Как настроить AI-бота для курса: разделение ролей между LLM-помощником и кодовым агентом

Андрей Отинов -

Студент пишет в чат курса: «Чем RAG отличается от внешней памяти?» Обычный чат-бот на базе языковой модели ответит общими словами, перепутает темы и, возможно, придумает ссылку на урок, которого не существует. Преподаватель или методист потратит вечер на разбор. В одном из образовательных проектов эту проблему решили обновлением бота до версии 2.4.29: бот стал искать ответы не по названиям уроков, а по их полным текстам, автоматически прикладывать точные ссылки на материалы и различать близкие темы. При этом разработчики курса сознательно оставили границу: бот объясняет методологию, но не заменяет кодового агента вроде Codex или Claude Code, когда студенту нужно разобрать собственный проект.

Источник: t.me

Это не история про конкретный чат. Это рабочая схема, которую может повторить любая команда, ведущая платный курс, корпоративное обучение или внутреннюю базу знаний: один AI-инструмент отвечает на вопросы по материалам, другой помогает с практической работой, и у каждого своя роль. Ниже — как это устроено, что проверить до внедрения и где схема ломается.

Что именно изменилось в работе бота

Обновление 2.4.29 затронуло закрытый чат для студентов, и изменения показывают, из чего состоит полезный учебный бот:

  • Ответы без продаж. В закрытом чате бот даёт подробные ответы по материалам курса без промо и призывов купить курс. Логика простая: студент уже заплатил, и бот работает как помощник, а не как менеджер по продажам. В открытом сообществе поведение другое — там бот отвечает короче.
  • Поиск по первоисточникам. Бот ищет не по названиям уроков, а по текстам самих уроков и тем. Это принципиальная разница: название урока может не содержать нужного термина, а в тексте тема раскрыта подробно.
  • Точные ссылки вместо выдуманных. Бот автоматически добавляет ссылки на упомянутые уроки — и не придумывает их. Для любого, кто работал с языковыми моделями, это ключевой пункт: галлюцинированные ссылки — самый быстрый способ потерять доверие аудитории.
  • Различение близких тем. Например, вопросы про RAG (поиск ответов по подключённой базе документов) и внешнюю память модели теперь ведут к разным материалам курса, и бот даёт обе ссылки, а не сливает темы в одну.
  • Чёткая граница ответственности. Бот объясняет методологию курса, но разработку и анализ конкретного проекта студента авторы рекомендуют вести вместе с кодовым агентом — Codex, Claude Code или аналогом.

Команды для студента остались прежними: /ai вопрос или /ask вопрос, полная инструкция — по /help. То есть обновление не потребовало от аудитории ничего переучивать.

Почему это важно для бизнеса, а не только для методистов

Если перевести технические изменения на язык денег и времени, картина такая.

Стоимость поддержки. Каждый повторный вопрос студента, на который отвечает живой куратор, — это оплаченные часы. Бот, который отвечает по первоисточникам и даёт рабочую ссылку, снимает типовые вопросы без участия человека. Бот, который путает темы и выдумывает ссылки, наоборот, добавляет работы: куратору приходится исправлять его ошибки и успокаивать студента.

Контроль качества. Различение близких тем — это не академическая тонкость. Если студент спросил про RAG, а получил материал про внешнюю память, он изучит не то и придёт с неправильным решением в практическом задании. Ошибка всплывёт позже и дороже — на проверке работы.

Репутационный риск. Придуманная ссылка в платном продукте — это прямой удар по доверию. Человек заплатил за доступ к материалам, кликнул — а урока нет. Автоматическая подстановка только реальных ссылок из базы курса закрывает этот риск на уровне механики, а не обещаний.

Разделение ролей экономит бюджет на инструменты. Команда заранее определила: вопросы «что говорит курс» — боту, задачи «разбери мой код» — кодовому агенту. Это защищает от типичной ошибки внедрения, когда один инструмент пытаются натянуть на все задачи, платят за дорогой сценарий там, где хватило бы дешёвого, и получают плохой результат в обоих случаях.

Как превратить это в повторяемую схему

Описанный подход переносится на любой курс, базу знаний или внутреннее обучение. Рабочая последовательность выглядит так.

Шаг 1. Разделите аудитории. Определите, где бот работает с теми, кто уже заплатил, а где — с потенциальными клиентами. Для «своих» уберите из ответов продающие вставки и увеличьте глубину ответа. Смешивать эти режимы в одном боте — значит раздражать либо студентов, либо покупателей.

Шаг 2. Подключите поиск по полным текстам, а не по заголовкам. Индексируйте тексты уроков, конспекты, расшифровки. Заголовок — плохой поисковый ключ: студент редко формулирует вопрос словами из названия урока.

Шаг 3. Запретите модели генерировать ссылки. Ссылки должны подставляться из реального каталога материалов по результатам поиска, а не рождаться внутри языковой модели. Это архитектурное решение, а не инструкция «пожалуйста, не выдумывай».

Шаг 4. Составьте карту близких тем. Выпишите пары понятий, которые студенты путают чаще всего (в источнике это RAG и внешняя память; у вас это могут быть «договор и счёт-фактура», «маркетинг и продвижение» — что угодно). Проверьте, что бот ведёт каждый вопрос к своему материалу и при неоднозначности даёт обе ссылки.

Шаг 5. Пропишите границу с кодовым агентом. Определите, какие запросы бот обрабатывает сам (методология, теория, навигация по курсу), а какие перенаправляет: «эту задачу лучше решать с Codex или Claude Code — вот как сформулировать запрос для агента». Бот не должен имитировать анализ проекта, который он не видит.

Что меняется Почему важно бизнесу Что проверить
Поиск по текстам уроков, а не по названиям Студент находит ответ без куратора — меньше часов поддержки Находит ли бот тему, если вопрос сформулирован «не словами урока»
Автоматические ссылки только из каталога Нет выдуманных ссылок — нет удара по доверию платящих клиентов Кликабельна ли каждая ссылка из 20 тестовых ответов
Различение близких тем Студент изучает правильный материал — меньше переделок на практике Ведут ли пары путающихся тем к разным материалам
Граница «бот vs кодовый агент» Не платите за дорогой сценарий там, где хватает простого Знает ли бот, когда остановиться и перенаправить
Разные режимы для закрытого и открытого чата Студенты не получают рекламу, лиды получают короткие ответы Нет ли промо-вставок в ответах платным студентам

Где ограничения и риски

Схема рабочая, но у неё есть честные границы.

Бот не видит проект студента. Он знает материалы курса, но не код, не данные и не контекст конкретной работы. Поэтому попытка заставить его «проанализировать мой проект» даст уверенный, но пустой ответ. Именно поэтому авторы курса прямо отправляют такие задачи к кодовым агентам — Codex, Claude Code или другим. Это не недостаток бота, это правильно проведённая граница.

Качество зависит от базы материалов. Если тексты уроков устарели, неполны или плохо структурированы, поиск по первоисточникам честно найдёт устаревшее и неполное. Бот усиливает базу знаний, а не заменяет работу по её поддержанию.

Различение близких тем требует ручной калибровки. Пример с RAG и внешней памятью — результат того, что команда заметила путаницу и поправила настройку. В вашем курсе пары путающихся тем будут свои, и их придётся выявлять по реальным вопросам студентов, а не угадывать заранее.

Сторонние кодовые агенты — отдельная статья расходов и доступа. Codex и Claude Code — внешние продукты со своими условиями, ценами и ограничениями доступа из России. Прежде чем строить процесс вокруг конкретного агента, проверьте, как команда будет его оплачивать и что делать при изменении условий.

Осторожность с выводами. Описанные улучшения — это формулировки авторов бота о собственном продукте. Независимых замеров качества ответов нет, поэтому переносить схему стоит с проверкой на своих данных, а не на доверии к чужому релизу.

Что сделать на этой неделе

Если у вас есть курс, база знаний или чат поддержки, проверку можно провести без перестройки процессов:

  1. Соберите 20 реальных вопросов студентов или клиентов за последний месяц и прогоните их через вашего бота (или через тестовую связку «поиск по документам + языковая модель»).
  2. Проверьте ссылки: каждая ссылка в ответах должна вести на существующий материал. Одна выдуманная ссылка — уже повод менять механику подстановки.
  3. Найдите свои «RAG и внешняя память»: выпишите 3–5 пар тем, которые аудитория путает, и проверьте, разводит ли бот их по разным материалам.
  4. Проверьте поиск по содержанию: задайте вопрос словами, которых нет в названиях уроков. Если бот не находит нужный материал — индексируются заголовки, а не тексты.
  5. Пропишите границу ролей: одна страница, где написано, какие вопросы решает бот, а какие уходят кодовому агенту или живому специалисту, и как именно бот должен перенаправлять.
  6. Разделите режимы: убедитесь, что платящие клиенты не получают в ответах бота продающие вставки.

Главный вывод прост: полезный учебный AI-бот — это не «умная модель», а три инженерных решения — поиск по полным текстам, ссылки только из реального каталога и честная граница, за которой начинается работа кодового агента или человека. Всё это проверяется за неделю на двадцати реальных вопросах, до того как вы потратите бюджет на внедрение.

Источники

Темы журнала

Что почитать дальше