Разработка интеллектуального диалогового ассистента с динамическим выбором нейросетевых языковых моделей и механизмом извлечения знаний

Статья посвящена разработке интеллектуального диалогового ассистента для поддержки пользователей при получении и уточнении расписания учебных занятий. Рассмотрена эволюция диалоговых систем — от ранних правило-ориентированных текстовых диалоговых программ, основанных на шаблонном сопоставлении входных высказываний до современных виртуальных ассистентов, реализованных на основе нейросетевых трансформерных архитектур и больших языковых моделей. Актуальность исследования обусловлена применением больших языковых моделей в сочетании с технологией извлечения контекстных знаний (Retrieval-Augmented Generation, RAG), позволяющей формировать ответы на основе извлекаемой из внешних источников информации. Разработана архитектура интеллектуального диалогового ассистента, интегрирующая механизм RAG, динамическую маршрутизацию между несколькими нейросетевыми языковыми моделями и автоматическое обновление базы знаний посредством парсинга вебресурсов Государственного морского университета имени адмирала Ф. Ф. Ушакова. Предложенный подход обеспечивает устойчивую обработку вариативных пользовательских запросов и генерацию ответов на основе извлеченного контекста. В отличие от существующих решений, использующих фиксированную языковую модель, предложенная архитектура реализует адаптивный выбор генеративной модели в зависимости от типа пользовательского запроса. Разработан метод доменно-ориентированного формирования контекста для обработки динамически обновляемых табличных данных расписания, включающий специализированный парсинг веб-страниц, семантическое структурирование извлекаемой информации и правила промпт-инжиниринга. Для повышения фактологической достоверности ответов предложен механизм ограничения генерации рамками извлеченных данных и терминологической фильтрации. Реализован ETL-конвейер обновления базы знаний, обеспечивающий автоматическую актуализацию информации о расписании учебных занятий. Проведено сравнительное исследование эффективности языковых моделей Qwen, GigaChat и DeepSeek при обработке пользовательских запросов в рассматриваемом предметном домене. Полученные результаты демонстрируют повышение точности ответов и подтверждают эффективность предложенной архитектуры диалогового ассистента.

1. Attention is All you Need / A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, I. Polosukhin // Advances in Neural Information Processing Systems – 30 Curran Associates, Inc., 2017.

2. Large Language Models: A Survey [Электронный ресурс] / Minaee Sh., Mikolov T., Nikzad N. [и др.]. 2025. — Режим доступа: https://arxiv.org/abs/2402.06196 (дата обращения: 08.01.2026).

3. A Survey of Large Language Models [Электронный ресурс] / Zhao W. X., Zhou K., Li J. [и др.]. 2026. — Режим доступа: https://arxiv.org/abs/2303.18223 (дата обращения: 08.01.2026).

4. Challenges and Applications of Large Language Models [Электронный ресурс] / Kaddour J., Harris J., Mozes M. et al. 2023. — Режим доступа: https://arxiv.org/abs/2307.10169 (дата обращения: 08.01.2026).

5. A Comprehensive Survey of Small Language Models in the Era of Large Language Models: Techniques, Enhancements, Applications, Collaboration with LLMs, and Trustworthiness / F. Wang, Z. Zhang, X. Zhang, Z. Wu, TH. Mo, Q. Lu, W. Wang, R. Li, J. Xu, X. Tang, Q. He, Y. Ma, M. Huang, S. Wang // ACM Trans. Intell. Syst. Technol. — 2025. — Vol. 16. — Is. 6. DOI: 10.1145/3768165.

6. History, development, and principles of large language models: an introductory survey / Z. Wang, Z. Chu, T. V. Doan, S. Ni, M. Yang, W. Zhang // AI and Ethics. — 2025. — Vol. 5. — Is. 3. Pp. 1955–1971. DOI: 10.1007/s43681-024-00583-7.

7. Datasets for large language models: a comprehensive survey / Y. Liu, J. Cao, C. Liu, K. Ding, L. Jin // Artificial Intelligence Review. — 2025. — Vol. 58. — Is. 12. Pp. 403. DOI: 10.1007/s10462-025-11403-7.

8. Efficient multimodal large language models: a survey / Y. Jin, J. Li, T. Gu, Y. Liu, B. Zhao, J. Lai, Z. Gan, Y. Wang, C. Wang, X. Tan, L. Ma // Visual Intelligence. 2025. Vol. 3. Is. 1. Pp. 27. DOI: 10.1007/s44267-025-00099-6.

9. Retrieval-Augmented Generation for Large Language Models: A Survey [Электронный ресурс] / Y. Gao, Y. Xiong, X. Gao [et al]. — 2024. — Режим доступа: https://arxiv.org/abs/2312.10997 (дата обращения: 08.01.2026).

10. PaperQA: Retrieval-Augmented Generative Agent for Scientific Research [Электронный ресурс] / J. Lála, O. O’Donoghue , A. Shtedritski [et al]. — 2023. — Режим доступа: https://arxiv.org/abs/2312.07559 (дата обращения: 08.01.2026).

11. A Comprehensive Overview of Large Language Models / H. Naveed, A. U. Khan, S. Qiu, M. Saqib, S. Anwar, M. Usman, N. Akhtar, N. Barnes, A. Mian // ACM Trans. Intell. Syst. Technol. — 2025. — Vol. — 16. — Is. 5. DOI: 10.1145/3744746.

12. Антонов И. В. Применение больших языковых моделей для интеллектуального поиска и извлечения информации в корпоративных информационных системах / И. В. Антонов, Ю. В. Бруттан // Компьютерные исследования и моделирование. — 2025. — Т. 17. — № 5. — С. 871–888. EDN INCXRM. DOI: 10.20537/2076-7633-2025-17-5-871-888.

13. Мансур А. М. Разработка чат-бота для классификации и анализа текстов на естественном языке с использованием локальных больших языковых моделей / А. М. Мансур, Ж. Х. Мохаммад, Ю. А. Кравченко // Известия ЮФУ. Технические науки. — 2025. — № 3(245). — С. 159–171. EDN TWDTOO. DOI: 10.18522/2311-3103-2025-3-159-171.

14. Геворгян А. А. Улучшение взаимодействия с абитуриентами через чат-боты на основе ии / А. А. Геворгян, В. А. Кудинов // Auditorium. —2024. — № 2(42). — С. 13–19. EDN MQEPFM.

15. Родионов А. В. Выбор инструментов построения чат-бота приемной комиссии учебного заведения / А. В. Родионов, Д. А. Корж // System Analysis and Mathematical Modeling. — 2024. — Т. 6. — № 3. — С. 367–376. EDN IXAVJL. DOI: 10.17150/2713-1734.2024.6(3).

16. Савкина А. В. Разработка клиентской части системы для реализации работы чат-бота / А. В. Савкина, Е. С. Матвеев // Тенденции развития науки и образования. — 2024. — № 115-15. — С. 107–112. EDN YOTZQA. DOI: 10.18411/trnio-11-2024-710.

17. Вертоградов В. В. Сравнительный анализ конкуренции генеративных чат ботов в России и мире / В. В. Вертоградов, С. В. Щелокова // Проблемы прогнозирования. — 2025. — № 5(212). — С. 73–84. EDN JWREBM. DOI: 10.47711/0868-6351-212-73-84.

18. Вольников М. С. Обзор существующих решений чат-ботов, использующих искусственные нейронные сети: их возможности, преимущества и недостатки / М. С. Вольников, Е. А. Данилов // Современные информационные технологии. — 2024. — № 39(39). — С. 9–15. EDN QZVHRL.

19. Епрынцева Н. А. Разработка чат-бота в социальной сети «ВКонтакте» для образовательной организации / Н. А. Епрынцева // Инженерный вестник Дона. — 2023. — № 9(105). — С. 656–668. EDN GSGGXB.

20. Алексеенко В. А. Разработка чат-бота для образовательных задач / В. А. Алексеенко, И. А. Татин // Информационные технологии и математическое моделирование в управлении сложными системами. —2025. — № 2(26). — С. 8–15. EDN OWVACB.

21. Подходы к нейро-символической интеграции: большие языковые модели и базы знаний / В. А. Головко, В. В. Голенков, М. В. Ковалев, А. А. Крощенко, Д. В. Шункевич, В. П. Ивашенко // Открытые семантические технологии проектирования интеллектуальных систем. — 2025. — № 9. — С. 87–96. EDN DSLKGD.

22. Шмат А. В. Применение больших языковых моделей и технологии Retrieval-Augmented Generation для корпоративных ассистентов / А. В. Шмат // Известия Тульского государственного университета. Технические науки. — 2024. —№ 10. — С. 720–726. EDN GSNKPM. DOI: 10.24412/2071-6168-2024-10-720-721.

23. Герасименко Е. М. Алгоритм поиска и приобретения знаний на основе технологий обработки и анализа текстов на естественном языке / Е. М. Герасименко, Ю. А. Кравченко, Д. А. Шаненко // Известия ЮФУ. Технические науки. — 2024. — № 5(241). — С. 88–102. EDN GMUMBY. DOI: 10.18522/2311-3103-2024-5-88-102.

24. Понимаш З. А. Метод и алгоритм извлечения признаков из цифровых сигналов на базе нейросетей трансформер / З. А. Понимаш, М. В. Потанин // Известия ЮФУ. Технические науки. — 2024. — № 6(242). — С. 52–64. EDN RRXXMK. DOI: 10.18522/2311-3103-2024-6-52-64.

25. Интеллектуальные системы управления и университетские комплексы транспортной отрасли: тренды и перспективы / О. В. Андреева, Е. В. Хекерт, М. Л. Сомко, А. И. Епихин // Мир транспорта. — 2024. — Т. 22. — № 1(110). — С. 94–99. EDN HCAFNK. DOI: 10.30932/1992-3252-2024-22-1-12.

26. Епихин А. И. Методы машинного обучения в мониторинге рабочего поведения морского двухтактного дизельного двигателя / А. И. Епихин, С. И. Кондратьев, Е. В. Хекерт // Транспорт Российской Федерации. Журнал о науке, практике, экономике. — 2024. — № 3(112). — С. 50–53. EDN BJAZCJ.