МТС Web Services перешла от RAG к ИИ-агенту для первичного разбора тикетов техподдержки

МТС Web Services построила ИИ-агента для автоматического первичного расследования тикетов второй линии техподдержки — и отказалась от прежней системы поиска на базе RAG, которая требовала от инженеров умения заранее формулировать правильные запросы.

Зачем построили RAG — и почему этого оказалось мало

Команда SRE второй линии поддержки кластера рекламных технологий МТС Web Services ежедневно работает с четырьмя источниками данных: Jira с историей инцидентов, Confluence с документацией, системные логи и базы данных. При разборе сложных инцидентов инженеры тратили значительное время на поиск схожих случаев и анализ уже принятых решений.

Первым ответом стала RAG-система: данные из Jira и Confluence объединили в единую поисковую базу с поддержкой запросов на естественном языке. Инженеры получили возможность спрашивать — и система возвращала релевантные документы и записи по инцидентам. Эффект оказался заметным, команда получала положительные отзывы.

Однако со временем проявилось структурное ограничение. RAG — поисковый инструмент: чтобы он работал, пользователь должен знать, что именно искать. При разборе инцидентов это условие не выполняется: причина проблемы неизвестна, непонятно, какие данные нужны и в каком порядке их запрашивать. В результате инструмент оставался невостребованным именно там, где помощь нужна больше всего — на старте расследования.

Второй проблемой стала невозможность измерить реальный эффект: положительные отзывы были, но объективных метрик — сколько времени сэкономлено на тикет, как изменился MTTR — получить не удавалось.

Как агент берёт на себя первый этап

«Если система уже умеет искать информацию и анализировать найденные материалы, почему бы не поручить ей первый этап расследования инцидента целиком?» —

Владимир Дробот, SRE-лид МТС Web Services.

Вместо пассивного инструмента, ждущего запроса, команда построила агента, который сам ведёт расследование. Агент получает тикет на входе и автономно проходит первый этап:

• Анализирует описание инцидента и формирует план расследования
• Самостоятельно определяет, какие данные нужны для анализа
• Формулирует и выполняет поисковые запросы к Jira и Confluence
• Агрегирует информацию из нескольких источников
• Передаёт инженеру структурированный первичный анализ с гипотезами о причинах

Разница с RAG принципиальная: агент не ждёт правильного вопроса от человека — он сам решает, что искать, исходя из контекста тикета.

Что это значит

Опыт МТС Web Services демонстрирует ключевое различие между инструментом-помощником и автономным агентом в корпоративной среде. RAG дополняет инженера на этапе, когда тот уже знает, куда смотреть. Агент берёт на себя именно ту часть работы, которая занимала больше всего — первичную постановку гипотез и сбор данных — и высвобождает дорогостоящее внимание специалистов L2 для реального анализа. Это показывает, что агентная архитектура уже сегодня практична для внутренних корпоративных инструментов, а не только для публичных продуктов.