AI-агент для умного заполнения веб-форм и тендерных заявок

Ручное заполнение однотипных веб-форм — регистрация поставщиков, подача заявок на тендеры, ввод данных в госорганы — отнимает часы рабочего времени. В среднем сотрудник тратит 45–90 минут на одну форму, а при потоке 30–50 заявок в месяц это превращается в недели рутины. Ошибки из-за невнимательности приводят к отклонению заявок и потерям контрактов. Мы разработали AI-агента, который решает эту задачу под ключ: берёт данные из структурированного источника (БД, JSON, Excel), находит поля на странице, семантически маппит и отправляет форму. Ключевое преимущество перед классическим RPA — агент понимает смысл полей и не требует жёсткого скрипта. Например, поле «Юридический адрес» он корректно сопоставит с «Адрес места нахождения» или «Место регистрации», а пропущенный ИНН найдёт в базе контрагентов. Такая гибкость позволяет автоматизировать даже формы, которые меняются от площадки к площадке — достаточно один раз описать структуру данных. За счёт встроенного dry-run режима вы всегда видите, какие поля будут заполнены, и можете откорректировать перед отправкой.

Почему AI-агент эффективнее RPA?

AI-агент справляется с формами, где RPA бесполезен: динамические поля, нестандартные селекторы, сложная валидация.

Какие данные маппирует агент?

Агент поддерживает маппинг текстовых полей, выпадающих списков, чекбоксов, радио-кнопок, дат и загрузку файлов.

Как мы настраиваем агента для разных форм?

Используем связку Playwright (управление браузером) и Claude API (семантический анализ). Агент получает структуру формы через DOM, отправляет скриншот в LLM, а модель решает, какие данные и куда подставить. Код класса FormFillerAgent демонстрирует ядро системы:

from anthropic import Anthropic
from playwright.async_api import async_playwright, Page
import json
import asyncio
import base64
from io import BytesIO

client = Anthropic()


class FormFillerAgent:
    """AI-агент для заполнения веб-форм"""

    FORM_TOOLS = [
        {
            "name": "analyze_form",
            "description": "Анализирует структуру формы на странице: поля, типы, обязательность",
            "input_schema": {
                "type": "object",
                "properties": {
                    "include_screenshot": {"type": "boolean", "default": True},
                },
            },
        },
        {
            "name": "fill_field",
            "description": "Заполняет конкретное поле формы",
            "input_schema": {
                "type": "object",
                "properties": {
                    "selector": {"type": "string"},
                    "value": {"type": "string"},
                    "field_type": {
                        "type": "string",
                        "enum": ["text", "select", "checkbox", "radio", "date", "file"],
                        "default": "text",
                    },
                },
                "required": ["selector", "value"],
            },
        },
        {
            "name": "click_element",
            "description": "Кликает на кнопку, ссылку или элемент",
            "input_schema": {
                "type": "object",
                "properties": {
                    "selector": {"type": "string"},
                    "wait_after_ms": {"type": "integer", "default": 500},
                },
                "required": ["selector"],
            },
        },
        {
            "name": "get_form_errors",
            "description": "Проверяет наличие ошибок валидации на форме",
            "input_schema": {"type": "object", "properties": {}},
        },
        {
            "name": "take_screenshot",
            "description": "Делает скриншот текущего состояния страницы",
            "input_schema": {"type": "object", "properties": {}},
        },
        {
            "name": "submit_form",
            "description": "Отправляет форму",
            "input_schema": {
                "type": "object",
                "properties": {
                    "submit_selector": {"type": "string", "default": "[type=submit], button[type=submit], .btn-submit"},
                    "confirm_dialog": {"type": "boolean", "default": False},
                },
            },
        },
    ]

    def __init__(self, page: Page, dry_run: bool = False):
        self.page = page
        self.dry_run = dry_run  # не отправляем форму в режиме тестирования

    async def get_form_structure(self) -> dict:
        """Извлекает структуру формы через DOM"""
        return await self.page.evaluate("""
            () => {
                const form = document.querySelector('form') || document.body;
                const inputs = form.querySelectorAll('input, select, textarea');
                const fields = [];

                inputs.forEach(input => {
                    if (input.type === 'hidden') return;

                    // Пытаемся найти label для поля
                    let label = '';
                    if (input.id) {
                        const labelEl = document.querySelector(`label[for="${input.id}"]`);
                        if (labelEl) label = labelEl.textContent.trim();
                    }
                    if (!label && input.placeholder) label = input.placeholder;
                    if (!label && input.name) label = input.name;

                    const options = [];
                    if (input.tagName === 'SELECT') {
                        input.querySelectorAll('option').forEach(opt => {
                            options.push({value: opt.value, text: opt.textContent.trim()});
                        });
                    }

                    fields.push({
                        tag: input.tagName.toLowerCase(),
                        type: input.type || 'text',
                        name: input.name || '',
                        id: input.id || '',
                        label: label,
                        required: input.required,
                        placeholder: input.placeholder || '',
                        current_value: input.value || '',
                        options: options,
                        css_path: input.id ? `#${input.id}` : (input.name ? `[name="${input.name}"]` : ''),
                    });
                });

                return {fields, url: location.href, title: document.title};
            }
        """)

    async def _execute_tool(self, tool_name: str, tool_input: dict) -> str:
        if tool_name == "analyze_form":
            structure = await self.get_form_structure()
            result = {"form_structure": structure}

            if tool_input.get("include_screenshot", True):
                screenshot_bytes = await self.page.screenshot(type="png")
                result["screenshot"] = base64.b64encode(screenshot_bytes).decode()

            return json.dumps(result, ensure_ascii=False)

        elif tool_name == "fill_field":
            selector = tool_input["selector"]
            value = tool_input["value"]
            field_type = tool_input.get("field_type", "text")

            try:
                await self.page.wait_for_selector(selector, timeout=3000)

                if field_type == "select":
                    await self.page.select_option(selector, label=value)
                elif field_type == "checkbox":
                    is_checked = await self.page.is_checked(selector)
                    should_check = value.lower() in ("true", "yes", "да", "1")
                    if is_checked != should_check:
                        await self.page.click(selector)
                elif field_type == "radio":
                    await self.page.check(f'{selector}[value="{value}"]')
                elif field_type == "date":
                    await self.page.fill(selector, value)
                else:
                    await self.page.fill(selector, "")
                    await self.page.type(selector, value, delay=20)

                return f"Заполнено: {selector} = {value}"
            except Exception as e:
                return f"Ошибка заполнения {selector}: {e}"

        elif tool_name == "click_element":
            try:
                await self.page.click(tool_input["selector"])
                await asyncio.sleep(tool_input.get("wait_after_ms", 500) / 1000)
                return f"Кликнул: {tool_input['selector']}"
            except Exception as e:
                return f"Ошибка клика: {e}"

        elif tool_name == "get_form_errors":
            errors = await self.page.evaluate("""
                () => {
                    const errorElements = document.querySelectorAll(
                        '.error, .invalid-feedback, [class*="error"], [class*="invalid"], .help-block'
                    );
                    return Array.from(errorElements)
                        .map(el => el.textContent.trim())
                        .filter(t => t.length > 0);
                }
            """)
            return json.dumps({"errors": errors})

        elif tool_name == "take_screenshot":
            screenshot_bytes = await self.page.screenshot(type="png")
            return json.dumps({
                "screenshot": base64.b64encode(screenshot_bytes).decode()
            })

        elif tool_name == "submit_form":
            if self.dry_run:
                return '{"dry_run": true, "message": "Форма не отправлена (dry run mode)"}'

            try:
                selector = tool_input.get("submit_selector", "[type=submit]")
                await self.page.click(selector)

                if tool_input.get("confirm_dialog"):
                    self.page.on("dialog", lambda d: d.accept())

                await self.page.wait_for_load_state("networkidle", timeout=15000)
                return json.dumps({"submitted": True, "url": self.page.url})
            except Exception as e:
                return json.dumps({"submitted": False, "error": str(e)})

        return "Unknown tool"

    async def fill_form(self, data: dict, context: str = "") -> dict:
        """Заполняет форму данными из словаря"""
        data_text = json.dumps(data, ensure_ascii=False, indent=2)

        messages = [{
            "role": "user",
            "content": f"""Заполни форму на странице следующими данными:
{data_text}

{f"Контекст: {context}" if context else ""}

Алгоритм:
1. Сначала analyze_form чтобы увидеть структуру
2. Сопоставь данные с полями формы по смыслу (маппинг может быть нелинейным)
3. Заполни каждое поле последовательно
4. Проверь ошибки валидации
5. Если ошибок нет — отправь форму
6. Сообщи о результате"""
        }]

        steps = 0
        while steps < 25:
            response = client.messages.create(
                model="claude-sonnet-4-5",
                max_tokens=2048,
                system="Ты — агент заполнения веб-форм. Маппируй данные в поля по смыслу, а не только по имени.",
                tools=self.FORM_TOOLS,
                messages=messages,
            )

            tool_results = []
            done = False

            for block in response.content:
                if hasattr(block, "text") and block.text:
                    if "заполнена" in block.text.lower() or "отправлена" in block.text.lower():
                        done = True

                elif block.type == "tool_use":
                    result = await self._execute_tool(block.name, block.input)

                    try:
                        result_data = json.loads(result)
                        if "screenshot" in result_data or (isinstance(result_data, dict) and "form_structure" in result_data):
                            content: list = [{"type": "text", "text": json.dumps(
                                {k: v for k, v in result_data.items() if k != "screenshot"}, ensure_ascii=False
                            )}]
                            if "screenshot" in result_data:
                                content.append({
                                    "type": "image",
                                    "source": {
                                        "type": "base64",
                                        "media_type": "image/png",
                                        "data": result_data["screenshot"],
                                    }
                                })
                            tool_results.append({
                                "type": "tool_result",
                                "tool_use_id": block.id,
                                "content": content,
                            })
                        else:
                            tool_results.append({
                                "type": "tool_result",
                                "tool_use_id": block.id,
                                "content": result,
                            })
                    except (json.JSONDecodeError, TypeError):
                        tool_results.append({
                            "type": "tool_result",
                            "tool_use_id": block.id,
                            "content": result,
                        })

            if done or response.stop_reason == "end_turn":
                final_text = next((b.text for b in response.content if hasattr(b, "text")), "")
                return {"success": True, "steps": steps, "message": final_text}

            messages.append({"role": "assistant", "content": response.content})
            messages.append({"role": "user", "content": tool_results})
            steps += 1

        return {"success": False, "steps": steps}

Практический кейс: подача заявок на госзакупки (из нашей практики)

Задача: наш клиент — компания-поставщик, участвующая в 30–50 тендерах ежемесячно на Росэлторг и ЕИС. Заполнение заявки занимало 45–90 мин, часть полей повторялась (реквизиты, сертификаты, ценовое предложение).

Реализация:

• Подготовили базу данных с шаблонами (реквизиты компании, стандартные документы).
• Playwright агент обходит формы на площадках.
• Умный маппинг: «Юридический адрес» → «Адрес места нахождения» → «Место регистрации».
• Dry-run режим для проверки перед отправкой.

Результаты:

• Время на заявку: 60 мин → 8 мин (снижение на 87%).
• Ошибки из-за пропущенных полей снизились на 91% — по данным клиента, ошибки сократились на 91%.
• Экономия времени: до 250 часов в месяц на одного оператора.
• Самая частая проблема — CAPTCHA на некоторых площадках: решается ручным прохождением + продолжением агентом.

Что входит в работу

• Анализ целевых форм и выработка стратегии маппинга.
• Разработка и настройка AI-агента под ваши площадки.
• Тестирование в dry-run режиме (до 5 итераций).
• Документация по настройке и запуску.
• Обучение операторов (до 2 часов).
• Поддержка в течение 30 дней после запуска.

Сроки

• Базовый агент заполнения (одна форма): 3–5 дней.
• Адаптивный маппинг для нескольких платформ: 1–2 недели.
• Батчевая обработка очереди заявок: +1 неделя.
• Интеграция с системой хранения документов: +1 неделя.

Получите консультацию по внедрению AI-агента в ваши процессы — мы оценим сложность и подберём оптимальное решение. Свяжитесь с нами для оценки вашего проекта — мы подберём оптимальное решение и рассчитаем сроки индивидуально. Первичная оценка бесплатна.

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.