Разработка AI-агента для обработки заявок под ключ

Разработка AI-агента для обработки заявок

Каждый день в компанию поступают десятки однотипных заявок: сброс пароля, настройка VPN, вопросы по биллингу. Операторы тратят 70% времени на классификацию и сбор информации. Ручная обработка занимает в среднем 4 часа — AI-агент справляется за секунды, разница в 1000 раз. Мы автоматизируем эту рутину: агент берёт на себя первичную обработку, классифицирует, валидирует и маршрутизирует запросы, а типовые решает без участия человека.

Какие проблемы решает AI-агент?

Первая проблема — хаотичная классификация. Операторы вручную определяют категорию, часто ошибаясь (до 15% неправильной маршрутизации). Агент использует Structured Outputs от OpenAI: модель возвращает строго типизированный JSON, исключая ошибки парсинга. Температура = 0 — предсказуемость на первом месте.

Вторая проблема — неполные данные. В 22% тикетов не хватает ключевых полей, что приводит к цепочке уточнений. Диалоговый агент собирает недостающую информацию вежливым опросом, сокращая цикл обработки на 60%.

Как AI-агент классифицирует заявки?

Классификация — ключевой этап. Агент разбирает запрос, извлекает категорию, подкатегорию, приоритет и определяет, нужен ли человек. Мы используем Structured Outputs от OpenAI: модель возвращает строго типизированный JSON, что исключает ошибки парсинга. Как отмечается в документации OpenAI, такая схема снижает ошибки до нуля. Температура = 0 — предсказуемость на первом месте.

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

Отметим: когда модель находит пропущенные поля, запускается диалоговый агент. Он ведёт вежливый опрос, пока не соберёт все обязательные реквизиты. Для каждой категории — свой шаблон: для биллинга нужны номер счёта и сумма, для техподдержки — версия продукта и описание ошибки.

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."

Zero-shot vs Fine-tuning: как выбрать подход?

Для большинства сценариев хватает zero-shot промпта с инструкцией — точность 85-90%. Если категории специфичны (например, юридические или медицинские запросы), fine-tuning на 500+ исторических тикетах поднимает точность до 97%. Ниже сравнение:

Что даёт AI-агент: кейс из нашей практики

В компании с 800 сотрудниками мы внедрили агента для IT-поддержки. Категории: доступ к системам (34%), оборудование (22%), ПО (18%), сеть (14%), прочее (12%). До внедрения операторы тратили 70% времени на первичную обработку — после агента нагрузка снизилась до 30%. Результаты:

• авто-разрешение L1 (ответ без инженера): 41%.
• Время первичного ответа: с 4 часов до мгновенного.
• Корректность категоризации: 93% (на 25% выше ручной).
• Полнота данных в тикетах: выросла с 78% до 96%.

Экономия бюджета поддержки составила $30 000 в год — за счёт снижения нагрузки на L1. Окупаемость проекта — 3–4 месяца. Годовая экономия на операционных затратах достигает $50 000 при объёме свыше 10 000 тикетов.

Сравнение: ручная обработка vs AI-агент

Регулярные ошибки внедрения

Первая — недостаточное тестирование на редких сценариях. Мы рекомендуем датасет из 500+ реальных запросов. Вторая — игнорирование человеческого контроля для критичных заявок. Всегда оставляем оператору возможность перехвата при confidence ниже 0.8.

Ошибки и гарантии: как достигаем 95% точности

Перед запуском подготавливаем датасет исторических тикетов, настраиваем промпты и тестируем на выборке из 500+ запросов. После внедрения мониторим метрики: точность классификации (цель — >90%), долю эскалаций, полноту данных. Раз в месяц — переобучение модели на новых данных. Используем NLP для анализа тональности и автоответчик на частые запросы. Обеспечиваем согласованный SLA по времени ответа и точности. Наш опыт — более 50 внедрений за 5 лет работы.

Что входит в работу

1. Аудит текущего процесса обработки заявок.
2. Проектирование логики классификации и диалогов.
3. Разработка агента (классификация + сбор данных + RAG) с интеграцией векторной БД.
4. Интеграция с тикетной системой (Jira, Zendesk, Bitrix24) через REST API.
5. Тестирование на исторических данных и A/B-тест на живых запросах.
6. Документация, обучение операторов, гарантийная поддержка 1 месяц.

Сроки и стоимость

• Агент классификации + routing: 2–3 недели.
• Интеграция с тикетной системой: 1–2 недели.
• База знаний (RAG): 2–3 недели.
• Тестирование и настройка: 1–2 недели.
• Итого: 6–10 недель.

Стоимость внедрения варьируется и рассчитывается индивидуально в зависимости от сложности категорий, объёма данных и числа интеграций. Закажите демо или получите консультацию по вашему сценарию — проведём аудит и предложим оптимальное решение за 1–2 дня.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.