AI chatbotas WordPress svetainei: kaip įdiegti (LLM + RAG vadovas 2026)

AI chatbotai 2026 m. tapo standartu e-parduotuvėms ir paslaugų svetainėms. Bet prijungti ChatGPT’o widget’ą — ne viskas. Rimtas AI chatbot’as su RAG (Retrieval Augmented Generation) sistema atsako į specifinius klausimus apie JŪSŲ produktus/paslaugas, ne bendrus.

Dvi AI chatbot’ų arkitektūros

1. Paprastas LLM chatbot’as

• Frontend: chat widget’as svetainėje.
• Backend: užklausos → LLM API → atsakymas.
• Žino: tik tai, ką LLM išmoko iš interneto iki treniravimo datos.

Tinka: bendriems klausimams („Kokias technologijas naudojate?”). Netinka: specifiškiems produktams, kainoms, atsargoms.

2. RAG chatbot’as (rekomenduojam)

• Frontend: chat widget’as.
• Backend: klausimas → search vector DB (jūsų dokumentai) → top 3 relevant chunks → LLM → atsakymas su context.
• Žino: viską, kas jūsų dokumentuose.

Tinka: produktų FAQ, paslaugų kainos, techninės specifikacijos. Pritaikymas: e-parduotuvė, SaaS, B2B paslaugos.

RAG architektūra pagrindais

[PDF, DOCX, WordPress posts]
    ↓ (chunking)
[Text chunks ~500 žodžių]
    ↓ (embedding model)
[Vector DB — Qdrant, Pinecone, pgvector]
    ↓
User question → embedding → vector search → top 3 chunks
    ↓
LLM (su context) → atsakymas

Stack’as 2026 m.

Pigus / self-hosted (gerai LT SMB)

• LLM: Ollama (Llama 3.3, Mistral) lokaliai + OpenAI API fallback.
• Embedding: sentence-transformers (multilingual-e5).
• Vector DB: pgvector (PostgreSQL extension) arba Qdrant.
• Backend: n8n workflow + Node.js webhook.
• Frontend: <script> widget’as WordPress.

Kaina: ~50–80 €/mėn. (VPS).

Premium / managed

• LLM: Anthropic Claude API (arba kitas cloud LLM).
• Embedding: OpenAI text-embedding-3-small.
• Vector DB: Pinecone (managed).
• Backend: Vercel Edge functions.
• Frontend: Custom React widget.

Kaina: ~150–400 €/mėn. (priklauso nuo traffic).

Setup’as (high-level)

Žingsnis 1: Dokumentų paruošimas

• Eksportuokite visą WordPress turinį (Tools → Export).
• Pridėkit PDF’us (pvz., produktų specifikacijos, kainoraščiai).
• Chunk’inkit tekstą į ~500-word dalis (su overlap).

Žingsnis 2: Embeddings

• Kiekvienam chunk’ui generuokit vector embedding (768–1536 dim.).
• Saugokit į vector DB kartu su metadata (source URL, section).

Žingsnis 3: Retrieval logic

• User klausia → embed’inkit klausimą → top-K similarity search.
• Pasiimkit 3–5 labiausiai relevant chunks.

Žingsnis 4: LLM call

Prompt template:

You are a helpful assistant for [Company].
Use ONLY the following context to answer:

{retrieved_chunks}

Question: {user_question}

If answer isn't in context, say "Nežinau, susisiekite info@oktoja.lt".
Answer in Lithuanian.

Žingsnis 5: Widget WordPress’e

• Pridėkit <script> į footer.php arba per Code Snippets plugin’ą.
• Autentikacija per API key.

LT specifika

Kalbos kokybė

• Naudokit multilingual embedding modelius (multilingual-e5-large, paraphrase-multilingual-mpnet-base-v2).
• LLM turi gerai mokėti LT — Claude, GPT-4o, Gemini Pro — visi puikiai. Llama 3 — vidutiniškai.
• Jei turite turinį tik EN — pridėkit LT „prompt system” instrukciją.

GDPR

• User pokalbiai — pseudonimizuokit (ne saugokit email’o be sutikimo).
• Privatumo politikoje paminėkit, kad naudojate LLM (ir kurį).
• Siūlykit „delete chat history” opciją.

Use-case’ai LT verslui

E-parduotuvei

• Produktų klausimai („Kokios medžiagos rankinės?”, „Ar yra mėlyna XL?”).
• Užsakymų tracking („Kur mano siuntą?”).
• Grąžinimo procedūra.

ROI: 30–50% support užklausų automatizuojama. Mažina email inbox’ą, greičiau atsakymai.

SaaS / paslaugoms

• FAQ („Kokie abonementai?”).
• Technical support (tier 1).
• Pricing calculator („Kiek kainuotų man su 50 vartotojų?”).

B2B / agentūroms

• Lead qualification („Ar siūlote X paslaugą?”).
• Case studies navigacija.
• Booking meeting’ams.

Kainodara — realus pavyzdys

WooCommerce parduotuvė, 300 produktų, ~50 chat’ų/d.

Komponentas	Setup	Mėnesinis
Dokumentų indexing	400 €	—
VPS (šonas)	—	25 €
Pinecone / pgvector	—	0–30 €
LLM API (GPT-4o-mini)	—	40–80 €
Widget development	800 €	—
Priežiūra	—	100 €
Iš viso	1 200 €	165–235 €

Implementation step-by-step (n8n + WordPress)

1. Index’avimo workflow (n8n)

• Trigger: WP hook post_updated.
• Nodes: HTTP request (get post content) → chunk text → OpenAI Embeddings → pgvector insert.

2. Chat query workflow (n8n)

• Trigger: webhook iš WP widget’o.
• Nodes: embed’ink klausimą → pgvector search → LLM call → return response.

3. WordPress widget

• enqueue_scripts pridėk chat.js.
• Simple fetch(‘/wp-json/custom/v1/chat’, { body: {question} }).

DUK

Kiek kainuoja paleisti AI chatbot’ą? Self-hosted MVP: 1 000–2 000 €. Managed premium: 3 000–6 000 €. Mėnesinis priklauso nuo traffic’o.

Ar gali pakenkti svetainei? Widget’as — ne (tik JS papildymas). Bet reikia testuot CWV neprarandant performance’o.

Ar tikras „autonomija” — klientas gali pats atnaujinti duomenis? Taip, su tinkamu admin UI. Dažniausiai darom, kad n8n automatiškai re-index’uoja, kai WP post’as keičiasi.

Koks skirtumas tarp paprasto chatbot’o ir RAG? Paprastas — „halucinuoja” faktus (išsigalvoja kainas). RAG — atsako tik iš jūsų duomenų.

---

Svarstote AI chatbot’ą savo svetainei? Kalbekim → — pilot per 6–10 sav., investicija atsiperka per 4–6 mėn. palaikymo sumažėjimu.