Уявіть: ваш менеджер шукає відповідь у договорі з постачальником і просто вставляє його текст у ChatGPT. Зручно — але ваші комерційні умови щойно пішли на сервери OpenAI. Для більшості українських SMB це не параноя, а реальний ризик. У цій статті розбираємо, як налаштувати AI-пошук по внутрішніх документах прямо в Odoo — де і embedding-моделі, і vector-база крутяться на вашому сервері, не в хмарі.
Що таке RAG — і чому це не ще один "чат-бот"
RAG (Retrieval-Augmented Generation) — це не черговий чат-бот, якому треба "навчати" свої дані місяцями. Принцип простіший: AI не запам'ятовує ваші документи назавжди, а щоразу шукає в них потрібний фрагмент і будує відповідь на його основі. Оновили регламент — система автоматично підхопить нову версію при наступному індексуванні.
Різниця в одному реченні
Звичайний ChatGPT відповідає зі своїх навчальних даних (і нічого не знає про ваш бізнес). RAG у вашому Odoo відповідає з ваших документів — і дає посилання на конкретний запис чи файл, звідки взята відповідь. Менеджер бачить не просто "ось відповідь", а "ось відповідь з §4.2 договору №1234".
Де зберігаються дані — і чому це головне
При класичній схемі "AI через API" кожен запит разом з контекстом документа йде на сервери провайдера. Для фінансових звітів, клієнтських баз і контрактів — це неприйнятно навіть юридично, не лише безпековий.
On-premise RAG в Odoo розриває цей ланцюжок:
- Embedding (перетворення тексту в числові вектори для пошуку) — виконується локально через kw_ai_embed_ollama. Ollama запускає модель прямо на вашому сервері: жодного зовнішнього API-виклику, жодного пакету даних назовні.
- Vector-база (де зберігаються ці вектори для швидкого пошуку) — залишається у вашій інфраструктурі. Дані не залишають периметр компанії.
Тобто: AI-модель може бути локальною (Ollama з Llama, Mistral або іншою open-source моделлю), а може бути хмарною (OpenAI, Claude) — але embedding і пошук при цьому все одно відбуваються локально. Конфіденційні фрагменти документів у хмару не потрапляють.
RAG в Odoo: як це виглядає на практиці
Модуль kw_ai_rag індексує записи Odoo — документи, замовлення, тікети підтримки, знання з бази Knowledge — і робить їх доступними для семантичного пошуку. Запитуєте природною мовою — отримуєте відповідь з цитатою та посиланням на джерело прямо в інтерфейсі Odoo.
Вибір vector-бекенду під вашу інфраструктуру
Архітектура модульна. Залежно від того, що вже є у вашій інфраструктурі, обираєте бекенд:
- kw_ai_rag_pgvector — vector-розширення прямо у PostgreSQL, яка вже стоїть під вашим Odoo. Нічого нового встановлювати не потрібно — найпростіший старт.
- kw_ai_rag_chroma — легка open-source vector-база, якщо хочете ізольоване сховище.
- kw_ai_rag_faiss — рішення від Meta для високошвидкісного пошуку по великих обсягах документів.
- kw_ai_rag_qdrant — production-ready vector-база з розширеними опціями фільтрації.
Для більшості SMB pgvector — оптимальний старт: один сервер, один дашборд, нуль зайвої інфраструктури.
Кому підходить і що потрібно для старту
Типові кейси, де RAG закриває реальний біль:
- Підтримка клієнтів — оператор запитує в системі і отримує відповідь з регламенту, а не гуглить по папках.
- Юридичний пошук — "які умови повернення в договорі з клієнтом X" → відповідь з посиланням на конкретний пункт.
- Внутрішні регламенти — новий співробітник знаходить відповідь в базі знань без дзвінка колезі.
- Фінансові документи — пошук по актах, накладних, умовах оплати без ризику, що документ "витік".
Що потрібно: Odoo 18 або 19, on-premise або self-hosted інсталяція, сервер з ресурсом під embedding-модель (для невеликих компаній достатньо виділеного CPU-вузла; GPU — опційно для швидкості).
Якщо ви вже використовуєте Odoo і хочете AI-можливості без компромісів з безпекою даних — напишіть нам, розберемо вашу інфраструктуру і підберемо конфігурацію. Всі описані модулі входять до Ultimate AI Connector Suite, доступного для Odoo 18 і 19.