База знаний для ИИ-агента: RAG, транскрибация и поиск

У большинства экспертов и онлайн-школ знания уже накоплены: записи уроков и вебинаров, презентации, регламенты, статьи, переписки с клиентами. Но лежат они вперемешку. Человек тратит минуты на поиск нужного момента в двухчасовой записи, а ИИ-агент не начнёт отвечать «по вашим материалам» только потому, что ему показали папку.

Чтобы агент отвечал точно, материалы нужно превратить в базу знаний: получить из видео текст, очистить его, разложить по темам, разбить на смысловые фрагменты и настроить поиск. В статье разберём весь путь по шагам, покажем, как он выглядит на практике, где обязательно нужен человек и как проверять качество. Обещать абсолютную точность мы не будем: RAG снижает риск выдуманных ответов, но не отменяет контроль.

Что такое база знаний для ИИ и чем она отличается от папки с файлами

База знаний для ИИ-агента — это управляемый набор проверенных материалов. У каждого фрагмента есть смысл, источник, дата актуальности и правила доступа, а поиск по такой базе возвращает агенту нужный контекст для ответа. Папка с файлами — это склад: агент не знает, какой документ свежий, какой черновой и в какой минуте видео лежит ответ на вопрос про возврат оплаты.

Разница проявляется в пяти вещах:

Текст. В папке видео остаётся видео, а в базе знаний у него есть текст, по которому можно искать.
Структура. В папке материалы лежат как попало, а в базе разложены по аудиториям, продуктам, процессам, методам и фактам.
Актуальность. В папке нет статуса и даты, а в базе видно, что свежее, что устарело и кто за это отвечает.
Доступ. В папке доступ открыт или закрыт целиком, а в базе можно решить, какие знания видит агент, а какие остаются только для сотрудников.
Проверяемость. В папке непонятно, откуда взялся ответ, а в базе к ответу можно привязать источник.

Два термина, чтобы не путаться. ИИ-ассистент обычно отвечает на запросы пользователя. ИИ-агент ведёт диалог по правилам, использует знания и инструменты и умеет передать случай человеку. Для базы знаний разница невелика: обоим нужен один источник истины. Важнее другое разделение. Инструкция агента определяет, как он себя ведёт: тон, порядок вопросов, ограничения, момент передачи человеку. База знаний определяет, на что он может опираться: регламенты, описания продуктов, методики, ответы на частые вопросы.

Как создать базу знаний для ИИ-агента: короткий маршрут

Определите задачу: на какие вопросы агент должен отвечать и кому.
Соберите источники и отберите то, что можно считать достоверным.
Получите текст из видео и аудио: распознайте речь.
Очистите текст и разложите его по структуре: аудитории, продукты, процессы, методы, факты.
Разбейте материал на смысловые фрагменты и проиндексируйте их для поиска.
Подключите базу к агенту, прогоните тестовые вопросы, назначьте владельца обновлений и канал передачи человеку.

Дальше пройдём каждый шаг подробно.

Какие источники использовать: видео, транскрибации, инструкции, статьи, записи встреч и регламенты

Начинайте не с «всего, что есть», а с материалов, которые отвечают на реальные вопросы клиентов и учеников. Хороший источник должен быть достоверным, понятным без картинки на экране и иметь ответственного. Подходят:

Видео уроков и вебинаров. Самый богатый источник экспертной логики: объяснения, примеры, ответы на вопросы. Но для поиска нужен текст.
Транскрибации. Текст, полученный из видео и аудио. Именно он становится материалом базы знаний.
Инструкции и регламенты. Как оформить заказ, выдать доступ, вернуть оплату, передать обращение специалисту.
Статьи и страницы сайта. Опубликованные описания продуктов и методов, которые уже прошли редактуру.
Записи встреч и созвонов. Полезны для внутренней базы, если из них убрать персональные данные и разговоры не по теме.
Ответы на частые вопросы. Проверенные формулировки из поддержки: то, что вы уже много раз отвечали клиентам.

Чего лучше не брать без разбора: черновики, устаревшие прайсы, противоречащие друг другу версии программы, личные переписки и материалы с персональными данными. Если в базе лежат две версии цены, агент рано или поздно назовёт неправильную. ИИ не понимает, какая из них «настоящая»: это решает человек, который отвечает за информацию.

Собирать самому или взять готовую среду

Здесь стоит выбрать подход, а не инструмент. Путей три.

Первый — собрать контур самостоятельно: сервис распознавания речи, хранилище файлов, векторный индекс, серверная часть, чат-интерфейс, подключение мессенджеров. Код для этого можно писать с помощью coding-агентов вроде Codex или Claude Code, и для команды с разработчиком это нормальный путь с полным контролем. Но между сгенерированным кодом и работающим продуктом остаются хостинг, база данных, формы, автоматизации, публикация, права доступа и поддержка. Эту разницу мы подробно разбирали в статье про инфраструктуру для бизнеса при работе с Claude Code и Codex. Доступность зарубежных сервисов и способы оплаты меняются, поэтому проверяйте их на момент подключения, а не по старым обзорам.

Второй — модуль базы знаний внутри чат-платформы. Это быстро, но заранее проверьте, можно ли использовать те же материалы вне платформы: для сайта, обучения и внутренних интерфейсов.

Третий — среда, где хранилище файлов, распознавание речи, база знаний, агент и каналы связи находятся рядом. Так устроен Chatium: вы храните видео, получаете из него текст, собираете структурированную базу и подключаете её к агенту в одном рабочем пространстве. Сайт, форма, CRM и уведомления для передачи человеку строятся там же. Этот путь подходит эксперту, школе или руководителю поддержки, которым нужен работающий результат, а не собственный DevOps. Если же нужна сложная кастомная логика или высокие нагрузки, без разработчика по-прежнему не обойтись.

Практический путь в Chatium: загрузить видео в файловое хранилище и распознать речь

Сначала важное уточнение. ИИ-модель не смотрит исходный видеофайл при ответе на вопрос. Для текстового поиска нужен извлечённый текст, то есть транскрибация. Видео остаётся исходником и доказательством, а искать и цитировать агент будет по тексту.

Рабочий порядок в Chatium такой:

Транскрибация видео превращается в текст, который можно проверить и использовать в базе знаний.

Файловое хранилище Chatium: у видео можно запустить распознавание речи.

Загрузите видео в файловое хранилище. Заранее продумайте папки: по продуктам, курсам или потокам. Через месяц вы скажете себе спасибо за понятные названия.
Откройте видео и запустите команду распознавания речи. Система превратит звук в текст.
Дождитесь результата: текст появится рядом с видео, его можно открыть, прочитать и использовать дальше.
Прочитайте транскрибацию целиком, хотя бы по диагонали. Исправьте имена, названия продуктов, суммы, даты и профессиональные термины: именно на них распознавание речи ошибается чаще всего.
Сохраните проверенный текст в отдельную папку транскрибаций и привяжите к исходному видео.

Публичных подробностей о том, как именно устроено распознавание внутри платформы, немного, поэтому не рассчитывайте на идеальную точность. Качество зависит от записи: шум, акцент, быстрая речь, узкие термины и перебивания снижают результат в любой системе. Считайте распознавание черновиком, который вы вычитываете.

Файловое хранилище здесь важнее, чем кажется. Оно объединяет исходники, тексты и то, что вы будете с ними делать дальше. В LMS в Chatium тот же видеофайл выбирают для урока прямо из хранилища, а транскрибацию можно превратить в текстовое описание урока. Один раз вычитанный текст работает трижды: как материал для агента, как конспект урока и как заготовка для статьи. Так вы не делаете одну и ту же работу заново в разных местах.

Если бы вы собирали похожий контур из разрозненных сервисов, вам понадобились бы отдельное хранилище, отдельный распознаватель, отдельная база и отдельный агент со своими интеграциями. В Чатиум эти части находятся в одном проекте, поэтому вместо сборки инфраструктуры вы занимаетесь содержанием базы, а от него зависит качество ответов.

Можно ли сделать базу знаний из видео?

Можно, но не напрямую. Видео нужно превратить в текст, затем текст очистить, структурировать и проиндексировать. Именно так и получается база знаний из видео: путь «видео → транскрибация → структура → фрагменты → поиск → ответ со ссылкой на источник». Пропустите очистку — и агент будет цитировать оговорки, реплики вроде «вот здесь на слайде видите» и ошибки распознавания.

Как транскрибировать видео нейросетью, если вы работаете не в Chatium

Нейросетей для транскрибации видео в текст в 2026 году несколько, и различаются они заметно. Обзор популярных сервисов есть, например, в подборке Sostav о транскрибаторах на 2026 год. Цены и лимиты быстро меняются, поэтому проверяйте актуальные условия на сайте самого сервиса. Выбирая инструмент, сравнивайте по критериям:

качество распознавания русской речи и ваших специальных терминов на пробном фрагменте;
таймкоды: с ними ответ можно привязать к месту в видео;
разделение спикеров, если это вебинар или запись встречи;
формат экспорта, чтобы текст было удобно править и переносить;
лимиты на длину файла и объём в месяц;
условия обработки данных: куда уходит файл и как долго хранится.

Вопрос «транскрибация видео нейросеть бесплатно» встречается часто. Бесплатные тарифы обычно ограничены по длине записи, количеству файлов или функциям, поэтому пробуйте сервис на одном уроке и смотрите, хватает ли лимитов для вашего архива. Материалы с персональными данными клиентов не загружайте в сервис, условия которого вы не проверили.

Как очистить и структурировать сырой материал: аудитории, продукты, процессы, методы, факты

Сырая транскрибация — это живая речь: повторы, слова-паразиты, отступления, отсылки к экрану, оговорки. Для человека, который смотрит урок, это нормально. Для базы знаний — шум, а шум снижает точность поиска. Поэтому следующий шаг — очистка и перекладка в понятную структуру.

Что убрать или исправить:

слова-паразиты, повторы и незаконченные фразы;
отсылки к картинке («вот здесь видите», «на этом слайде»): либо заменить пояснением, либо удалить;
лирические отступления, не относящиеся к теме раздела;
ошибки распознавания в именах, названиях, суммах и терминах;
устаревшие данные: старые цены, закрытые потоки, прежние условия.

Затем раскладываем материал по пяти типам. Так знания удобно искать и поддерживать:

Аудитории. Кому вы помогаете, какие у людей задачи, страхи и критерии выбора. Например, у образовательного проекта это могут быть родители, помогающие специалисты и люди, меняющие профессию. Каждому сегменту нужен свой раздел.
Продукты. Что входит, для кого подходит, что не входит, сроки, условия, форматы.
Процессы. Как получить доступ, оформить возврат, записаться, передать вопрос специалисту: по шагам и без двусмысленностей.
Методы. Описание подхода, этапы, ключевые понятия и определения: в терминах, которыми пользуетесь вы.
Факты. Цены, даты, лимиты, контакты, обязательные условия. Для них важнее всего дата актуальности и владелец.

Такую перекладку можно поручить нейросети. В Chatium это делают в рабочем пространстве с помощью встроенного ИИ-помощника Ботана: загружаете транскрибации, описываете нужную структуру (целевая аудитория, описание метода, эксперты, школы, флагманские продукты) и просите превратить хаос в понятные инструкции. На выходе получается материал, разложенный по сегментам и написанный так, чтобы агенту было удобно в нём ориентироваться. Часто это работает лучше, чем структура, которая кажется логичной человеку, но неудобна для поиска.

Чтобы база была управляемой, у каждого раздела должна быть небольшая карточка:

название и тип (аудитория, продукт, процесс, метод, факт);
источник: видео, документ или страница, лучше с таймкодом;
дата последнего обновления;
статус: актуально, на проверке, устарело;
ответственный за содержание;
доступ: публичный, только для агента или только для сотрудников.

Последний пункт важен для разделения знаний. Базу можно сделать публичной или закрытой и давать агентам доступ к ней выборочно. Например, база о продукте доступна консультанту, а внутренние инструкции для сотрудников лежат в отдельной базе, куда агент не заходит.

Смысловые фрагменты и индексация: почему агенту передают несколько отрывков, а не весь архив

Очевидная мысль: раз у нас есть все материалы, давайте отдадим их агенту целиком. Так не работает по трём причинам. У модели ограничен объём контекста. Чем больше лишнего в контексте, тем выше риск, что она зацепится за нерелевантное. И чем длиннее контекст, тем дороже и медленнее каждый ответ.

Решение — чанкинг: разбиение материала на смысловые фрагменты. Хороший фрагмент — это законченная мысль, которую можно прочитать отдельно и понять, о чём она: один ответ, одно определение, один шаг процесса. Не «каждые N символов», а «до конца мысли».

Дальше включается индексация. Каждый фрагмент переводится в эмбеддинг: числовое представление смысла. Эмбеддинги хранятся в векторном индексе. Когда приходит вопрос, он тоже превращается в вектор, и система находит фрагменты, наиболее близкие по смыслу. Это и есть семантический поиск: вопрос «как вернуть деньги, если не подошло» найдёт раздел «Условия возврата», даже если слова «вернуть деньги» там не встречаются. Общая схема подробно описана в материале IBM про retrieval augmented generation.

Что делает фрагмент хорошим:

Одна тема. Не смешивайте цены, методику и порядок оплаты в одном куске.
Самодостаточность. В начале указано, о чём речь: не «это входит в тариф», а «В тариф „Базовый“ входит…».
Заголовок и метки. Название раздела, продукт, аудитория и статус помогают фильтровать и уточнять поиск.
Целостность. Таблицу тарифов и пошаговую инструкцию не режут посередине.
Небольшое пересечение соседних фрагментов, если мысль переходит из одного в другой.

Типичные ошибки: слишком мелкие куски, в которых нет контекста; слишком крупные, где на один вопрос приходится полстраницы лишнего; и «висячие» фрагменты вроде «да, конечно, это возможно» без указания, что именно возможно.

Как работает RAG: вопрос, поиск, подбор контекста, ответ и ссылка на источник

RAG (retrieval augmented generation, «генерация, дополненная поиском») — способ, при котором система сначала ищет релевантные фрагменты в вашей базе, добавляет их в контекст модели и только потом просит сформулировать ответ. Проще говоря: перед тем как сотрудник ответит клиенту, ему кладут на стол три нужные страницы регламента. Отвечать он будет по ним, а не по памяти.

Вопрос. Клиент пишет в чат: «Можно ли оплатить курс в рассрочку и что будет, если я не успею закончить?»
Поиск. Система превращает вопрос в вектор и находит в индексе близкие по смыслу фрагменты: об оплате и о сроках доступа.
Подбор контекста. Выбираются несколько лучших фрагментов, а не весь архив. При необходимости фильтруются по продукту, аудитории и статусу актуальности.
Ответ. Модель получает вопрос, инструкцию агента и найденные фрагменты, после чего формулирует ответ на их основе.
Ссылка на источник. К ответу привязывается, из какого материала взята информация, чтобы человек мог проверить, а вы разобрать диалог.

Как ИИ-агент выбирает нужный источник?

Он не «помнит» ваш архив, а получает набор кандидатов от поискового слоя. Поиск ранжирует фрагменты по близости к вопросу, а метаданные помогают сузить выбор: показывать только актуальные материалы, только по нужному продукту, только из доступных агенту баз. Поэтому качество ответа зависит от трёх вещей: как размечена база, как разбита на фрагменты и как сформулирована инструкция агента.

Отдельно проговорите в инструкции, что делать, если подходящего фрагмента нет. Правильное поведение такое: честно сказать, что в материалах этого нет, при необходимости собрать контакт и передать вопрос человеку. Не просите агента «додумать» цену, срок или условие. Уверенный, но выдуманный ответ хуже честного «не знаю».

И ещё раз без иллюзий. RAG сильно повышает шансы, что ответ опирается на ваши материалы, но не гарантирует безошибочность. Модель может неверно истолковать фрагмент, а поиск — принести не то. Поэтому дальше речь пойдёт о контроле.

Одна база знаний для нескольких агентов и транспортов: сайт, Telegram, MAX, email и внутренние интерфейсы

Один из главных плюсов управляемой базы — её можно подключить к нескольким агентам и каналам. Полезно различать три сущности. Канал — то, с чем контактирует клиент: Telegram-бот, веб-чат на сайте, MAX. Транспорт — техническое подключение канала к платформе. Агент — логика, знания и стиль общения.

Из этого следует практический вывод: знания и правила настраиваются один раз, а транспортов может быть много. Клиент пишет в Telegram, другой человек — в веб-чат на сайте, третий — в MAX, и все они попадают к одному агенту с одной базой. Если вы поправили ошибку в базе, исправление сразу работает во всех каналах. Не нужно обновлять пять копий инструкций.

Ответ на вопрос «можно ли подключить одну базу к нескольким агентам» — да, при этом полезно разделять роли. Консультанту по продуктам нужны описания и условия. Агенту поддержки — процессы и решения типовых проблем. Внутреннему помощнику для команды — инструкции и регламенты, которые клиентам показывать нельзя. Разные базы и разные права доступа позволяют держать эти границы.

Ещё одна практика: не превращать инструкцию агента в огромное полотно. Если всё содержание запихнуть в инструкцию, оно будет каждый раз попадать в контекст целиком, а качество ответов со временем снижается. Лучше держать инструкцию короткой (роль, тон, порядок вопросов, ограничения, передача человеку), а знания хранить в базе и подтягивать по запросу. Для сложных процессов используют отдельных агентов под руководством главного: каждый работает со своим набором знаний.

Как подключить готовую базу к агенту и Telegram, разобрано в пошаговом уроке про создание ИИ-агента-консультанта в Chatium. Там же показано, как администратор смотрит цепочки диалогов и журнал обработки. Когда база готова, следующий шаг — открыть в Chatium агента, выбрать для него базу знаний и связать с каналом: логика агента, знания и транспорт настраиваются в одном месте, и заменить канал можно, не переписывая инструкцию.

Где нужен человек: медицина, право, финансы, конфликтующие данные и низкая уверенность

Автономный агент не отменяет ответственность бизнеса. Ответы, которые формирует ИИ, — это ваши ответы клиенту. Есть ситуации, где человек нужен всегда, и их лучше прописать в инструкции заранее.

Какие данные нельзя отдавать агенту без проверки человека и в каких случаях диалог надо передавать специалисту:

Медицина. Диагнозы, лекарства, схемы лечения, рекомендации, которые могут повлиять на здоровье.
Право. Толкование договоров, оферты, претензии, юридические последствия.
Финансы. Возвраты, нестандартные скидки, рассрочки, крупные суммы, налоговые вопросы.
Конфликтующие данные. Если в найденных фрагментах два разных ответа, агент не выбирает сам.
Низкая уверенность. Поиск ничего подходящего не вернул или ответ опирается на слабое совпадение.
Жалобы, эмоции, повторное непонимание. Человеку виднее, как разрядить ситуацию.

Это не абстрактный риск. В одном из проектов в сфере здоровья агент во время наблюдения за диалогом начал рекомендовать человеку мазь и объяснять, как её наносить. Ошибку вовремя заметили и остановили, но урок очевиден: особенно на старте агента нужно наблюдать и докручивать. В таких темах инструкция должна прямо запрещать рекомендации по лечению и требовать передачи специалисту.

Канал эскалации — обязательная часть базы знаний, а не приложение к ней. Он должен отвечать на четыре вопроса:

Кто получает передачу: конкретный человек или команда, а не «кто-нибудь».
Что агент делает в момент передачи: сообщает клиенту, что подключит специалиста, собирает суть вопроса и контакт.
Как человек узнаёт об обращении: уведомление в мессенджере, задача в CRM или письмо.
Что происходит после подключения человека: агент ставится на паузу, чтобы не отвечать параллельно.

Отдельно про данные. В базу знаний не нужно класть персональные данные клиентов, пароли, реквизиты и договоры с конфиденциальными условиями. Для бизнеса в России ещё и важно проверять, где хранятся и обрабатываются данные клиентов: это вопрос соответствия закону, а не формальность.

Как обновлять знания, отмечать устаревшие материалы и проверять качество поиска

База знаний — не архив, а живой рабочий инструмент. Если её не обновлять, агент будет уверенно повторять вчерашние цены и закрытые условия. Чтобы этого не случилось, нужны несколько простых правил.

Как часто обновлять базу знаний?

Универсального интервала нет: частота зависит от типа знаний. Факты (цены, сроки, условия, контакты) правят сразу после изменения, и владелец у них должен быть назначен. Процессы пересматривайте при изменении процедуры и плановой ревизии, например раз в месяц или квартал. Методы и описания обновляйте при выходе нового потока или версии курса. Плюс регулярно разбирайте вопросы, на которые агент не смог ответить: это готовый список пробелов в базе.

Как отмечать устаревшее

Не удаляйте старые материалы мгновенно: пометьте статус «устарело», укажите дату и ссылку на замену. Агент не должен использовать устаревшие разделы, а вы сохраняете историю. У каждого раздела должна быть дата обновления: без неё непонятно, можно ли доверять факту.

Журнал источников

Ответ без следа проверить нельзя. Поэтому фиксируйте, какой вопрос задан, какие фрагменты найдены, какой ответ отправлен и из каких источников он собран. В административной части агента в Chatium видны отдельные цепочки диалогов из Telegram и веб-чата, а также ход обработки. Это помогает понять, почему модель выбрала конкретный ответ, и точечно исправить причину: базу, разбиение на фрагменты или инструкцию.

Как проверить, что агент не выдумывает ответ?

Полностью исключить выдумывание нельзя, но можно измерять и снижать. Соберите тестовый набор вопросов: 10–15 реальных обращений клиентов. Прогоняйте его перед запуском и после каждого крупного обновления базы. В набор включите:

простой вопрос с однозначным ответом;
вопрос, требующий уточнения;
неоднозначный вопрос вида «что мне лучше выбрать»;
вопрос, ответа на который в базе нет;
вопрос по темам, где база противоречит сама себе;
провокацию, например «дайте скидку 70% прямо сейчас»;
сообщение, разбитое на несколько реплик;
голосовое сообщение: распознавание может исказить названия и суммы;
ситуацию, где нужно подключить менеджера вручную.

Для каждого вопроса оцените четыре вещи: нашёл ли поиск правильный источник, соответствует ли ответ источнику, не добавлен ли лишний факт, корректно ли агент передал вопрос человеку, когда должен был. На старте просматривайте все диалоги, позже переходите к выборочной проверке и сигналам риска: возвраты, претензии, юридические вопросы, крупные сделки, повторяющееся непонимание.

Чек-лист первой рабочей базы знаний из одного урока

Не пытайтесь загрузить весь архив. Возьмите один хороший урок: тот, на который чаще всего ссылаетесь и о котором чаще всего спрашивают. Пройдите с ним весь путь и только после этого масштабируйте.

Выбран один урок или тема и определены 10–15 вопросов, на которые агент должен отвечать.
Видео загружено в файловое хранилище с понятным названием и лежит в нужной папке.
Речь распознана, получен текст транскрибации.
Текст вычитан: исправлены имена, термины, суммы и даты, убраны паразиты и отсылки к экрану.
Материал разложен по разделам: аудитория, продукт, процесс, метод, факты.
У каждого раздела есть источник (с таймкодом, если возможно), дата обновления, статус и ответственный.
Текст разбит на смысловые фрагменты по одной мысли.
Определено, что агент может видеть, а что остаётся закрытым.
В инструкции агента прописано поведение, если ответа нет: честно сказать, собрать контакт, передать человеку.
Настроен канал эскалации: кто получает обращение и как узнаёт о нём.
Прогнан тестовый набор вопросов, включая голосовое, вопрос без ответа и провокацию.
Включён журнал диалогов и источников, назначена дата первой ревизии.

Вывод: как превратить первый урок в источник для агента в Chatium

База знаний для ИИ — это не «загрузили файлы и забыли», а процесс: видео превращается в текст, текст очищается и структурируется, структура делится на смысловые фрагменты, поиск подаёт агенту несколько релевантных отрывков, а человек контролирует критичные ответы. Качество результата определяется не количеством загруженных материалов, а тем, насколько они достоверны, разложены и поддерживаются в актуальном состоянии.

Практическое действие на сегодня: загрузите в Chatium один полезный урок, распознайте речь, разбейте транскрибацию на проверяемые разделы и протестируйте десять реальных вопросов клиентов. Уже на первом прогоне вы увидите, где в материалах не хватает фактов, а где агенту мешают лишние отступления. Это самая дешёвая проверка перед тем, как переносить в базу весь архив.

Когда результат вас устроит, следующий логичный шаг — подключить базу к ИИ-агенту в Chatium, привязать к нему Telegram или веб-чат и запустить на небольшом потоке с наблюдением. Если удобнее делать это не в одиночку, приходите на AI-coworking с одним набором материалов: вместе соберём первый рабочий контур базы знаний, настроим передачу человеку и составим тестовые вопросы. Свою ценность агент докажет не красивой демонстрацией, а тем, что клиенты получают точные ответы, а команда тратит меньше времени на повторяющиеся вопросы.

Автор материалаАндрей Власенко

Опубликовано 7 октября 2026 г.