Radim: AI kolega v Slacku, ktorý pozná firemnú dokumentáciu aj živé dáta

Ako dať ľuďom rýchly prístup k dvom druhom firemnej znalosti bez toho, aby sa každá otázka zmenila na ticket pre vývoj? V UlovDomov sme postavili Radima: interného kolegu v Slacku, ktorý odpovedá z dokumentácie aj zo živých prevádzkových dát.

Beží na self-hosted n8n. Kolega mu pošle DM alebo ho označí v kanáli; agent prehľadá internú dokumentáciu, dokáže sa prirodzeným jazykom opýtať read-only databázy a odpovie vo vlákne so zdrojmi a odkazmi do administrácie. Nejde o všeobecný chat bot. Cieľom je odstrániť opakované prepínanie kontextu medzi obchodom, supportom, financiami a vývojom.

Jeden vstup, znovupoužiteľné nástroje

Slack Events môžu smerovať na jednu URL, preto každý event najprv ide do router workflow. Router odfiltruje botov a systémové správy, vyberie správny kontext a požiadavku pošle L2 agentovi. Agent nemá monolitické integrácie: knowledge_base a database sú samostatné n8n sub-workflow. Rovnaký skill tak zajtra použije iný bot alebo automatizácia.

Dve prevádzkové lekcie sú dôležitejšie než diagram. Bot si nesmie odpovedať sám: Slack message changes môžu mať vnorený payload, ktorý obíde naivný filter bot_id. A kontext je mena kvality aj ceny. DM mimo vlákna štartuje čisto; históriu pridávame iba vtedy, keď človek vedome pokračuje vo vlákne.

Agent s mantinelmi

Jadrom je n8n AI Agent node. Primárny model je Gemini 3.5 Flash v EU regióne; GPT‑5.6 Terra na Azure EU je cross-provider fallback. Model smie volať nástroje iteratívne, no má tvrdé pravidlá: výpočty patria databáze, volania majú stropy, dotazy sa plánujú a dávkujú, agent nesmie sľubovať prácu neskôr a entity musia viesť na skutočné produkčné odkazy.

Pred odpoveďou do Slacku je Retry Gate. Rozpozná prázdny výstup, surový JSON alebo plán namiesto výsledku, agenta najviac dvakrát zopakuje a potom dá zrozumiteľnú fallback hlášku. Používateľ nikdy nemá dostať ticho ani technický výpis.

Knowledge base, ktorá sa udržiava

knowledge_base je RAG nad Qdrantom. Vracia relevantné úryvky dokumentácie aj so zdrojom. Hodnota je v ingest pipeline: Markdown dokumentácia, synchronizácia Confluence, projektové guide a vybrané Slack vlákna končia v jednej kolekcii.

Projektová dokumentácia existuje vo dvoch podobách: user_guide vysvetľuje funkciu biznisovým jazykom, developer_guide jej implementáciu. Agent vie otázku typu „prečo sa neprepísala platba?“ premostiť cez produktový proces k technickému kontextu potrebnému pre bezpečný dátový dotaz. Užitočnú Slack diskusiu navyše premení na štruktúrovaný Markdown a commitne do repozitára, takže znalosť nezmizne v scrollbacku.

Database skill: prirodzený jazyk na bezpečné dáta

Databázový skill je samostatná malá pipeline. Hlavný agent pošle otázku po česky a dostane iba dáta; SQL zostáva vnútri skillu. Lacnejší špecializovaný model generuje SQL z cache schémy, no hranice bezpečnosti vynucuje kód, nie prompt.

Tri poistky sú nevyhnutné: replika zriadená iba na tento účel, SELECT-only sanitizácia a povinný LIMIT. Neobmedzený SELECT raz vrátil státisíce riadkov a vyčerpal pamäť n8n. Vynútený strop chráni runtime bez obmedzenia agregačných dotazov.

Spoľahlivosť je architektúra

Produkčný fail, ktorý stojí za priznanie: fallback politika bola v gateway nakonfigurovaná, no workflow ju vôbec nevolalo. Politika nič nerobí, ak request volá primárny model priamo. Pôvodná záloha bola navyše iný Gemini model na rovnakej Vertex infraštruktúre, takže by padla spolu s primárnym. Oprava je explicitné policy routing, fallback cez iného poskytovateľa, retry validácia, ľudská chybová hláška a error workflow s interným debug logom.

EU dáta a cena pod kontrolou

Systém pracuje so skutočnými menami, e-mailami a zmluvami. Inference je preto obmedzená na EU regióny cez AI gateway; dátová vrstva zostáva vo vlastnej replike databázy, Qdrant inštancii a Git repozitári. Von ide len nevyhnutný prompt na EU inference endpoint. Je to implementačný vzor, nie právne stanovisko: každá firma potrebuje vlastné DPA, kontrolu poskytovateľov, prístupové práva a tam, kde treba, DPIA.

V reálnej prevádzke stojí jednoduchá otázka približne 1–1,5 Kč, kombinácia dokumentácie a databázy 2–3,5 Kč a náročná dátová analýza 4–6 Kč. Prompt caching veľkej databázovej schémy a lacný SQL špecialista držia náklad nízko; tvrdý mesačný strop zabraňuje prekvapeniam.

Čo by som skopíroval ako prvé

Začnite mantinelmi, nie „inteligenciou“ modelu: limity volaní, iterácií, SELECT-only, limit riadkov, timeouty a logy. Prompt zlepšujte na reálnych konverzáciách. Lacný model nech rieši izolovanú úlohu, v ktorej je dobrý; silnejší nech orchestuje. A investujte do dokumentácie: každý užitočný dokument znižuje budúce blúdenie agenta, latenciu aj náklady.

Hodnota nie je „AI, ktorá píše do Slacku.“ Je to dôveryhodný prevádzkový vstup tam, kde ľudia už pracujú, spájajúci zdokumentovaný proces so živými dátami pod jasnými technickými a organizačnými kontrolami.