Формализуем бизнес-процессы в machine-readable формате. Строим граф онтологии. Подключаем GraphRAG для ответов по процессам и документам.
Каждая цепочка описана в структурированном формате: этапы, операции, роли, системы, KPI, боли, evidence. Версионируется, сравнивается, переиспользуется.
Узлы: ProcessChain, Stage, Activity, Rule, KPI, System, DataObject, PainPoint, Tool, Evidence. Связи по схеме. Экспорт в Neo4j.
Загрузка графа и документов в Neo4j + векторный индекс. Ответы на вопросы с привязкой к узлам графа и цитатам из документов.
По матрице маппинга инструментов автоматически подбираются решения для каждой операции с 5-компонентным скором.
chains:
- key: O2C
name: Order-to-Cash
domain: CORE
stages:
- key: O2C::OrderEntry
name: Приём заказа
activities:
- key: O2C::OrderEntry::AcceptOrder
name: Принять заказ
type: task
owner_role: Sales
inputs: [data::CustomerOrder]
outputs: [data::ConfirmedOrder]
systems: [system::CRM, system::ERP]
kpis:
- kpi::order_cycle_time
- kpi::order_accuracy
pain_points:
- pain::manual_reentry
evidence: [ev::erp_log_2024]YAML-каталог и документы загружаются в Neo4j. Создаются узлы и связи по схеме онтологии.
Документы разбиваются на чанки, создаются эмбеддинги. Поиск по смыслу через Qdrant.
AI формирует ответ, привязывая к узлам графа и цитатам из документов. Без галлюцинаций.
YAML -- machine-readable формат, который легко версионировать (git), сравнивать (diff), обрабатывать автоматически (pipeline). BPMN хорош для визуализации, но плохо подходит для автоматической обработки и интеграции с графом.
GraphRAG = Graph + Retrieval-Augmented Generation. Граф знаний (процессы, системы, KPI, документы) + векторный поиск по документам. Ответы AI привязаны к конкретным узлам графа и цитатам.
Граф строится на Neo4j. Векторный поиск -- Qdrant. Обработка -- Python pipeline. Экспорт: JSON, CSV, Neo4j import. API для интеграции с BI и другими системами.
Начните с диагностики -- получите YAML-каталог и граф онтологии.