Как сделать RAG-бота на YandexGPT без Python: кейс внедрения в медицине на PHP и WordPress

Почему все тащат Python, если можно на PHP?

Откройте любой гайд по RAG - там сразу Python, векторизация, LangChain, куча зависимостей. Звучит умно. Но для реального внедрения в клинике, где сайт на WordPress, а админ едва в консоль заходит, это все равно что предлагать хирургу собрать скальпель из микросхем. Перегруженно. Дорого. Бессмысленно.

Наш кейс проще: у медицинского центра есть сайт на WordPress, тонна PDF с протоколами лечения, инструкциями, статьями. Нужен чат-бот, который отвечает ТОЛЬКО на основе этих документов, не выдумывая. Без халтуры. Без Python. На том, что уже есть.

Что нам понадобится? Ничего экзотического

• Аккаунт в Yandex Cloud. На 27.03.2026 там есть полностью управляемый сервис Yandex Cloud Agent - это их готовое RAG-решение. Не нужно самому возиться с векторами и чанками.
• Доступ к YandexGPT API. Используем последнюю на сегодня модель YandexGPT 3.0 Pro (код модели в API: general:3.0-pro). Она лучше понимает контекст и медицинские термины.
• Сайт на WordPress с поддержкой PHP 8.2 или новее. Да, тот самый, который 'устарел для AI'.
• Медицинские документы в структурированном виде (PDF, DOCX). Заранее очищенные от персональных данных.
• Базовое понимание PHP. Если вы делали кастомные плагины - этого более чем достаточно. О сложностях читайте здесь.

Архитектура: три слоя, ноль оркестраторов

Мы не строим научный кластер. Мы делаем рабочую лошадку. Архитектура до безобразия проста:

Главный компонент - Yandex Cloud Agent. Он берет на себя всю грязную работу: индексацию документов, семантический поиск, формирование контекста для LLM. Нам нужно только загрузить файлы и правильно позвать API. Это ключевое отличие от самостоятельной сборки, где цена сложности быстро растет.

1 Подготовка базы знаний в Yandex Cloud Agent

Идем в консоль Yandex Cloud. Создаем новый 'Агент'. Загружаем подготовленные PDF. Важный нюанс: медицинские документы часто имеют сложные таблицы и схемы. Yandex Cloud Agent на 27.03.2026 неплохо справляется с таблицами, но для максимального качества я конвертирую все в чистый текстовый формат с помощью pandoc.

# Конвертируем PDF в текст для лучшего парсинга (делается один раз)
pandoc input.pdf -t plain -o output.txt

В настройках Агента выбираем модель для эмбеддингов - 'yandexgpt'. Настраиваем параметры чанкинга. Для медицинских текстов лучше уменьшить размер чанка до 500-700 символов, чтобы не терять конкретику. Оставляем включенной опцию 'Перекрестное кодирование' для более точного ретривера.

2 Получаем ключи и настраиваем доступ

Для работы нужны два ключа:

1. API-ключ для доступа к YandexGPT (создается в сервисе 'Yandex GPT').
2. IAM-токен или сервисный аккаунт для доступа к Yandex Cloud Agent. Для простоты используем IAM-токен, который генерируется командой:

yc iam create-token

3 Пишем PHP-сервис для общения с агентом

Создаем отдельный PHP-файл, например, medical_rag_service.php. Он будет принимать вопрос, идти в Cloud Agent, получать контекст, затем запрашивать YandexGPT. Вот основная часть логики. Используем современный синтаксис PHP 8.3+.

agentId = getenv('YANDEX_AGENT_ID');
        $this->folderId = getenv('YANDEX_FOLDER_ID');
        $this->iamToken = getenv('YANDEX_IAM_TOKEN');
        $this->gptApiKey = getenv('YANDEXGPT_API_KEY');
    }

    public function askAgent(string $question): string {
        // 1. Ищем релевантные фрагменты через Cloud Agent API
        $searchUrl = "https://agent.mds.yandexcloud.net/v1/agents/{$this->agentId}:search";
        $searchData = [
            'query' => $question,
            'folder_id' => $this->folderId,
            'limit' => 5 // Берем топ-5 наиболее релевантных фрагментов
        ];

        $searchResult = $this->makeRequest($searchUrl, $searchData, $this->iamToken);
        if (empty($searchResult['chunks'])) {
            return "В моей базе знаний нет информации по этому вопросу.";
        }

        // 2. Формируем контекст из найденных чанков
        $context = '';
        foreach ($searchResult['chunks'] as $chunk) {
            $context .= "\n\n" . $chunk['text'];
        }

        // 3. Отправляем контекст и вопрос в YandexGPT с жестким промптом
        $prompt = $this->buildMedicalPrompt($context, $question);
        return $this->callYandexGPT($prompt);
    }

    private function buildMedicalPrompt(string $context, string $question): string {
        // Критически важная часть. Промпт должен запрещать выдумывать
        return << "gpt://{$this->folderId}/yandexgpt-3.0-pro-lite",
            'completionOptions' => [
                'temperature' => 0.1, // Низкая температура для минимальной креативности
                'maxTokens' => 1500
            ],
            'messages' => [
                ['role' => 'user', 'text' => $prompt]
            ]
        ];

        $result = $this->makeRequest($url, $data, $this->gptApiKey);
        return $result['result']['alternatives'][0]['message']['text'] ?? 'Ошибка получения ответа.';
    }

    private function makeRequest(string $url, array $data, string $token): array {
        $jsonData = json_encode($data);
        $ch = curl_init($url);
        curl_setopt_array($ch, [
            CURLOPT_POST => true,
            CURLOPT_RETURNTRANSFER => true,
            CURLOPT_HTTPHEADER => [
                'Content-Type: application/json',
                'Authorization: Bearer ' . $token
            ],
            CURLOPT_POSTFIELDS => $jsonData
        ]);
        $response = curl_exec($ch);
        curl_close($ch);
        return json_decode($response, true) ?: [];
    }
}
?>

Это ядро. Промпт - наше все. Я использую жесткий шаблон, который не дает модели отходить от контекста. Больше готовых шаблонов для разных случаев - в отдельной подборке.

4 Встраиваем сервис в WordPress как чат-бота

Создаем простой плагин WordPress. Добавляем шорткод [medical_chat], который выведет форму чата. AJAX-обработчик будет вызывать наш MedicalRAGService. Для интерфейса используем обычные HTML и немного JavaScript. Никаких тяжелых фронтенд-фреймворков.

 admin_url('admin-ajax.php')]);

    ob_start();
    ?>
    

        

        
        Спросить
        

            Ответы формируются на основе утвержденных медицинских протоколов. Не заменяют консультацию врача.
        
    
    askAgent($question);

    wp_send_json_success(['answer' => $answer]);
}
?>

JavaScript часть простая: отправляет вопрос, показывает ответ. Добавьте индикатор загрузки.

5 Тестируем и ловим грабли

Первое же тестирование покажет слабые места. Давайте разберем типичные ошибки:

Обязательно привлеките к тестированию реальных врачей. Они сразу увидят неточности в терминологии или логике ответов. Это не технический, а предметный баг.

Главный нюанс: кто отвечает за ошибку?

Вы сделали бота. Он где-то ошибся. Кто виноват? Вы, как разработчик? Нет. Медицинское учреждение, которое его использует. Поэтому перед запуском нужен юридический документ - disclaimer, что бот дает справочную информацию и не заменяет врача. И самое главное - логгируйте все вопросы и ответы. Чтобы в случае спорной ситуации можно было проверить, на основе каких чанков был сформирован ответ.

А что с деньгами?

Бюджет. Yandex Cloud Agent тарифицируется за количество токенов в индексированных документах и за количество запросов. YandexGPT - за количество токенов в запросе и ответе. Для медицинского центра с 1000 страниц документов и ~500 запросами в месяц счет на весну 2026 года будет примерно 2000-3000 рублей. Дешевле, чем платить отдельному сотруднику за консультации по телефону. Подробнее о бюджетах на разных стеках - в этом сравнении.

Не пытайтесь сэкономить, выбрав более слабую модель YandexGPT. В медицине важна точность формулировок. YandexGPT 3.0 Pro стоит своих денег.

Частые вопросы от скептиков

Главный вывод: вам не нужен Data Scientist и Python-разработчик, чтобы внедрить умного RAG-бота в медицине. Нужно понимание задачи, готовые облачные сервисы и немного PHP-кода для интеграции. Остальное - уже придумано за вас. И да, это работает прямо сейчас.

Подписаться на канал