Разработка AI-системы автоматизации бронирования столиков и номеров

AI-автоматизация бронирования столиков и номеров

«Забронировать столик на двоих, в пятницу вечером, желательно у окна» — стандартный запрос, который кнопочный чат-бот обрабатывает за 5–7 шагов. AI-бронирование столиков и номеров — это автоматизация, которая обрабатывает естественные запросы гостей. Наш AI-агент разбирает намерение из первого сообщения, извлекает дату, время и предпочтения, проверяет доступность через API ресторана и подтверждает бронь в одном диалоге. Мы реализовали архитектуру с agentic loop. LLM вызывает инструменты и итеративно уточняет данные.

Гость пишет «в субботу вечером нас будет пятеро». Агент нормализует дату в ISO, парсит время по диапазону (18:00–22:00), извлекает количество гостей и проверяет доступность. Без форм, без оператора. Это ключевое отличие от простого чат-бота. Agentic loop позволяет LLM вызывать инструменты — проверка доступности, создание брони, отправка подтверждения — и итеративно собирать информацию через диалог. Промпт включает извлечение сущностей перед вызовом инструментов. Это снижает число ошибок на 83% из данных наших проектов.

Архитектура AI-агента: agentic loop

from anthropic import Anthropic
from datetime import datetime, timedelta
import json
import re

client = Anthropic()


class BookingAgent:
    BOOKING_TOOLS = [
        {
            "name": "check_table_availability",
            "description": "Проверяет доступность столиков в ресторане",
            "input_schema": {
                "type": "object",
                "properties": {
                    "date": {"type": "string", "description": "Дата в формате YYYY-MM-DD"},
                    "time": {"type": "string", "description": "Время в формате HH:MM"},
                    "guests": {"type": "integer", "description": "Количество гостей"},
                    "preferences": {
                        "type": "array",
                        "items": {"type": "string"},
                        "description": "Предпочтения: window, terrace, private, bar",
                    },
                },
                "required": ["date", "time", "guests"],
            },
        },
        {
            "name": "check_room_availability",
            "description": "Проверяет доступность номеров в отеле",
            "input_schema": {
                "type": "object",
                "properties": {
                    "check_in": {"type": "string", "description": "Дата заезда YYYY-MM-DD"},
                    "check_out": {"type": "string", "description": "Дата выезда YYYY-MM-DD"},
                    "guests": {"type": "integer"},
                    "room_type": {
                        "type": "string",
                        "enum": ["standard", "superior", "deluxe", "suite", "family"],
                    },
                },
                "required": ["check_in", "check_out", "guests"],
            },
        },
        {
            "name": "create_booking",
            "description": "Создаёт подтверждённое бронирование",
            "input_schema": {
                "type": "object",
                "properties": {
                    "booking_type": {"type": "string", "enum": ["table", "room"]},
                    "slot_id": {"type": "string", "description": "ID слота из check_availability"},
                    "guest_name": {"type": "string"},
                    "guest_phone": {"type": "string"},
                    "guest_email": {"type": "string"},
                    "special_requests": {"type": "string"},
                },
                "required": ["booking_type", "slot_id", "guest_name", "guest_phone"],
            },
        },
        {
            "name": "send_confirmation",
            "description": "Отправляет подтверждение бронирования по SMS/email/WhatsApp",
            "input_schema": {
                "type": "object",
                "properties": {
                    "booking_id": {"type": "string"},
                    "channel": {"type": "string", "enum": ["sms", "email", "whatsapp"]},
                },
                "required": ["booking_id", "channel"],
            },
        },
        {
            "name": "cancel_booking",
            "description": "Отменяет бронирование по номеру или имени гостя",
            "input_schema": {
                "type": "object",
                "properties": {
                    "booking_id": {"type": "string"},
                    "guest_phone": {"type": "string"},
                },
            },
        },
    ]

    def __init__(self, booking_backend, notification_service):
        self.backend = booking_backend
        self.notifier = notification_service
        self.sessions: dict[str, dict] = {}

    async def _execute_tool(self, tool_name: str, tool_input: dict) -> str:
        """Выполняет инструмент и возвращает результат"""
        try:
            if tool_name == "check_table_availability":
                slots = await self.backend.get_table_slots(
                    date=tool_input["date"],
                    time=tool_input["time"],
                    guests=tool_input["guests"],
                    preferences=tool_input.get("preferences", []),
                )
                if not slots:
                    alternatives = await self.backend.get_alternative_slots(
                        date=tool_input["date"],
                        guests=tool_input["guests"],
                        time_range=("18:00", "22:00"),
                    )
                    return json.dumps({
                        "available": False,
                        "alternatives": alternatives[:3],
                    }, ensure_ascii=False)
                return json.dumps({"available": True, "slots": slots[:5]}, ensure_ascii=False)
            elif tool_name == "check_room_availability":
                rooms = await self.backend.get_available_rooms(
                    check_in=tool_input["check_in"],
                    check_out=tool_input["check_out"],
                    guests=tool_input["guests"],
                    room_type=tool_input.get("room_type"),
                )
                return json.dumps({"rooms": rooms[:4]}, ensure_ascii=False)
            elif tool_name == "create_booking":
                booking = await self.backend.create_booking(**tool_input)
                return json.dumps({
                    "success": True,
                    "booking_id": booking["id"],
                    "confirmation_code": booking["code"],
                    "details": booking["summary"],
                }, ensure_ascii=False)
            elif tool_name == "send_confirmation":
                await self.notifier.send(
                    booking_id=tool_input["booking_id"],
                    channel=tool_input["channel"],
                )
                return '{"sent": true}'
            elif tool_name == "cancel_booking":
                result = await self.backend.cancel(**tool_input)
                return json.dumps(result, ensure_ascii=False)
        except Exception as e:
            return json.dumps({"error": str(e)})
        return '{"error": "unknown tool"}'

    async def process_message(self, session_id: str, message: str) -> str:
        """Агентный диалог бронирования"""
        session = self.sessions.get(session_id, {"history": [], "context": {}})
        system = f"""Ты — агент бронирования. Сегодня: {datetime.now().strftime('%A, %d %B %Y, %H:%M')}.

Помогаешь забронировать столик или номер. Собери необходимые данные в диалоге:
- Для столика: дата, время, кол-во гостей, предпочтения (опционально), имя и телефон
- Для номера: даты заезда/выезда, кол-во гостей, тип номера (опционально), имя и телефон

Не задавай все вопросы сразу. Выясняй по одному-двум деталям за раз.
После подтверждения гостем — создай бронирование и отправь подтверждение."""

        session["history"].append({"role": "user", "content": message})
        messages = session["history"].copy()

        while True:
            response = client.messages.create(
                model="claude-sonnet-4-5",
                max_tokens=512,
                system=system,
                tools=self.BOOKING_TOOLS,
                messages=messages,
            )

            if response.stop_reason == "end_turn":
                reply = response.content[0].text
                session["history"].append({"role": "assistant", "content": reply})
                self.sessions[session_id] = session
                return reply

            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = await self._execute_tool(block.name, block.input)
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result,
                    })

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

Как agentic loop ускоряет бронирование?

Кнопочный чат-бот требует 7 нажатий для брони столика (выбор даты, времени, количества гостей, предпочтений, подтверждения). AI-агент обрабатывает запрос в 3 раза быстрее. Среднее время брони — 90 секунд против 5 минут по телефону. Ошибки в датах снижаются на 83%, а процент no-show падает с 18% до 9% благодаря автоматическим напоминаниям. Сравнение методов бронирования приведено в таблице.

Какие проблемы решает AI-агент?

Основная боль — неструктурированные запросы гостей. Чат-бот на кнопках требует множества шагов, а операторы не успевают обрабатывать пиковые нагрузки. AI-агент решает обе проблемы: парсит естественный язык и масштабируется до тысяч запросов в минуту. Дополнительно снижается процент no-show за счёт автоматических напоминаний.

Интеграция с системами бронирования

Пример бэкенда для ресторана через iiko API:

import aiohttp


class IikoBokingBackend:
    def __init__(self, api_url: str, api_key: str):
        self.api_url = api_url
        self.headers = {"Authorization": f"Bearer {api_key}"}

    async def get_table_slots(self, date: str, time: str, guests: int, preferences: list) -> list:
        async with aiohttp.ClientSession() as session:
            async with session.post(
                f"{self.api_url}/api/0/reserve/available_tables",
                headers=self.headers,
                json={
                    "restaurantId": self.restaurant_id,
                    "datetime": f"{date}T{time}:00",
                    "numberOfPersons": guests,
                }
            ) as resp:
                data = await resp.json()
        tables = data.get("reserveTables", [])
        if "window" in preferences:
            tables = [t for t in tables if t.get("tags", {}).get("window")]
        if "terrace" in preferences:
            tables = [t for t in tables if "терраса" in t.get("name", "").lower()]
        return [
            {
                "slot_id": t["id"],
                "table_name": t["name"],
                "capacity": t["capacity"],
                "tags": t.get("tags", {}),
            }
            for t in tables
        ]

    async def create_booking(self, booking_type: str, slot_id: str,
                              guest_name: str, guest_phone: str,
                              guest_email: str = None, special_requests: str = None) -> dict:
        async with aiohttp.ClientSession() as session:
            async with session.post(
                f"{self.api_url}/api/0/reserve/add_reserve",
                headers=self.headers,
                json={
                    "tableId": slot_id,
                    "guestName": guest_name,
                    "phone": guest_phone,
                    "email": guest_email,
                    "comment": special_requests,
                    "source": "ai_bot",
                }
            ) as resp:
                result = await resp.json()
        return {
            "id": result["reserveId"],
            "code": result.get("reserveCode", result["reserveId"][:6].upper()),
            "summary": f"Столик {result.get('tableName', slot_id)}, {guest_name}",
        }

Практический кейс: сеть ресторанов, 4 заведения

Цифры до внедрения: 35–40% броней через телефон, 25–30 минут работы хостес в пик, очередь из звонков.

После внедрения нашего агента:

• WhatsApp-бот через 360dialog + Telegram-бот
• Интеграция с iiko для всех 4 заведений
• SMS-подтверждения через SMS.ru

Результаты из нашей практики:

• 68% броней переведены в автоматический режим
• Время создания брони: с 3–5 мин (телефон) до 90 сек (бот)
• Ошибки бронирования (неправильное имя, дата): снижены на 83%
• Напоминания за 2 часа → no-show снизился с 18% до 9%
• Экономия на операционных расходах: сокращение затрат на персонал до 40%

Проблема: гости пишут неструктурированно. Решение — промпт с извлечением сущностей перед вызовом инструментов.

Каналы связи и их пропускная способность

Что входит в нашу работу

Как внедрить AI-агента: пошаговый план

1. Аудит — анализируем текущие брони, выявляем болевые точки
2. Проектирование — определяем архитектуру, выбираем LLM и инструменты
3. Интеграция — подключаем API ресторана/отеля и каналы связи
4. Обучение — настраиваем промпты на исторических данных (few-shot)
5. A/B тест — запускаем агента параллельно с операторами, сравниваем метрики
6. Запуск — переводим 100% потока на агента с мониторингом

Сроки

• Агент бронирования (диалог + логика): 1 неделя
• Интеграция с iiko / r-keeper / 1C: 1–2 недели
• WhatsApp / Telegram каналы: 3–5 дней
• SMS/email подтверждения + напоминания: 3–5 дней
• Полная система для сети заведений: 4–6 недель

Как мы гарантируем качество?

Каждое бронирование проходит валидацию на стороне бэкенда: проверка наличия мест, предотвращение двойных броней, подтверждение по SMS. Наш опыт работы с ресторанными сетями (более 10 проектов) позволяет минимизировать риски. Хотите аналогичный результат? Получите консультацию. Закажите аудит текущих процессов бронирования и узнайте, как AI-агент сократит ваши затраты.

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.