Архитектура Expert AI Layer
Архитектура Expert AI Layer соединяет человеческую экспертизу с AI-моделями и приложениями через поддерживаемый и проверяемый слой профессиональных знаний. Она даёт AI не только найденный текст, но и контекст, методы, правила, решения и границы, необходимые для работы в реальной организации.
В архитектуре могут использоваться документы, семантический поиск, RAG, MCP, векторные базы и AI-агенты. Ни один из этих компонентов сам по себе не является Expert AI Layer.
Базовая архитектура
Эксперты и владельцы знаний → источники, кейсы и решения → сбор, структура и проверка → Expert AI Layer → поиск и выбор контекста → AI-клиент, модель или агент → ответ, рекомендация или действие → обратная связь человека и новые знания.
Стрелка обратной связи важна: экспертные знания меняются при появлении новых кейсов, исключений, политик и исправлений AI.
Основные компоненты
1. Источники экспертизы
Документы, политики, руководства, примеры, переписки, ответы поддержки, инженерные записи, юридический анализ и опыт специалистов. Источники являются доказательствами и сырьём, но не всегда готовыми правилами.
2. Сбор знаний
Сбор превращает опыт в явный материал: фиксирует не только решение, но и заданные вопросы, важные сигналы, отвергнутые варианты и исключение, изменившее результат.
3. Структура
Структурированное знание отделяет факты, принципы, методы, решения, правила, исключения, кейсы и границы. Это помогает человеку проверять материал, а AI — не путать источник с выводом.
4. Проверка и статус
У каждого важного правила должны быть владелец, статус и путь проверки. Черновик, принятое, устаревшее и отклонённое знание не должны иметь одинаковый авторитет.
5. Выбор контекста
Для задачи выбираются релевантные знания с учётом категорий, тегов, связей, поиска, прав доступа и роли пользователя. Отправить всё — не значит дать полезный контекст.
6. Подключение к AI
Выбранное знание передаётся через AI-клиент, API, MCP, retrieval pipeline или агентский сценарий. Подключение должно сохранять права доступа и показывать, какие знания были доступны.
7. Обратная связь
Люди проверяют результат, находят пробелы и конфликты и обновляют слой. Поддержка — часть архитектуры, а не поздняя административная задача.
Десять уровней архитектуры
- Источники экспертизы. Эксперты, документы, кейсы, решения, политики и рабочие записи.
- Сбор знаний. Объяснения, правила, методы, примеры, исправления и решения.
- Модель экспертных знаний. Связанные, но не взаимозаменяемые факты, методы, критерии, исключения и границы.
- Управление и подтверждение. Авторство, версии, статус, владелец и разрешение конфликтов.
- Категории и доступ. Область экспертизы, пользователи, AI-клиенты и разрешённые операции.
- Поиск и сборка контекста. Точный и семантический поиск с учётом статуса, области и прав.
- Интерфейс подключения. MCP, API и другие интерфейсы для AI-хоста или клиента.
- Модель и оркестрация. Интерпретация контекста, планирование промптов, поисков и проверок.
- Действия и инструменты. Отделение рекомендации от разрешения выполнить действие.
- Обратная связь и развитие. Возврат исправлений, новых кейсов и пробелов владельцам знаний.
Ключевые принципы
- Независимость от модели: экспертные знания должны переживать смену модели и приложения.
- Проверяемость человеком: эксперт должен видеть, исправлять и подтверждать знания.
- Управляемый статус: черновик, принятое, историческое и заменённое знание различаются.
- Явная область применения: у правила должны быть указаны где, когда и для кого оно действует.
- Связанные знания: правила связаны с исключениями, решения — с кейсами, методы — с задачами.
- Контроль действий: контекст определяет не только ответ, но и разрешённые действия и передачу человеку.
Практическая модель данных
Элемент знания может включать заголовок и объяснение, тип, источник и автора, категорию и область, статус и версию, связанные и заменённые элементы, владельца проверки, доказательства, пробелы и разрешённые AI-операции. Это информативнее, чем один заголовок документа и его текст.
Эталонная архитектура
Источники → сбор → модель знаний → управление → категории и права → поиск и сборка контекста → MCP/API → AI-модель → оркестрация → инструменты и действия → обратная связь и проверка.
Архитектуру можно внедрять постепенно: начать с одной категории, небольшого набора статей и простого подключения, а затем добавлять автоматизацию и управление.
Как Noda вписывается в архитектуру
Sekura Noda предоставляет поддерживаемый, понятный человеку слой знаний и подключения, через которые AI-клиенты могут его искать и использовать. Noda поддерживает статьи, категории, статусы, связи, ключи доступа и операции MCP.
Noda — не только векторный индекс и не транспортный протокол. Поиск и MCP помогают AI достичь знания, а архитектура определяет его смысл, владельца и способ применения.
Минимальная архитектура для первого проекта
- Выберите одну повторяемую бизнес-задачу.
- Назначьте владельца-эксперта.
- Создайте небольшую категорию проверенных знаний.
- Отделите принятое руководство от черновиков.
- Зафиксируйте основные правила и исключения.
- Подключите категорию к одному AI-клиенту.
- Определите границу передачи человеку.
- Проверяйте реальные результаты и добавляйте обратную связь.
Типичные архитектурные ошибки
- Хранить всё в одном промпте.
- Использовать семантическое сходство без фильтров статуса и доступа.
- Смешивать гипотезы и утверждённые правила.
- Оставлять исключения отдельно от общего правила.
- Не фиксировать пробелы и позволять AI выдумывать.
- Привязывать экспертизу к одному приложению.
Где находится RAG
RAG полезен для поиска релевантных фрагментов. Он может быть частью выбора контекста внутри Expert AI Layer, но сам не отвечает, какое правило главное, актуален ли источник, действует ли исключение и может ли AI выполнить действие.
Где находится MCP
MCP — Model Context Protocol — соединяет AI-хост, клиент, сервер, инструменты и знания. В этой архитектуре MCP является слоем доступа и интеграции. Он не определяет принципы компании, правила, исключения, владельцев и проверки: это задача Expert AI Layer.
Персональная и корпоративная архитектура
Персональный слой может иметь одного владельца и несколько процессов: метод диагностики консультанта, поиск неисправностей инженера или чек-лист юриста. Корпоративный слой требует нескольких владельцев, прав по категориям, проверки, версий, разрешения конфликтов и вывода устаревших правил.
Архитектура для AI-агентов
Агенту нужен контекст до выбора инструмента и действия. Expert AI Layer задаёт метод, условия, ограничения и правила эскалации. Инструменты определяют, что агент может сделать, оркестрация — как он планирует, память — какое состояние сохраняет, а слой — какие профессиональные правила применяются.
Практическая последовательность внедрения
Выберите процесс, найдите эксперта и владельца знаний, соберите источники и кейсы, выделите методы, принципы, правила и исключения, проверьте их статус, подключите категорию к AI-клиенту, протестируйте обычные и исключительные случаи, затем возвращайте исправления в слой.
Часто задаваемые вопросы
Это программный стек?
Это концепция знаний и архитектуры. Noda, поиск, RAG, MCP, базы и AI-клиенты реализуют разные её части.
Нужна ли векторная база?
Нет. Она может поддержать семантический поиск, но архитектуре также нужны структура, владелец, проверка, правила, исключения и границы.
Можно ли использовать несколько моделей?
Да. Независимость контекста от модели — одна из главных причин использовать слой.
Чем он отличается от AI-базы знаний?
База может хранить и находить информацию. Expert AI Layer дополнительно описывает, как профессиональные знания применять и контролировать.