# RAG-ассистент техподдержки

Система поиска решений по истории обращений в техподдержку. Основана на RAG (Retrieval-Augmented Generation) — находит похожие решённые тикеты и формирует ответ на их основе.

---

## Архитектура

```
tickets.json (792 тикета)
      │
      ▼
prepare_data.py         ← фильтрация, очистка, нарезка чанков
      │
      ▼
sentence-transformers    ← векторизация (intfloat/multilingual-e5-small, GPU CUDA)
      │
      ▼
chroma_db/              ← векторная база данных (416 чанков)
      │
      ▼
app.py                  ← Streamlit-интерфейс
      │
      ├── вопрос специалиста → embedding → поиск топ-5
      │                                   │
      │                                   ▼
      └── контекст → LM Studio (qwen2.5-7b) → ответ
```

## Как это работает

### 1. Подготовка данных (`prepare_data.py`)

Что делает скрипт:

- Читает все файлы `tickets*.json` в папке проекта (сейчас 6 файлов, ~3300 тикетов)
- **Чистит текст**: удаляет цитаты `[q]...[/q]`, ссылки, лишние пробелы
- **Фильтрует**: оставляет только тикеты с реальным решением. Отбрасываются:
  - тикеты, где последнее сообщение support — просьба уточнить / прислать скрин
  - тикеты без ответа / с закрытием "нет обратной связи"
  - слишком короткие сообщения (< 100 символов)
- **Формирует чанки**: каждый тикет = один чанк вида:
  ```
  Категория: ...
  Проблема: <описание>
  Решение: <все сообщения support>
  ```
- **Векторизует**: превращает текст в вектор (384 числа) через `intfloat/multilingual-e5-small` на GPU
- **Сохраняет** в ChromaDB (папка `chroma_db/`)

Результат: 416 чанков с реальными решениями (376 тикетов отфильтровано как бесполезные).

### 2. Поиск и генерация (`app.py`)

Специалист вводит проблему клиента. Приложение:

1. **Векторизует вопрос** той же моделью эмбеддингов
2. **Ищет 5 похожих чанков** в ChromaDB по косинусной близости
3. **Формирует контекст** из найденных тикетов
4. **Отправляет в LM Studio** (чат-модель Qwen2.5-7B) с промптом:
   > "Ответь на основе ТОЛЬКО переданного контекста. Не придумывай, не отсылай в другую поддержку"
5. **Показывает ответ** и исходные тикеты для проверки

## Установка и запуск

### Требования

- Python 3.11+
- NVIDIA GPU с 8+ GB VRAM (для эмбеддингов и LLM)
- [LM Studio](https://lmstudio.ai/) (для чат-модели)

### Установка

```bash
pip install -r requirements.txt
```

Установить PyTorch с CUDA (если ещё не):
```bash
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
```

### Подготовка базы знаний

```bash
python prepare_data.py
```
Скрипт создаст папку `chroma_db/` с векторной базой.

### Запуск

```bash
streamlit run app.py --server.headless true
```
Открыть в браузере: http://localhost:8501

### Запуск чат-модели

Для генерации ответов нужна чат-модель в LM Studio:
1. Открыть LM Studio
2. Вкладка Developer → загрузить модель (например, `Qwen2.5-7B-Instruct`)
3. Нажать Start Server
4. API будет доступен на `http://localhost:1234/v1`

Без чат-модели приложение работает в режиме поиска — показывает похожие тикеты без генерации ответа.

## Структура проекта

```
support-bot/
├── tickets*.json         # исходные данные (несколько файлов)
├── prepare_data.py       # подготовка и векторизация
├── app.py                # Streamlit-интерфейс + RAG
├── requirements.txt      # зависимости
├── chroma_db/            # векторная БД (создаётся prepare_data.py)
└── .gitignore
```

## Системные промпты

Главный системный промпт — в файле **`app.py:15`**, переменная `SYSTEM_PROMPT`:

```python
SYSTEM_PROMPT = """Ты — специалист техподдержки. Отвечай клиенту, используя ТОЛЬКО информацию из переданных тикетов (контекст).

Правила:
- Если контекст содержит подходящее решение — напиши ответ своими словами, адаптируя под вопрос
- Если контекст не относится к вопросу — напиши: «Недостаточно информации в истории обращений»
- НЕ придумывай ответы, НЕ используй общие знания
- НЕ говори «обратитесь в службу поддержки» — ты сам и есть поддержка
- Укажи в конце: «Основано на тикете №...»"""
```

Именно этот промпт управляет тем, **как LLM отвечает** на вопрос специалиста. Если нужно изменить стиль ответа, тон, правила или требования к формату — редактировать здесь.

Промпт отправляется в LM Studio как `system`-сообщение при каждом запросе генерации ответа (строка `app.py:120-127`).

### Фильтрация тикетов без решения

Паттерны для отбраковки пустых тикетов — в **`prepare_data.py:19-22`**, переменная `NON_SOLUTION`:

```python
NON_SOLUTION = re.compile(
    r"(уточнит|приложите скрин|какая ошибка|с какой проблемой"
    r"|нет обратной связи|запрос завершу|открыть его снова"
    r"|откройте новый|обратиться в службу поддержки"
    r"|свяжитесь с технической"
    r"|напишите нам|позвоните нам)", re.I
)
```

Если в последнем сообщении support встречается одно из этих слов — тикет считается бесполезным и не попадает в базу знаний. Можно расширять или уточнять список.

---

## Технологии

| Компонент | Технология |
|-----------|-----------|
| Эмбеддинги | `intfloat/multilingual-e5-small` (384d, GPU) через `sentence-transformers` |
| Векторная БД | ChromaDB |
| Чат-модель | Qwen2.5-7B-Instruct через LM Studio (OpenAI-совместимый API) |
| Фреймворк | LangChain + Streamlit |
| Язык | Python 3.11 |
| GPU | CUDA 12.4+ |

## Git

```bash
git remote add origin https://git.itoservice.ru/dosnav/support-bot.git
git push -u origin master
```