Реализация базы знаний в мобильном приложении

Реализация базы знаний в мобильном приложении

База знаний отличается от FAQ масштабом и структурой: не 20 вопросов-ответов, а сотни статей с категоризацией, поиском, версионированием контента и возможностью навигации по теме. Для мобильного приложения это означает другую архитектуру: локальный поиск по индексу, кеширование, offline-доступ и рендеринг разметки.

Источники контента и синхронизация

CMS-бэкенд с API

Наиболее универсальный подход — собственный или headless CMS (Contentful, Strapi, Sanity) с REST/GraphQL API. Мобильный клиент скачивает статьи при первом запуске и при обновлении, хранит в локальной БД.

// Android: Room-схема для статей базы знаний
@Entity(tableName = "kb_articles")
data class KbArticle(
    @PrimaryKey val id: String,
    val title: String,
    val content: String,   // Markdown или HTML
    val categoryId: String,
    val updatedAt: Long,
    val searchIndex: String  // нормализованный текст для FTS
)

@Entity(tableName = "kb_categories")
data class KbCategory(
    @PrimaryKey val id: String,
    val title: String,
    val parentId: String?,
    val position: Int
)

Синхронизация по updatedAt: при каждом запуске скачиваем только изменённые статьи с момента последнего sync-timestamp.

Zendesk Help Center / Freshdesk Solutions

Если поддержка уже на Zendesk — Help Center API предоставляет статьи напрямую. SDK Zendesk показывает их через встроенный UI, но он слабо кастомизируем. Для кастомного дизайна используем Zendesk Guide API:

GET https://yoursubdomain.zendesk.com/api/v2/help_center/articles.json

Response содержит body в HTML — рендерим через WebView с кастомным CSS, соответствующим дизайн-системе приложения.

Полнотекстовый поиск

Поиск по тысяче статей на сервере при каждом запросе — лишний round-trip. Для мобильного приложения лучше локальный Full-Text Search.

Android — Room FTS4:

@Fts4(contentEntity = KbArticle::class)
@Entity(tableName = "kb_articles_fts")
data class KbArticleFts(
    val title: String,
    val searchIndex: String
)

@Dao
interface KbSearchDao {
    @Query("SELECT * FROM kb_articles WHERE id IN " +
        "(SELECT rowid FROM kb_articles_fts WHERE kb_articles_fts MATCH :query)")
    suspend fun search(query: String): List<KbArticle>
}

iOS — CoreData с NSPredicate или SQLite FTS5:

// NSPredicate для CoreData
let predicate = NSPredicate(
    format: "title CONTAINS[cd] %@ OR content CONTAINS[cd] %@",
    query, query
)

Для больших баз (>500 статей) — SQLite с FTS5 через GRDB.swift:

try db.create(virtualTable: "articles_fts", using: FTS5()) { t in
    t.column("title")
    t.column("body")
    t.tokenizer = .unicode61()
}

FTS5 с unicode61 токенайзером поддерживает кириллицу — важно для русскоязычных приложений.

Рендеринг Markdown/HTML

Статьи часто хранятся в Markdown. Варианты рендеринга:

Markwon для Android поддерживает таблицы, code blocks с подсветкой синтаксиса и изображения — достаточно для технической документации.

Аналитика и обратная связь по статьям

Кнопка «Была ли статья полезна?» — простой механизм оценки качества контента. Отправляем событие с article_id и helpful: true/false в Firebase Analytics. Статьи с высоким процентом «не полезна» — кандидаты на переработку.

Analytics.logEvent("kb_article_feedback", parameters: [
    "article_id": article.id,
    "helpful": isHelpful ? "yes" : "no",
    "time_spent_seconds": Int(Date().timeIntervalSince(openedAt))
])

time_spent_seconds даёт дополнительный сигнал: если пользователь прочитал за 3 секунды и нажал «не полезна» — статья не по теме. Если провёл 5 минут и нажал «полезна» — контент глубокий и релевантный.

Offline-доступ

База знаний должна работать без интернета — пользователь может обращаться к документации в зоне без сети. Все статьи после первой загрузки хранятся локально. Изображения кешируются через Kingfisher (iOS) или Coil (Android) с настройкой максимального размера кеша.

Процесс работы

Аудит источника контента и принятие решения об архитектуре (headless CMS, helpdesk API или собственный бэкенд).

Проектирование схемы данных с учётом иерархии категорий и поиска.

Реализация: синхронизация, локальное хранение, FTS, рендеринг контента.

UI: навигация по категориям, экран статьи, поиск с подсветкой совпадений.

Аналитика и offline-режим.

Ориентиры по срокам

Базовая база знаний с remote API, поиском и offline-режимом — 1–2 недели. Интеграция с Zendesk Help Center, кастомный Markdown-рендеринг и аналитика — до 3 недель.