Разработка AI-агента для обработки заявок

Разработка AI-агента для обработки заявок

AI-агент для обработки заявок автоматизирует первичную обработку входящих запросов: классификацию, валидацию, сбор недостающих данных и маршрутизацию к нужному специалисту или автоматическое исполнение. Применяется в службах поддержки, закупках, HR, юридических отделах.

Компоненты агента обработки заявок

from pydantic import BaseModel
from typing import Optional, Literal
from openai import OpenAI
import json

client = OpenAI()

class RequestClassification(BaseModel):
    category: Literal["billing", "technical", "account", "shipping", "legal", "other"]
    subcategory: str
    priority: Literal["low", "normal", "high", "critical"]
    requires_human: bool
    missing_fields: list[str]
    confidence: float  # 0-1

def classify_request(request_text: str) -> RequestClassification:
    """Классификация заявки через Structured Outputs"""
    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "Классифицируй входящую заявку."},
            {"role": "user", "content": request_text},
        ],
        response_format=RequestClassification,
        temperature=0,
    )
    return response.choices[0].message.parsed

def collect_missing_info(request_text: str, missing_fields: list[str]) -> str:
    """Формирует уточняющий вопрос для сбора недостающих данных"""
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "system",
            "content": "Сформулируй вежливый вопрос для уточнения информации по заявке."
        }, {
            "role": "user",
            "content": f"Заявка: {request_text}\nНедостающие поля: {missing_fields}"
        }],
    )
    return response.choices[0].message.content

Диалоговый агент для сбора данных

class RequestProcessor:
    """Диалоговый агент для полного сбора данных заявки"""

    TEMPLATES = {
        "billing": ["invoice_number", "amount", "payment_date"],
        "technical": ["product_name", "version", "error_description", "steps_to_reproduce"],
        "account": ["user_email", "account_id", "issue_description"],
    }

    def __init__(self):
        self.conversations: dict[str, list] = {}
        self.collected_data: dict[str, dict] = {}

    def process_message(self, session_id: str, message: str) -> str:
        if session_id not in self.conversations:
            self.conversations[session_id] = []
            self.collected_data[session_id] = {}

        self.conversations[session_id].append({"role": "user", "content": message})

        # Обновляем собранные данные
        self._extract_and_update(session_id, message)

        # Проверяем полноту
        required = self._get_required_fields(session_id)
        missing = [f for f in required if f not in self.collected_data[session_id]]

        if not missing:
            return self._finalize_request(session_id)

        # Запрашиваем следующее поле
        return self._ask_for_field(session_id, missing[0])

    def _ask_for_field(self, session_id: str, field: str) -> str:
        field_questions = {
            "invoice_number": "Укажите номер счёта или инвойса",
            "amount": "Какая сумма указана в счёте?",
            "error_description": "Опишите ошибку подробнее",
        }
        return field_questions.get(field, f"Уточните: {field}")

    def _finalize_request(self, session_id: str) -> str:
        data = self.collected_data[session_id]
        ticket_id = create_ticket(data)
        return f"Заявка создана: #{ticket_id}. Мы свяжемся с вами в течение 24 часов."

Практический кейс: агент обработки заявок IT-поддержки

Задача: первичная обработка IT-заявок в компании 800 сотрудников.

Категории: доступ к системам (34%), оборудование (22%), ПО (18%), сеть (14%), другое (12%).

Агент обрабатывает:

1. Классифицирует заявку и приоритет (SLA зависит от priority)
2. Запрашивает недостающую информацию (версия ОС, скриншот ошибки)
3. Пробует автоматическое решение по базе знаний (RAG по runbooks)
4. При неуспехе — создаёт тикет с полными данными и назначает исполнителя

Метрики:

• Авто-разрешение L1 (ответ без участия инженера): 41%
• Время до первичного ответа: 4ч → мгновенно
• Корректность категоризации: 93%
• Полнота данных в созданных тикетах: 78% → 96%

Сроки

• Разработка агента классификации + routing: 2–3 недели
• Интеграция с тикетной системой (Jira/Zendesk): 1–2 недели
• База знаний (RAG): 2–3 недели
• Тестирование и настройка: 1–2 недели
• Итого: 6–10 недель