- Дата публикации
Как «Буарон» запустил RAG-бота на Yandex Cloud Agent без Python и оркестраторов
Что появилось / что изменилось
Фармацевтическая компания «Буарон» запустила на своём портале по клинической гомеопатии умного ассистента на базе Yandex Cloud Agent. Он обрабатывает пользовательские запросы круглосуточно и закрывает часть задач, которые раньше требовали участия специалистов.
Ключевые изменения:
- Автоматическая обработка обращений с сайта вместо ручных ответов специалистов.
- Поддержка сложной предметной области: 130 гомеопатических монопрепаратов и 10 комплексных лекарств.
- Работа не только с описаниями препаратов, но и с комплексными решениями, например с «ЛОР‑протоколом».
- Интеграция с существующим стеком компании: PHP + WordPress без использования Python и оркестраторов.
- Обработка потока более 300 000 запросов в год — это свыше 800 обращений в сутки — с меньшим числом потерянных запросов.
До внедрения посетители нередко не находили ответы, часть обращений «терялась» в системе или требовала личного участия специалистов. После запуска ассистента значимая часть этого потока переехала в автоматический режим, а эксперты подключаются к разбору только сложных случаев.
Как это работает
Основа решения — Yandex Cloud Agent, который использует RAG‑подход: Retrieval Augmented Generation. Модель не «придумывает» ответы сама по себе, а опирается на внутреннюю базу знаний «Буарон».
Под капотом происходит несколько шагов:
- Пользователь формулирует запрос на сайте.
- Ассистент преобразует его в форму, удобную для поиска по базе знаний.
- Система выбирает релевантные материалы: описания отдельных препаратов, инструкции и протоколы наподобие «ЛОР‑протокола».
- Yandex Cloud Agent на основе этих документов формирует ответ.
- Ответ возвращается в интерфейс портала.
Вся интеграция построена на связке PHP и WordPress. Команда QSOFT не подключала отдельный оркестратор и не писала backend на Python. Это снижает порог входа для команд, которые уже живут в экосистеме PHP и не готовы менять стек ради одного ИИ‑проекта.
Портал «Буарон» содержит большой объём специализированной информации. Для ассистента важна точность сопоставления запроса с нужным разделом: ошибка может привести к неправильной рекомендации по препарату или протоколу. RAG‑архитектура помогает сузить контекст до нужных документов, а не пытаться ответить «по памяти» модели.
Что это значит для вас
Если вы развиваете медицинский или фармацевтический сервис, кейс «Буарон» показывает, что можно встроить ИИ‑ассистента без полной перестройки инфраструктуры. Достаточно WordPress‑портала, кода на PHP и доступа к Yandex Cloud Agent.
Где это уместно:
- Порталы с большим числом материалов: инструкции, протоколы, описания препаратов и методик.
- Сервисы с высокой нагрузкой на поддержку — сотни и тысячи запросов в день.
- Проекты, где важна трассируемость ответа: можно всегда понять, на какие документы модель опиралась.
Где лучше подумать дважды:
- Сценарии, требующие окончательных медицинских диагнозов: ИИ‑ассистент подходит для справочной информации, навигации по порталу и первичных подсказок, но не заменяет врача.
- Площадки без структурированной базы знаний. Без аккуратно подготовленных документов RAG‑подход теряет смысл.
Если ваша команда не использует Python и не планирует заводить отдельный оркестратор, этот подход показывает, что можно ограничиться PHP‑интеграцией и всё равно получить рабочий бот для поддержки.
Место на рынке
Решение строится полностью на Yandex Cloud Agent и YandexGPT, а не на GPT‑4o или Claude 3.5. Это логично для российских проектов, которым важна юридическая и техническая предсказуемость работы сервисов внутри отечественной инфраструктуры.
Здесь нет сложной многоступенчатой архитектуры с внешними оркестраторами, как это часто делают в связках из GPT‑4o, векторных баз и кастомных микросервисов. Сильная сторона подхода — относительно простая интеграция с привычным стеком (PHP + WordPress) и фокус на конкретной предметной области.
Проект показывает жизнеспособный сценарий использования Yandex Cloud Agent в медицине: RAG‑бот работает на узкоспециализированной базе знаний, выдерживает поток более 800 запросов в день и не требует от команды перехода на другой язык программирования или громоздкую оркестрацию процессов.