"],
                "effective_date": metadata["effective_date"],
                "access_level": metadata.get("access_level", "employee"),
                "category": metadata.get("category", "general"),
                "section": self._detect_section(chunk),
            } for chunk in chunks]
        )

    def _detect_section(self, text: str) -> str:
        """Определяет раздел из текста чанка"""
        import re
        match = re.search(r'(?:Статья|Пункт|Раздел)\s+[\d.]+[.\s]+(.+?)(?:\n|$)', text)
        return match.group(1)[:100] if match else ""

    def _read_document(self, path: str) -> str:
        """Читает документ (PDF, DOCX, TXT)"""
        from pathlib import Path
        ext = Path(path).suffix.lower()

        if ext == ".pdf":
            import pdfplumber
            with pdfplumber.open(path) as pdf:
                return "\n".join(page.extract_text() or "" for page in pdf.pages)
        elif ext in (".docx", ".doc"):
            import docx
            doc = docx.Document(path)
            return "\n".join(p.text for p in doc.paragraphs)
        else:
            return Path(path).read_text()

FAQ-генерация из регламентов

def generate_policy_faq(policy_text: str, policy_name: str) -> list[dict]:
    """Автоматически генерирует FAQ из регламента"""

    response = client.messages.create(
        model="claude-sonnet-4-5",
        max_tokens=4096,
        messages=[{
            "role": "user",
            "content": f"""Из регламента "{policy_name}" сгенерируй 10 наиболее вероятных вопросов сотрудников и краткие ответы.

Регламент:
{policy_text[:4000]}

Верни JSON:
[{{
  "question": "Вопрос сотрудника",
  "answer": "Краткий ответ со ссылкой на конкретный пункт",
  "section": "Пункт X.X"
}}]"""
        }]
    )

    text = response.content[0].text
    return json.loads(text[text.find("["):text.rfind("]") + 1])

Практический кейс: производственная компания 500 человек

Контекст: 23 регламента, постоянные вопросы в HR (одни и те же про отпуска, больничные, командировки). HR отвечал 2–3 часа в день на повторяющиеся вопросы.

Внедрение:

• Индексирование 23 регламентов
• Интеграция в корпоративный портал
• Права доступа: часть регламентов только для HR/руководителей

Результаты:

• HR-вопросы, решённые без обращения к HR: 68%
• Время ответа на стандартный вопрос: мгновенно vs 20 мин ожидания
• Сотрудники нарушают регламенты "не зная": -34%

Сроки

• Индексирование регламентов + базовый ответчик: 3–5 дней
• Разграничение доступа по ролям: 2–3 дня
• FAQ генерация + обновление при изменении регламентов: 1 неделя
• Корпоративный портал интеграция: 1 неделя