ИИ-консультант по нормативке для энергосбытовой компании
Реальный проект на базе Zakon.AI: система отвечает по ПП РФ № 442, ПП РФ № 1179, приказам Минэнерго, методическим указаниям ФАС и внутренним регламентам — с цитатой и ссылкой на пункт источника. Сейчас пилот тестируется коллегами и дорабатывается по их обратной связи.
Что это и зачем
Это не «чат с интернетом», а помощник по вашей нормативной базе. Сотрудник задаёт вопрос обычными словами — как коллеге в переписке — и получает ответ с указанием документа и пункта. Система не выдумывает нормы из головы: она ищет в загруженных актах и формулирует ответ только на основе найденного текста.
Пилот сделан для энергосбытовой компании: юристы, тарифные экономисты, договорной блок и сотрудники розничного сбыта. Сейчас коллеги тестируют систему в рабочих сценариях, мы дорабатываем формулировки и покрытие базы.
Как это работает — простыми словами
- Вы задаёте вопрос. Например: «Учитываются ли точки поставки без ПУ при расчёте НВВ по методу аналогов?»
- Система ищет по смыслу. Она понимает формулировку, а не только точные слова — и находит нужные фрагменты в ПП РФ № 442, приказах Минэнерго, методических указаниях ФАС и других документах базы.
- Вы получаете ответ со ссылкой. Краткий вывод + документ + пункт. Можно открыть фрагмент источника и проверить цитату.
- Эксперт принимает решение. Система ускоряет поиск и черновик позиции; окончательный ответ и ответственность — за специалистом компании.
Какие плюсы для работы
- Экономия времени. Сложный запрос по нормативке, на который уходили 1–3 часа в Консультанте и PDF, сводится к минутам на черновик со ссылками.
- Меньше риска пропустить пункт. Один вопрос часто затрагивает несколько актов сразу — система подтягивает связанные фрагменты в одном ответе.
- Проверяемый источник. Каждый вывод можно открыть в документе — важно при подготовке к проверкам и переписке с регулятором.
- Не как ChatGPT. Общедоступные чаты не знают актуальную отраслевую нормативку и могут уверенно ошибаться. Здесь ответ строится только из вашей базы.
- Доступ 24/7. Смежные отделы не ждут «звонка юристу» — есть единая точка входа с источниками.
- Разграничение по ролям. Внутренние документы видят только те подразделения, которым они предназначены.
Кому полезно в компании
Примеры вопросов
- Учитываются ли точки поставки без ПУ при расчёте НВВ по методу аналогов?
- В какой срок энергосбытовая компания обязана опубликовать предельные уровни нерегулируемых цен?
- Какие основания для ограничения режима потребления по ПП РФ № 442?
- Можно ли применить п. 65(5) при определении нерегулируемых цен?
- Какие документы нужны для заключения договора энергоснабжения с потребителем?
Пример ответа из пилота: «Да, при действующем договоре энергоснабжения такие точки включаются в количество для НВВ. Основание: п. 65(2) Приказа № 1178, п. 13 МУ 1554/17, п. 32 и 42 ПП РФ № 442».
Что изменилось в пилоте
| Показатель | Было | Стало |
|---|---|---|
| Поиск нормы по запросу | 1–3 часа (Консультант, PDF, согласование с коллегой) | ~1,5 минуты на черновик со ссылками |
| Сверка нескольких актов | Ручной поиск по каждому документу | Один запрос — связанные пункты в одном ответе |
| Доступ для смежных отделов | Через «звонок юристу» | Единый чат с источниками |
Архитектура
Классический RAG-конвейер без готовых фреймворков вроде LangChain — собственный пайплайн на Python. Документы хранятся и индексируются локально; генерация ответа идёт через API языковой модели с жёсткой привязкой к найденным фрагментам.
нормативка + регламенты
~3000 симв., overlap 400
векторный поиск
ответ по контексту
Стек и компоненты
sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — мультиязычная модель для русскоязычных юридических текстов.
IndexFlatL2), индекс собирается офлайн и подгружается при старте приложения.
deepseek/deepseek-v4-flash) или прямой API — в зависимости от контура развёртывания.
Пайплайн данных
- Конвертация. Нормативные документы приводятся к единому формату Markdown.
- Чанкинг. Текст режется на фрагменты ~3000 символов с перекрытием 400 символов, чтобы не терять контекст на границах пунктов.
- Индексация. Для каждого чанка считается вектор; строится FAISS-индекс и сохраняется на диск.
- Запрос. Вопрос пользователя эмбеддится, из индекса выбираются top-k релевантных фрагментов.
- Генерация. LLM получает только найденный контекст и инструкцию отвечать со ссылками на пункты; ответ логируется в SQLite.
- Обновление. При загрузке новой редакции документа индекс пересобирается для актуальной базы.
Особенности реализации
- Без LangChain / LlamaIndex — полный контроль над чанкингом, промптом и форматом ответа.
- Ответ всегда привязан к retrieved-контексту; модель не опирается на «память» из предобучения.
- Отдельный экран со списком нормативки: номер, название, даты редакций.
- Экспорт диалога в Word (текст) и Excel (таблица) для служебных записок.
- Пилот в активной доработке: расширение базы, уточнение промптов, обратная связь от тестовых пользователей.
Хотите похожее решение для вашей энергосбытовой компании?
Обсудим состав нормативной базы и покажем демо на типовых вопросах по розничному рынку — по приглашению.
Связаться