Разработка базы знаний и Q&A на сайте: от схемы до деплоя

Как мы ускоряем поддержку клиентов с помощью базы знаний

Представьте: у вас на сайте несколько сотен статей техподдержки, клиенты не находят ответы, запросы в поддержку дублируются. База знаний с нормальным поиском и разделом вопросов-ответов решают эту боль — но только если реализованы правильно, с учётом производительности и юзабилити. Мы занимаемся такими проектами не первый год: спроектировали и внедрили базы знаний для десятков компаний — от стартапов до enterprise-уровня. Одна из ключевых проблем — скорость поиска: пользователь не готов ждать больше секунды. Решение — полнотекстовый индекс на стороне БД.

Проблемы, которые решаем

Первая проблема — N+1 запрос при загрузке списка статей с категориями. Вторая — медленный LIKE-поиск по телу статьи. Третья — отсутствие обратной связи: клиенты не могут оценить полезность статьи, а команда не знает, какие материалы нужно улучшить. Типичная ситуация: на сайте 15 000 статей, поиск работает через LIKE ‘%query%’, ответ — 5–10 секунд. После миграции на PostgreSQL tsvector время отклика падает до 10 миллисекунд.

Как мы проектируем схему базы данных

Иерархия категорий строится через self-reference parent_id. Для каждого уровня можно хранить иконку и порядок сортировки. Статьи привязываются к категории, получают slug и numeric счётчики.

CREATE TABLE kb_categories ( id SERIAL PRIMARY KEY, parent_id INTEGER REFERENCES kb_categories(id), name VARCHAR(150) NOT NULL, slug VARCHAR(150) NOT NULL UNIQUE, icon VARCHAR(50), sort_order INTEGER NOT NULL DEFAULT 0 ); CREATE TABLE kb_articles ( id SERIAL PRIMARY KEY, category_id INTEGER REFERENCES kb_categories(id), title VARCHAR(255) NOT NULL, slug VARCHAR(255) NOT NULL UNIQUE, excerpt TEXT, body TEXT NOT NULL, body_search TSVECTOR GENERATED ALWAYS AS ( to_tsvector('russian', title || ' ' || body) ) STORED, helpful_yes INTEGER NOT NULL DEFAULT 0, helpful_no INTEGER NOT NULL DEFAULT 0, views_count INTEGER NOT NULL DEFAULT 0, is_published BOOLEAN NOT NULL DEFAULT true, sort_order INTEGER NOT NULL DEFAULT 0, created_at TIMESTAMPTZ NOT NULL DEFAULT NOW() ); CREATE INDEX ON kb_articles USING gin(body_search); CREATE INDEX ON kb_articles(category_id, is_published, sort_order); CREATE TABLE faq_items ( id SERIAL PRIMARY KEY, category VARCHAR(100), question TEXT NOT NULL, answer TEXT NOT NULL, sort_order INTEGER NOT NULL DEFAULT 0 ); 

Поле body_search — generated column, что исключает рассинхрон данных. Индекс GIN обеспечивает поиск со скоростью <10 мс на 10K статей. Для вопросов-ответов отдельная таблица — так проще управлять порядком и делать категории.

Как реализовать полнотекстовый поиск на PostgreSQL?

Мы используем plainto_tsquery('russian', $query) и ранжируем ts_rank. Контроллер на Laravel:

class KnowledgeBaseController extends Controller { // Полнотекстовый поиск public function search(Request $request): JsonResponse { $query = trim($request->input('q', '')); if (strlen($query) < 2) { return response()->json(['data' => [], 'query' => $query]); } $articles = KbArticle::published() ->whereRaw( "body_search @@ plainto_tsquery('russian', ?)", [$query] ) ->selectRaw("*, ts_rank(body_search, plainto_tsquery('russian', ?)) as rank", [$query]) ->orderByDesc('rank') ->limit(10) ->get(['id', 'title', 'slug', 'excerpt', 'category_id', 'rank']); return response()->json([ 'data' => KbArticleResource::collection($articles), 'query' => $query, ]); } // Статья с трекингом просмотров public function show(string $slug): JsonResponse { $article = KbArticle::published() ->with('category') ->where('slug', $slug) ->firstOrFail(); // Инкрементировать просмотры (асинхронно) dispatch(fn() => $article->increment('views_count'))->afterResponse(); // Связанные статьи той же категории $related = KbArticle::published() ->where('category_id', $article->category_id) ->where('id', '!=', $article->id) ->orderByDesc('views_count') ->limit(5) ->get(['id', 'title', 'slug']); return response()->json([ 'article' => KbArticleResource::make($article), 'related' => $related, ]); } // Оценить полезность статьи public function helpful(Request $request, KbArticle $article): JsonResponse { $request->validate(['helpful' => 'required|boolean']); $session = $request->session()->getId(); $key = "helpful:{$article->id}:{$session}"; if (Cache::has($key)) { return response()->json(['already_voted' => true]); } Cache::put($key, true, now()->addDays(30)); if ($request->boolean('helpful')) { $article->increment('helpful_yes'); } else { $article->increment('helpful_no'); } return response()->json([ 'yes' => $article->fresh()->helpful_yes, 'no' => $article->fresh()->helpful_no, ]); } } 

Метод show использует afterResponse() — просмотры считаются без замедления ответа. Кеш голосования исключает накрутку. В ответе отдаём связанные статьи — это повышает время на сайте.

React-компоненты: аккордеон вопросов-ответов и поиск

Фронтенд собираем на React или Vue — без разницы. Покажу вариант на React.

Аккордеон вопросов-ответов

import { useState } from 'react'; interface FaqItem { id: number; question: string; answer: string; } function FaqAccordion({ items, category }: { items: FaqItem[]; category: string }) { const [openId, setOpenId] = useState<number | null>(null); return ( <section> <h2>{category}</h2> <dl> {items.map(item => ( <div key={item.id} className={`faq-item ${openId === item.id ? 'open' : ''}`}> <dt> <button onClick={() => setOpenId(openId === item.id ? null : item.id)} aria-expanded={openId === item.id} aria-controls={`faq-answer-${item.id}`} > {item.question} <span aria-hidden>{openId === item.id ? '−' : '+'}</span> </button> </dt> <dd id={`faq-answer-${item.id}`} hidden={openId !== item.id} > <div dangerouslySetInnerHTML={{ __html: item.answer }} /> </dd> </div> ))} </dl> </section> ); } 

Реализован по Accessibility guidelines: aria-expanded, aria-controls, hidden. В ответе может быть HTML (изображения, ссылки).

Поиск с debounce

function KbSearch() { const [query, setQuery] = useState(''); const [results, setResults] = useState<KbArticle[]>([]); useEffect(() => { if (query.length < 2) { setResults([]); return; } const timer = setTimeout(async () => { const { data } = await api.get('/api/kb/search', { params: { q: query } }); setResults(data.data); }, 300); return () => clearTimeout(timer); }, [query]); return ( <div className="kb-search"> <input type="search" value={query} onChange={e => setQuery(e.target.value)} placeholder="Поиск по базе знаний..." aria-label="Поиск по базе знаний" /> {results.length > 0 && ( <ul className="kb-search__results" role="listbox"> {results.map(article => ( <li key={article.id} role="option"> <a href={`/help/${article.slug}`}> <strong>{article.title}</strong> <p>{article.excerpt}</p> </a> </li> ))} </ul> )} </div> ); } 

Debounce 300 мс предотвращает лишние запросы. Используем role="listbox" и role="option" для доступности.

Что делать, если нужно быстро найти ответ?

Поиск с автодополнением — это минимум. Дополнительно можно внедрить фильтрацию по категориям, сортировку по популярности и дате. В сложных случаях подключаем Elasticsearch, но для 95% проектов достаточно PostgreSQL tsvector.

Сколько времени займёт разработка?

Итого: от 4 до 5 дней на стандартную базу знаний с разделом вопросов-ответов. Срок может увеличиться, если нужна интеграция с внешними системами или кастомная аналитика.

Сравнение способов поиска

version: '3.8' services: postgres: image: postgres:16 environment: POSTGRES_DB: knowledge_base POSTGRES_USER: kb_user POSTGRES_PASSWORD: secret ports: - '5432:5432' volumes: - pgdata:/var/lib/postgresql/data volumes: pgdata: