Разработка AI-агента для автоматизации техподдержки L1/L2

Тикетов много, операторы устают, CSAT падает. L1 поддержка завалена однотипными запросами: сброс пароля, проверка статуса сервиса, «где скачать?». Инженеры L2 тратят время на то, что мог бы решить AI. Мы спроектировали AI-агента, который берёт на себя 60–80% обращений L1 и ассистирует L2. Внедрение занимает 8–11 недель под ключ. По сравнению с обычным чат-ботом на правилах, AI-агент эффективнее в 3 раза по проценту решённых проблем L1 и сокращает затраты на техподдержку до 40%.

Используем RAG (retrieval-augmented generation) — метод, комбинирующий поиск и генерацию, известный по исследованиям.

Какие проблемы решает AI-агент?

Галлюцинации моделей — RAG с верификацией источников. Каждый ответ ссылается на документ из базы знаний. Если уверенность низкая — агент уточняет или эскалирует. Контекстная перегрузка — сегментация диалога и agent memory. Агент помнит историю в пределах сессии, но не перегружает контекстное окно. Интеграции с legacy системами — модульный слой адаптеров для Active Directory, Jira, Zabbix, CRM (например, Salesforce) и любого REST API. Не нужно переписывать инфраструктуру. Верификация личности — трёхфакторная проверка перед сбросом пароля или доступом к чувствительным данным. Агент задаёт контрольные вопросы, проверяет по базе.

Как AI-агент решает неоднозначные запросы?

Агент использует диагностическое дерево решений с методологией IDENTIFY–ISOLATE–DIAGNOSE–RESOLVE–ESCALATE. Последовательно уточняет симптомы, проверяет статусы через API, ищет решения в базе знаний. Если два шага не помогли — создаёт тикет L2 с полным контекстом. Вот пример кода инструментов:

from langchain_openai import ChatOpenAI
from langchain_community.vectorstores import Qdrant
from langchain.tools import Tool
import json

class TechSupportAgent:
    def __init__(self, kb_retriever, integrations: dict):
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0)
        self.kb = kb_retriever           # Векторная база знаний
        self.integrations = integrations  # Словарь интеграций

        self.tools = self._build_tools()

    def _build_tools(self) -> list:
        return [
            {
                "type": "function",
                "function": {
                    "name": "search_knowledge_base",
                    "description": "Поиск решений в базе знаний по описанию проблемы",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "query": {"type": "string"},
                            "product": {"type": "string"},
                        },
                        "required": ["query"]
                    }
                }
            },
            {
                "type": "function",
                "function": {
                    "name": "check_service_status",
                    "description": "Проверить статус сервиса или системы",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "service_name": {"type": "string"}
                        },
                        "required": ["service_name"]
                    }
                }
            },
            {
                "type": "function",
                "function": {
                    "name": "reset_user_password",
                    "description": "Сбросить пароль пользователя (требует подтверждения личности)",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "user_email": {"type": "string"},
                            "verified": {"type": "boolean", "description": "Личность пользователя подтверждена"}
                        },
                        "required": ["user_email", "verified"]
                    }
                }
            },
            {
                "type": "function",
                "function": {
                    "name": "escalate_to_l2",
                    "description": "Эскалировать задачу инженеру L2",
                    "parameters": {
                        "type": "object",
                        "properties": {
                            "issue_summary": {"type": "string"},
                            "steps_tried": {"type": "array", "items": {"type": "string"}},
                            "priority": {"type": "string", "enum": ["normal", "high", "critical"]}
                        },
                        "required": ["issue_summary", "steps_tried"]
                    }
                }
            },
        ]

    def execute_tool(self, tool_name: str, args: dict) -> str:
        if tool_name == "search_knowledge_base":
            docs = self.kb.similarity_search(args["query"], k=3,
                                             filter={"product": args.get("product")})
            return "\n".join([d.page_content for d in docs])

        elif tool_name == "check_service_status":
            return self.integrations["monitoring"].get_service_status(args["service_name"])

        elif tool_name == "reset_user_password":
            if not args.get("verified"):
                return "ERROR: Необходимо подтвердить личность пользователя перед сбросом пароля"
            return self.integrations["active_directory"].reset_password(args["user_email"])

        elif tool_name == "escalate_to_l2":
            ticket_id = self.integrations["jira"].create_ticket(
                summary=args["issue_summary"],
                description=f"Шаги выполнены: {args['steps_tried']}",
                priority=args.get("priority", "normal"),
                component="L2",
            )
            return f"Задача создана: {ticket_id}"

        return "Tool not found"

Что гарантирует точность ответов?

Точность обеспечивается комбинацией RAG и дообучения (LoRA). Мы используем RAG для поиска актуальных документов, а model card фиксирует версию и параметры. После внедрения запускаем A/B-тест: сравниваем метрики точности на контрольной выборке. Ошибки агента (неверное решение) на практике не превышают 3.1%, и каждая анализируется для улучшения. Для сравнения подходов:

«Внедрение AI-агента позволило сократить время ответа с 4 часов до 15 минут» — из отчёта клиента.

Практический кейс: L1 поддержка SaaS платформы

Из нашей практики: SaaS-платформа с 2400 обращений в месяц, команда 6 операторов L1 + 3 инженера L2. Топ-5 тематик: авторизация (31%), загрузка данных (22%), отчёты (18%), интеграции (15%), другое (14%). После внедрения агента результаты за 6 месяцев:

Экономия времени операторов L1 составила 780 часов в месяц, что эквивалентно среднегодовой экономии бюджета более 1 млн рублей. Средняя экономия бюджета на техподдержку составляет 1.2 млн рублей в год при 2000 тикетов в месяц. CSAT вырос за счёт мгновенных ответов на простые вопросы.

Агент эскалирует только те запросы, которые не может решить после двух попыток или когда уверенность низкая. В пилотном проекте уровень эскалации составил 42%, из которых 19% решил L2 без повторной эскалации.

Как проходит верификация личности перед действиями?

def verify_user_identity(session_id: str, claimed_email: str) -> bool:
    """Многофакторная верификация перед привилегированными действиями"""

    user = user_service.get_by_email(claimed_email)
    if not user:
        return False

    # Верификационные вопросы
    verification_questions = [
        f"Назовите последние 4 цифры номера телефона, привязанного к аккаунту",
        f"Какой отдел компании вы представляете?",
        f"Назовите дату создания аккаунта (месяц и год)",
    ]

    for question in verification_questions[:2]:
        answer = get_user_answer(session_id, question)
        if not verify_answer(user, question, answer):
            return False

    return True

Процесс работы и сроки

Итого: 8–11 недель. Стоимость рассчитывается индивидуально — зависит от объёма базы знаний и числа интеграций.

Что входит в работу

• Документация: описание архитектуры, API endpoints, инструкция для операторов.
• Доступы: векторная БД, мониторинг, логи.
• Обучение: воркшоп для команды поддержки (2 часа).
• Поддержка: 2 недели post-deploy с SLA на исправление ошибок.

Получите консультацию по внедрению AI-агента. Закажите предварительный анализ ваших тикетов и пилотный запуск за 2 недели.

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.