В крупном российском банке, предположительно Альфа-Банке, была разработана система AI-консультанта по архитектуре, которая сочетает в себе традиционный поиск по документам (RAG) и граф знаний (GraphRAG). Это решение появилось из-за необходимости быстро и точно отвечать на вопросы о сложной ИТ-архитектуре, где информация распределена между множеством источников: Confluence, реестром систем, ADR и экспертами. Обычный RAG, основанный на семантическом поиске по текстовым фрагментам, оказался недостаточным для запросов, требующих понимания связей между архитектурными объектами. В банке с масштабным технологическим ландшафтом — множеством систем, модулей, компонентов, интеграций и команд — традиционные способы обмена знаниями уже не обеспечивали нужной скорости и полноты доступа к информации. На поиск уходило много времени, новым сотрудникам было сложно разобраться в архитектурном ландшафте, а архитекторы и эксперты регулярно отвечали на одни и те же вопросы.

В ходе эксплуатации выяснилось, что архитектурные вопросы делятся на два типа: простые, ответ на которые содержится в одном документе, и сложные, требующие обхода иерархии и интеграций. Например, вопросы вроде «Покажи модули системы, компоненты которых размещены в облаке» или «Какие интеграции затронет изменение компонента?» не решаются семантическим поиском. Для их обработки необходимо учитывать структуру: систему, модули, компоненты, их связи, владельцев, статусы и среду размещения. Классический RAG находил лишь отдельные фрагменты, но не давал полной картины. Чтобы оценить влияние изменения компонента, недостаточно найти его описание — нужно определить, к какому модулю и системе он относится, с какими компонентами взаимодействует, какие зависимые системы будут затронуты и какие стандарты применимы к этим связям. Ответ формируется не из одного фрагмента текста, а на основе цепочки отношений между архитектурными объектами. Поэтому было решено разделить знания на неструктурированные (тексты в Confluence) и структурированные (данные реестра) и применять для каждого свой механизм поиска.

Для неструктурированных знаний используется векторный поиск, который хорошо работает с архитектурными стандартами, паттернами, ADR и инструкциями. Он позволяет учитывать смысл запроса и находить релевантные фрагменты даже при отсутствии точных совпадений по ключевым словам. Для структурированных данных была построена графовая модель, где вершинами являются системы, модули и компоненты, а рёбрами — иерархические и интеграционные связи. Всего в реестре архитектуры банка около 2000 систем и 300 000 связей. Перенос данных в граф потребовал предварительного согласования модели: определения типов вершин и рёбер, атрибутов для фильтрации, обработки дублей и версионности. Каждая интеграционная связь содержит информацию о потребителе и поставщике, направлении потока данных, идентификаторах документов и сетевых компонентах. Такая структура позволяет выполнять многошаговые запросы, например, для анализа влияния изменений или поиска маршрутов взаимодействия между системами. Если представить эту модель только в виде текстовых чанков, информация о структуре и взаимосвязях частично теряется, тогда как графовая база сохраняет архитектурный контекст в явном виде.

До внедрения этого решения архитектурные знания были разрознены: часть в Confluence, часть в реестре, а ключевая информация — в головах экспертов. Это замедляло работу, усложняло онбординг новых сотрудников и приводило к повторяющимся вопросам. Классический RAG, который сначала был опробован, не справлялся с запросами о структуре и связях, так как семантически близкие фрагменты не отражали фактических отношений. Граф знаний, напротив, позволяет явно представить архитектурный контекст и выполнять сложные обходы. Таким образом, система стала гибридной: векторный поиск для текстов и GraphRAG для структурированных данных. Это не замена, а дополнение, позволяющее отвечать на более широкий класс вопросов. Маршрутизация запросов между источниками банка стала ключевым элементом архитектуры, обеспечивающим выбор подходящего механизма в зависимости от типа вопроса.

Для российского рынка данная разработка имеет большое значение, поскольку многие крупные компании сталкиваются с похожими проблемами управления архитектурными знаниями. Успешный кейс Альфа-Банка демонстрирует, что комбинация RAG и графа знаний может быть эффективной в условиях сложного ИТ-ландшафта. Отраслевые эксперты отмечают рост интереса к GraphRAG как к инструменту для работы со связанными данными. В условиях импортозамещения и перехода на отечественные решения такие системы могут стать конкурентным преимуществом. Кроме того, это подтверждает тренд на интеграцию ИИ в корпоративные процессы, особенно в финансовом секторе, где требования к точности и скорости принятия решений высоки. Пока в России это единичные случаи, но интерес растёт, и подобные решения появляются у других игроков, например, в Google и Microsoft, что говорит о глобальной тенденции.

По сравнению с альтернативами, такими как обычный RAG или ручной поиск, GraphRAG обеспечивает более точные ответы на сложные запросы. Однако его внедрение требует значительных усилий по подготовке данных и поддержанию графа в актуальном состоянии. В то же время системы на основе только векторного поиска проще в реализации, но ограничены. Гибридный подход, выбранный банком, позволяет использовать преимущества обоих методов. В будущем ожидается развитие AI-консультанта: расширение графа знаний, добавление новых типов связей и улучшение маршрутизации запросов. Открытыми вопросами остаются масштабируемость, автоматическое обновление данных и интеграция с другими корпоративными системами. Также важно обеспечить безопасность и разграничение доступа к чувствительной информации. Пока неясно, насколько легко тиражировать это решение в других компаниях, но опыт банка показывает, что инвестиции в такие системы оправданы. В перспективе подобные консультанты могут стать стандартом для управления архитектурой в крупных организациях.