ИИ-Ассистент

ИИ-Ассистент Omnismith позволяет взаимодействовать с рабочим пространством на естественном языке. Работающий на базе больших языковых моделей (Google Gemini), ассистент может генерировать новые схемы, выполнять запросы к данным, создавать демонстрационные сущности и анализировать временные ряды метрик.

1. Ключевые возможности

Цель запроса	Пример текстового запроса	Действие Ассистента
Проектирование схем	”Создай модель данных для учета программных лицензий, дат продления и годовой стоимости.”	Автоматически создает Атрибуты и объединяет их в новый Шаблон `Лицензия ПО`.
Загрузка данных	”Добавь новый сервер ‘prod-api-02’ с загрузкой CPU 45%.”	Создает запись сущности с точными значениями атрибутов в шаблоне `Серверный узел`.
Аналитика и поиск	”У каких серверов средняя загрузка CPU была выше 80% сегодня?”	Выполняет запрос к аналитике метрик временных рядов и возвращает сводную таблицу.
Сводка данных	”Сделай краткую сводку по активным высокоприоритетным заявкам в поддержку.”	Сканирует сущности и предоставляет ключевые операционные рекомендации.

2. Потоковый вывод и агентные циклы

Когда вы отправляете запрос ИИ-Ассистенту:

Планирование агента: Ассистент разбивает ваш запрос на последовательность вызовов инструментов (например, поиск существующих шаблонов → создание атрибутов → создание сущностей).
Потоковый ответ (Streaming): Шаги рассуждений и текст ответа передаются в реальном времени в интерфейс чата.
Контекстная осведомленность: Ассистент учитывает текущий проект, права вашей роли и активную схему шаблонов.

Интерфейс чата ИИ-Ассистента с потоковым выводом действий агента

3. Мультимодальный Агентный RAG и контекстный поиск

ИИ-Ассистент использует технологию Агентного RAG (Retrieval-Augmented Generation), напрямую интегрированную с динамическим движком данных:

Контекстное понимание: При сложных запросах на естественном языке (например, “Найди серверы с признаками перегрева или нестабильности”), ассистент преобразует запрос в семантические эмбеддинги и находит релевантные сущности, даже если формулировки различаются (например, “Снизилась скорость кулера; пик температуры”).
Гибридный поиск: Ассистент динамически сочетает детерминированные фильтры (точные статусы, числовые пороги, диапазоны дат) с семантической векторной близостью, гарантируя обоснованность ответов на реальных данных.
Соблюдение безопасности RBAC: Каждая операция поиска в базе векторов выполняет проверку прав доступа роли и разграничения строк проекта перед отправкой контекста в модель.

Пользователь: "Какие серверы испытывали проблемы с перегревом при прошлом деплое?"
  │
  ├── 1. Генерация векторного эмбеддинга запроса
  ├── 2. Поиск ближайших векторов среди сущностей проекта
  ├── 3. Проверка прав RBAC и фильтрация строк
  └── 4. Потоковый вывод обоснованного анализа и рекомендаций

4. Рекомендации по составлению запросов

Будьте конкретны: Указывайте названия шаблонов, заголовки атрибутов и числовые значения при запросе создания записей.
Итеративное уточнение: Просите ассистента дорабатывать схему (например, “Теперь добавь атрибут-список ‘Среда’ к этому шаблону сервера”).
Проверка: Просматривайте созданные сущности и шаблоны в стандартных разделах UI после сгенерированных изменений.