Тенанты 0
Название Slug Статус Документы Чанки Ключи
Документы 0
Перетащите файлы сюда
или нажмите для выбора · PDF, DOCX, XLSX, TXT
Загрузка...
Документ Категория Статус Чанки Загрузил Дата
Веб-источники 0
Краулинг сайта
Укажите URL — будет загружена страница и все подстраницы домена
URL Статус Страницы Создал Дата
API-ключи 0
Префикс Метка Тип Создан Посл. исп.
Пользователи 0
Логин Email Роль Тенант Статус Создан
Статистика по тенантам
Профиль тенанта
Настройки агента
Доступные инструменты

Определите, какие инструменты агент может использовать при ответе на вопросы пользователей.

Рассуждения
Режим рассуждений
Позволяет агенту использовать внутренний инструмент think для планирования и анализа перед ответом. Улучшает качество сложных ответов.
Ограничения
Сколько раз агент может вызвать инструменты за один ответ. Каждый раунд — один запрос к LLM, который может вызвать несколько инструментов параллельно.
Максимальное время на весь ответ агента, включая вызовы инструментов. По истечении — ответ прерывается.
Retrieval (контекстный поиск)
Contextual retrieval
Перед индексацией LLM добавляет 1-2 предложения контекста к каждому чанку («Это раздел о ценах на AIBox Enterprise»). Embedding строится на context + chunk, оригинал чанка остаётся в источниках. Индексация медленнее, но recall и качество ответов существенно выше. Применяется при следующей загрузке документа.
Рекомендуется дешёвая и быстрая модель: openai/gpt-4o-mini или anthropic/claude-haiku-4-5. Пустое поле — глобальный default.
0 — только найденный чанк. 1 — добавлять соседей N-1 и N+1 (рекомендуется). 2-3 — больше контекста, но больше токенов. Работает для документов, загруженных после включения.
Сколько чанков возвращать агенту за один вызов search_in_local_doc. По умолчанию 20. Мелкому tenant хватит 10-15, крупному можно поднять до 50-100 (больше контекста → дороже токены).
Query rewrite (переписывание запросов)
Перед каждым поиском LLM переписывает запрос в самодостаточный: разрешает местоимения и отсылки к истории диалога («а подробнее?» → «подробнее о …»). +150-300 мс на поиск, +10-20% recall на follow-up-запросах. Рекомендуется оставить включённым.
Multi-query expansion
Для каждого запроса LLM генерирует 2-3 альтернативных формулировки, ищем по всем, сливаем через RRF. +10-15% recall, но в 3× больше embedding и Qdrant-запросов. Включать точечно для тенантов, где rewrite не даёт достаточно.
История диалога
LLM-суммаризация старых сообщений
Когда история не помещается в бюджет токенов, старые сообщения сжимаются дешёвой моделью (например openai/gpt-4o-mini) и сохраняются в БД как rolling-сумма. Бот «помнит» общую канву длинных диалогов. Без флага — просто обрезается по бюджету.
Сколько токенов истории отправлять модели. По умолчанию 8000. Уменьшайте для экономии, увеличивайте для больших context-window моделей.
N последних сообщений всегда попадают в контекст как есть, без усечения. Остальная история упаковывается в бюджет.
Используется только при включённой суммаризации. Пусто — глобальный default (contextualizer_model).
Настройка виджета
Брендинг
Чат
Лаунчер
Размеры
Источники

Источники отображаются в боковой панели. При нажатии на источник открывается просмотр документа с подсветкой релевантного фрагмента.

Форма перед чатом
Поля
Поле Название Показывать Обязательное

Оставьте «Название» пустым, чтобы использовалось значение по умолчанию для языка виджета.

Контакты сохраняются в БД (таблица widget_contacts) и привязываются к чат-треду. Чат разблокируется только после заполнения обязательных полей.

Код встраивания

Виджет работает только на этих доменах. Формат: host[:port] или *.host. Без allowed_origins виджет недоступен.

iframe
JavaScript snippet (с лаунчером)
Предпросмотр
Контакты из виджета 0
Имя Email Телефон Компания Дата IP User-Agent Сессия
Golden-set эвалы 0
# Tenant Режим Статус hit@5 MRR Длит. Старт
Загрузка…