Как мы построили корпоративную Knowledge OS для изолированного контура — архитектура, аудит и четыре реальных инструмента

Представьте: новый сотрудник выходит на работу. Открывает корпоративную систему поиска, пишет «техника безопасности» — и получает 47 результатов в случайном порядке. Система не знает что он инженер, а не бухгалтер. Ему нужна эксплуатационная инструкция, а не юридический регламент.

Именно с этой боли мы начали строить MERIDIAN — корпоративную Knowledge OS для изолированного контура. Никаких внешних API, полный офлайн, air-gapped режим. Система прошла стендовый аудит и готова к развёртыванию в защищённом корпоративном контуре.

Расскажу честно: что делали, где споткнулись, что получилось. И ещё про три инструмента которые появились параллельно.

Что умеет система

По результатам аудита подтверждено следующее:

— Загрузка документов, папок и Obsidian vault с автоиндексацией — Гибридный поиск по смыслу и ключевым словам одновременно (FAISS + BM25 + SQLite) — Точная работа с таблицами и структурированными данными — Локальная LLM через Ollama (Qwen3:14b) — без внешних API — OCR-модуль встроен и работает локально через Tesseract — Поддержка офлайн-транскрибации через Whisper при наличии предзагруженной модели — Генерация отчётов в DOCX по результатам поиска — Защита от prompt injection — документы не становятся векторами атаки на LLM — Полная очистка индекса при удалении (reconcile-механизм обеспечивает консистентность) — Ответы строго по источникам — система молчит если данных нет, не выдумывает — Полностью офлайн/air-gapped при предзагруженных моделях — ни один байт не уходит наружу

Почему не Elasticsearch

Elasticsearch — отличный продукт. Но нам нужно было то чего в нём нет:

Персонализация по ролям. Когда инженер ищет «техника безопасности» — он должен видеть эксплуатационные инструкции. Когда бухгалтер ищет то же самое — юридические регламенты. Одни и те же слова, разные люди, разные результаты.

Передача знаний между ролями. Новый сотрудник приходит в отдел — с первого дня видит результаты которые его коллеги накапливали месяцами. Без дополнительного обучения, автоматически.

Полный офлайн. Все модели, OCR, LLM — локально. Ни один байт корпоративных данных не покидает контур.

Понимание авторитетности документов. Технический стандарт на который ссылаются восемь других документов должен подниматься в результатах — даже если ключевые слова запроса в нём почти не встречаются.

Как работает ранжирование

Каждый результат поиска проходит через шесть уровней оценки — мы назвали это MIRS (MERIDIAN Intelligent Ranking Score).

В архитектуре предусмотрены: гибридный поиск, ролевые сигналы, байесовская персонализация, графовые признаки ранжирования и марковские предсказания следующего запроса.

Уровень 1: гибридный поиск. Семантический поиск по смыслу плюс полнотекстовый по ключевым словам. Результаты объединяются через взвешенное слияние рангов (Reciprocal Rank Fusion).

Уровень 2: ролевые сигналы. Документы которые люди с твоей должностью находят полезными поднимаются выше.

Уровень 3: история сессии. Если в этой сессии ты уже отметил документ как полезный — похожие поднимаются.

Уровень 4: байесовская персонализация. Накопленные оценки пользователей влияют на ранжирование через вероятностную модель Beta(α,β).

Уровень 5: иерархический байес (HBRF). Наш авторский алгоритм. Новая роль автоматически наследует коллективный опыт всех ролей — и постепенно формирует собственный. Zero-shot без обучения. Алгоритм оформлен свидетельством Роспатента (№ 7204600355).

Уровень 6: граф знаний и PageRank. Документы связаны по семантической близости. Авторитетные документы получают более высокий ранг — как страницы в поисковике, только внутри корпоративного корпуса.

Плюс марковские цепи которые запоминают что люди обычно ищут после каждого запроса.

Результаты стендового аудита

Последний аудит подтвердил прохождение всех ключевых проверок:

— Гибридный поиск (FAISS + BM25 + SQLite) — пройдено — Точные ответы по таблицам — пройдено — Безопасная индексация папок — пройдено — Obsidian vault — пройдено — Delete/reconcile консистентность — пройдено — Генерация DOCX-отчётов — пройдено — Защита от prompt injection — пройдено — Обработка поправок к документам (amendment/freshness) — пройдено — Работа без источника (fail-closed) — пройдено

На тестовом стенде поиск работает в субсекундном режиме на проверочном корпусе документов.

Честно о том что не получилось

Полноценный production benchmark не проводился. Тесты выполнялись на стенде — для честной оценки производительности на реальной нагрузке нужен отдельный замер.

Whisper не входит в базовый пакет развёртывания. Голосовые запросы доступны при наличии предзагруженной модели — это отдельный шаг конфигурации.

Ролевые модули (HBRF, Markov, PageRank) разработаны и описаны в исследовательской части — отдельная live-приёмка этих модулей проводится на следующем этапе.

Веса ролей пока задаются вручную. В следующей версии планируем автоматическое обучение на реальных данных.

Ещё три инструмента которые появились параллельно

Пока MERIDIAN решал задачу поиска, параллельно были разработаны три отдельных инструмента.

Автоматизация тендерной документации

Подготовка комплекта документов по 44-ФЗ/223-ФЗ занимала у специалиста 6 часов. Построили мультиагентную систему: парсер тендерной документации → анализатор рисков → генератор документов → валидатор соответствия.

Главная неожиданность — языковая модель галлюцинирует на юридических текстах. Решение: актуальная нормативная база плюс детерминированная проверка каждого утверждения через источник. Нет источника — система отказывает, не выдумывает.

На стенде: подготовка пакета сократилась с 6 часов до 15 минут. 24-кратное ускорение.

Wi-Fi авторизация через OTP

Корпоративный Wi-Fi без идентификации пользователей. Построили систему авторизации через корпоративную почту: подключение → ввод email → одноразовый код → фиксация email, MAC-адреса, модели устройства, времени сессии.

Интеграция с корпоративным каталогом (LDAP). Аномальное поведение флагируется для ИБ-команды автоматически.

Массовая проверка IP через VirusTotal

ИБ-команда получала списки из сотен IP-адресов для проверки репутации. Вводить каждый вручную — часы монотонной работы. Сделали инструмент: вставляешь список, получаешь таблицу репутации по каждому адресу. Батчевая обработка, цветовая индикация угрозы, экспорт в CSV.

Что общего между всеми четырьмя инструментами

Изолированный контур — не ограничение, а требование. Все четыре работают без доступа к внешним сетям. Локальные модели, никаких данных наружу.

RAG надёжнее fine-tuning для корпоративных задач. Нигде не обучали модели — везде актуальная база знаний плюс жёсткий контур валидации ответов.

Детерминированная логика вокруг LLM. Языковая модель — инструмент для понимания текста, не оракул. Все критические решения проходят через детерминированную проверку.

Вместо заключения

Мы начали с вопроса «почему новый сотрудник получает те же результаты что и директор?» — и пришли к шести уровням ранжирования, иерархической байесовской модели и графу знаний.

Самое ценное не скорость и не точность сами по себе. Ценно то что каждый клик «полезно» делает поиск умнее именно для той роли которая его поставила. Бухгалтер учит систему для бухгалтеров. Инженер — для инженеров.

Поиск который знает кто ты — это не магия. Это правильно выстроенная математика.

Свидетельство Роспатент: № 7204600355 Препринт SSRN: Abstract ID 6576478
Если работаете с корпоративным AI или
изолированными контурами — пишите:
arharius@yandex.ru