Когда ресторанов девять и у каждого своя концепция, производство текстов превращается в отдельный операционный процесс. Описания блюд, посты для соцсетей, пресс-релизы, рассылки, переводы, анонсы мероприятий — всё это требует не просто умения писать, но и точного знания фактов о каждом заведении: часы работы, имена шеф-поваров, фирменные блюда, правила коммуникации, ограничения по формулировкам. Заказчик из российской ресторанной отрасли столкнулся именно с этим: большая часть ресурсов уходила на ежедневную текстовую рутину, а каждый ресторан требовал собственного Tone of Voice.
Задача была сформулирована не как замена редактора, а как вынос рутинной генерации в ИИ-систему. Один-два человека должны управлять контентом всей сети: ставить задачи, получать черновики, проверять факты и доводить материалы до публикации. Для этого собрали архитектуру из трёх компонентов: Notion как хранилище знаний, RAG как механизм поиска по этим знаниям и Telegram-бот как интерфейс для редактора.
| Тип задачи | Описание |
|---|---|
| Тексты для соцсетей | Посты для VK, Telegram и других площадок с учётом формата |
| Описания блюд | Фактически точные тексты на основе данных из «Концепции» |
| Пресс-релизы | Официальные материалы в стиле бренда конкретного ресторана |
| Рассылки | Тексты для email и мессенджер-рассылок |
| Переводы | Адаптация материалов на разные языки |
| Переписывание | Редактура готовых текстов под нужный стиль |
| Голосовые сообщения | Обработка и преобразование голосового ввода редактора |
| Проверка стилистики | Оценка текста на соответствие Tone of Voice бренда |
| Написание по образцу | Генерация текста по предоставленному примеру |
| Адаптация под площадку | Учёт ограничений формата: символы, структура, длина |
Ключевое архитектурное решение — разделить фактическую память и стиль. Для каждого ресторана в Notion ведётся документ «Концепция»: кто шеф-повар, какие блюда в меню, когда работает заведение, какие особенности кухни и интерьера, какие правила коммуникации. Это десятки страниц на каждый ресторан. Загружать такой объём целиком в контекст каждого запроса нецелесообразно — контекстного окна языковой модели не хватит, а качество ответов станет нестабильным. Поэтому материалы разбиваются на фрагменты, загружаются в векторную базу данных и используются через RAG: при каждом запросе система извлекает только релевантные части.
Документы из Notion разбиваются на фрагменты, загружаются в векторную базу и используются через RAG — только релевантные части попадают в контекст запроса.
Параллельно на основе «Концепции» автоматически формируется отдельный документ Tone of Voice для каждого ресторана. Он сохраняется как отдельная страница в Notion — редактор может открыть его, проверить и скорректировать. Один ресторан может использовать спокойный гастрономический тон, другой — неформальный, третий — премиальный и сдержанный. Модель не смешивает фактические данные и стилевые инструкции: сначала формируется фактический черновик через RAG, затем он переписывается с учётом Tone of Voice конкретного заведения.
Память системы динамическая: если заказчик обновляет «Концепцию», данные заново обрабатываются и попадают в RAG, а Tone of Voice может быть скорректирован на основе изменений. Это позволяет поддерживать актуальность без ручного вмешательства в код или промпты.
Интерфейсом стал Telegram-бот — он не требует обучения и вписывается в ежедневный рабочий процесс. Редактор пишет запрос в свободной форме, например: «Напиши два предложения для поста во VK про шеф-повара ресторана Tramonto Osteria, включая дни работы и фирменное блюдо». Система определяет ресторан, обращается к «Концепции» через RAG, находит нужные факты, формирует черновик и переписывает его в стиле бренда. Если название ресторана не указано — бот запрашивает уточнение, не пытаясь угадать контекст. Название может быть написано на русском, английском или с опечатками.
Система поддерживает десять типов задач: тексты для социальных сетей, описания блюд, пресс-релизы, рассылки, переписывание готовых материалов, переводы, обработку голосовых сообщений, проверку текста на соответствие стилистике, написание по образцу и адаптацию под конкретную площадку. В последнем случае учитываются ограничения формата: описание профиля Telegram укладывается в лимит символов, пост для VK может быть длиннее и иметь другую структуру.
Подобный подход — использование RAG поверх корпоративной базы знаний для генерации брендированного контента — применяется в разных отраслях, но в ресторанном бизнесе особенно актуален из-за высокой частоты обновлений меню, мероприятий и сезонных предложений. Разделение фактического слоя и стилевого профиля снижает риск галлюцинаций модели: система не придумывает блюда или имена, потому что опирается на верифицированные фрагменты из «Концепции», а не на обобщённые знания из предобучения.
