Zastosowania Asystent RAG
RAG z pełną suwerennością danychLokalny Asystent RAG: Wewnętrzna Baza Wiedzy 100% On-Premise
Zamień firmowe dokumenty w asystenta, który odpowiada w kilka sekund i wskazuje źródło — na Twoim serwerze, zgodnie z RODO i EU AI Act.
- Lokalne embeddingi
- Lokalna baza wektorowa
- Gotowe na air-gap
- Działa na stacji roboczej
Odpowiedzi od razu, bez czytania setek stron.
Instrukcje, wytyczne, regulaminy i umowy stają się asystentem, który odpowiada na pytanie w kilka sekund i pokazuje, z którego dokumentu wzięła się odpowiedź. System uruchamiasz bezpośrednio na serwerze firmowym lub stacji roboczej — bez przesyłania plików do chmury zewnętrznej, bez opłat za kroki decyzyjne i z pełną weryfikacją źródeł.
Mniej powtarzalnych pytań do ekspertów
Najczęstsze pytania obsługuje asystent, więc zespół wsparcia i konsultanci zajmują się sprawami, które naprawdę wymagają człowieka.
Wsparcie na każdym etapie projektu
Asystent pomaga zarówno przy planowaniu i weryfikacji wymogów (zasady pomocy publicznej, kryteria kwalifikowalności), jak i w codziennych wątpliwościach proceduralnych w trakcie realizacji.
Odpowiedź z odnośnikiem do źródła
Asystent korzysta wyłącznie z dokumentów Twojej organizacji i wskazuje rozdział, stronę oraz paragraf, więc każdą odpowiedź można sprawdzić u źródła.
Dostępność poza godzinami pracy
Pracownicy, beneficjenci i klienci uzyskują pomoc również wieczorem i w weekend, bez zwiększania zatrudnienia.
Co się zmienia w praktyce
Wyszukiwanie informacji skraca się z kilkudziesięciu minut przeglądania plików PDF do krótkiej rozmowy. Poufne wytyczne i dokumenty zostają przy tym w Twojej infrastrukturze i nie służą do trenowania publicznych modeli AI (RODO, EU AI Act).
Dlaczego aamp RAG dla firm?
aamp nie jest konektorem do czyjejś usługi RAG. To pełny zestaw narzędzi: konfigurujesz bazę wiedzy i sposób jej indeksowania, obserwujesz wyszukiwanie i indeksowanie w trakcie działania oraz dostrajasz prompty dzielenia tekstu i inferencji — wszystko z jednej konsoli, na własnej infrastrukturze.
100% on-premise, gotowe na air-gap
System działa jako pojedynczy plik binarny (Single Go Binary) z wbudowaną bazą danych. Możesz go uruchomić bezpośrednio na stacji roboczej lub serwerze lokalnym bez dostępu do Internetu.
Precyzyjne cytowanie i weryfikowalne źródła
Każda odpowiedź opiera się na dostarczonym kontekście i zawiera odnośniki do konkretnych dokumentów źródłowych (PDF, DOCX, bazy danych), więc da się ją sprawdzić w źródle.
0% marży na tokenach, brak opłat za kroki
Płacisz za silnik orkiestracji, a nie za liczbę odpytań bazy wektorowej czy pętli decyzyjnych. Łącz system z dowolnym lokalnym silnikiem (Ollama, vLLM) lub własnym kluczem API.
Pełna izolacja i zgodność z RODO / EU AI Act
Dokumenty handlowe, umowy, dane medyczne i finansowe nie opuszczają Twojej infrastruktury. Zabezpiecz operacje dzięki sprzętowej izolacji Firecracker MicroVM oraz dwukierunkowej zaporze (Dual Safety Firewalls).
Obsługiwane scenariusze i bazy danych
Łączenie zasobów: pliki sieciowe, bazy relacyjne SQL, systemy ERP/CRM oraz zapytania w czasie rzeczywistym — z zachowaniem uprawnień użytkowników (RBAC).
Bazę wiedzy ustawiasz sam, nie dostajesz gotowego pudełka.
Każdy krok przetwarzania dokumentów jest ustawieniem po Twojej stronie: który model dzieli tekst na fragmenty, jak te fragmenty mają wyglądać, gdzie działa indeksowanie i jak agent ma odpowiadać.
Dostawca i model dzielenia tekstu, wiązane osobno.
Ustaw podstawowego dostawcę LLM i — osobno — model, który dzieli surowy tekst na uporządkowane jednostki. Do tego zadania zwykle wystarcza mały model, jak gpt-4.1-mini. Żaden z nich nie musi być domyślnym modelem Twojego agenta.
Indeksowanie działa poza Twoimi głównymi systemami.
Helper VM RAG Indexer obsługuje indeksowanie dokumentów w izolowanym, jednorazowym środowisku. Wariant VLM dodaje Docling i GraniteDocling dla skanów i dokumentów obrazowych. Opcjonalny helper Jina Reader pobiera treść z adresów URL i przeszukuje sieć, gdy źródło leży poza Twoimi plikami.
Każda baza ma nazwę i opis.
Każda baza ma nazwę i opis, więc repozytoria są klasyfikowane i udokumentowane, a nie odkładają się jako nieopisane indeksy, których przeznaczenia nikt nie pamięta.
Fragmenty wracają jako uporządkowany JSON.
Ekstrakcja zwraca ustandaryzowany JSON. Każdy fragment ma tytuł, samodzielną treść w Markdown i streszczenie; tagi kontekstowe dla słów kluczowych, encji, tematów i pytań; oraz pochodzenie w postaci stron źródłowych i poziomu pewności.
Zapytanie to zdefiniowany przepływ, nie zgadywanie.
Call knowledge_search z precyzyjnym zapytaniem, czytaj najlepsze trafienia przez knowledge_read_document, przechodź po powiązaniach za pomocą read_chunk, a potem syntezuj z pobranych faktów — i mów wprost, gdy dowodów nie ma.
Indeksy należą do hosta.
Indeksy są przechowywane w środowiskach zarządzanych przez hosta, więc żaden zewnętrzny dostawca modelu nie zatrzymuje Twoich dokumentów ani nie trenuje na nich.
Cztery kroki, jedno środowisko.
Zdefiniuj bazę
Nazwij i opisz repozytorium, potem powiąż dostawcę LLM i model, który podzieli dokumenty na fragmenty.
Indeksuj na izolowanej mocy
Helper VM RAG Indexer parsuje i indeksuje dokumenty poza Twoimi głównymi systemami. Dodaj helper Jina Reader, gdy źródłem jest adres URL, a nie plik.
Wgraj, potem zindeksuj całą bazę
Surowe pliki leżą niezindeksowane, dopóki nie uruchomisz indeksowania. Pasek postępu pokazuje liczbę plików surowych, przetworzonych i dokumentów, aż helper się wyłączy.
Pytaj i dostawaj ugruntowane odpowiedzi
Agent szuka, czyta najlepsze dokumenty, przechodzi po powiązanych fragmentach i odpowiada na podstawie pobranych faktów — podając strony albo mówiąc, że dowodów brak.
Suwerenność jest tu wpisana w konstrukcję.
Cztery właściwości projektu, a nie cztery ustawienia, o których włączeniu trzeba pamiętać.
Przetwarzanie nie dotyka pamięci współdzielonej.
Przetwarzanie i indeksowanie działają na dedykowanych, izolowanych maszynach wirtualnych, trzymając surowe dokumenty i zadania indeksujące z dala od zewnętrznych wektorów sieciowych i współdzielonej pamięci.
Każdą odpowiedź można sprawdzić w źródle.
Ścisły format JSON i śledzenie źródeł na poziomie strony dają pełną identyfikowalność. Każdą odpowiedź da się zweryfikować w wewnętrznym dokumencie źródłowym — i to właśnie zapobiega pewnym siebie wymysłom.
Żadna strona trzecia nie zatrzymuje Twoich dokumentów.
Indeksy żyją w środowiskach zarządzanych przez hosta, więc zewnętrzni dostawcy nie mogą zatrzymać firmowych danych ani na nich trenować.
Brak dowodów jest komunikowany, nie uzupełniany.
Polecenie modelowi, by zgłaszał brak dowodów, wymusza granicę zero-trust: żadnych nieuprawnionych założeń i żadnych wycieków między obszarami tematycznymi.
Branże, w których kontrola danych jest wymogiem.
Prawo i compliance
Indeksuj umowy, akty prawne i orzecznictwo ze śledzeniem cytowań na poziomie strony — na potrzeby due diligence i przygotowania pism.
Ochrona zdrowia i nauki o życiu
Parsuj wytyczne kliniczne, badania medyczne i protokoły opieki, gdy dane pozostają wyłącznie w suwerennych maszynach wirtualnych.
Usługi finansowe i bankowość
Przeszukuj wewnętrzne logi audytowe, oceny ryzyka i złożone prospekty bez wystawiania firmowych danych na publiczne potoki treningowe LLM.
IT korporacyjne i inżynieria oprogramowania
Zamień wewnętrzne repozytoria kodu, zapisy decyzji architektonicznych i logi systemowe w uporządkowany kontekst dla wsparcia operacyjnego i diagnostyki.
Produkcja i obronność
Indeksuj wrażliwe instrukcje techniczne, schematy serwisowe i dane łańcucha dostaw na własnej lub izolowanej infrastrukturze, spełniając wymogi suwerenności.