Разработка автономной AI-системы ведения переписки с клиентами

Как построить автономную AI-систему диалогов с клиентами

Клиенты жалуются на долгое ожидание ответа, а FAQ-боты теряют контекст уже на втором сообщении. Традиционные решения не могут выполнить действие — перенаправить платёж или изменить заказ. Мы разрабатываем автономные AI-системы, которые ведут полноценный диалог, принимают решения и совершают транзакции. Наша система управляет полным циклом: инициирует коммуникацию по триггерам, поддерживает многоходовые разговоры, адаптирует тон под клиента, выполняет действия внутри диалога и корректно передаёт разговор оператору при необходимости. Это не FAQ-бот — это интеллектуальный ассистент, понимающий намерения и хранящий историю. В основе лежит Large language model, которая обрабатывает естественный язык и генерирует ответы.

Как автономная AI-система решает проблемы клиентской переписки?

Потеря контекста. Клиент сообщает номер заказа, затем уточняет дату, потом меняет адрес — обычный бот не связывает эти сообщения. Наша система хранит историю в графе состояний и строит профиль из CRM, заказов и лояльности. Невозможность выполнить действие исчезает: мы даём системе доступ к API и исполняем действия внутри диалога с подтверждением от клиента. Неадаптивная тональность больше не проблема — динамически подбираем тон в зависимости от статуса (standard, premium, VIP). Высокая нагрузка на контакт-центр снижается: автономная система берёт на себя 70% диалогов, оставляя сложные случаи людям.

Как мы строим диалоговую систему: стек и конфигурации

Используем проверенный стек: LangGraph для управления состояниями, OpenAI GPT-4o для генерации, PostgreSQL с pgvector для хранения контекста и asyncio для параллельной загрузки профиля. Ключевой элемент — граф состояний, где каждый узел отвечает за часть диалога. Вот пошаговая инструкция.

Шаг 1: Состояние диалога

from langgraph.graph import StateGraph, END from langgraph.checkpoint.postgres import PostgresSaver from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, AIMessage, SystemMessage from typing import TypedDict, Annotated, Optional import operator class ConversationState(TypedDict): session_id: str customer_id: str channel: str # "whatsapp", "telegram", "web_chat", "sms" messages: Annotated[list, operator.add] customer_profile: Optional[dict] customer_tier: str # "standard", "premium", "vip" preferred_language: str # "ru", "en" current_intent: Optional[str] dialog_context: dict pending_confirmations: list[dict] completed_actions: Annotated[list, operator.add] escalated: bool escalation_reason: Optional[str] escalation_priority: Optional[str] 

Шаг 2: Контекстный менеджер клиента

class CustomerContextManager: """Загружает и обновляет профиль клиента""" async def load_context(self, customer_id: str) -> dict: profile_task = crm.get_customer(customer_id) orders_task = orders_db.get_recent(customer_id, limit=10) preferences_task = preference_store.get(customer_id) loyalty_task = loyalty_service.get_status(customer_id) results = await asyncio.gather( profile_task, orders_task, preferences_task, loyalty_task, return_exceptions=True, ) return { "profile": results[0] if not isinstance(results[0], Exception) else {}, "recent_orders": results[1] if not isinstance(results[1], Exception) else [], "preferences": results[2] if not isinstance(results[2], Exception) else {}, "loyalty": results[3] if not isinstance(results[3], Exception) else {}, } def build_system_context(self, customer_context: dict) -> str: profile = customer_context.get("profile", {}) loyalty = customer_context.get("loyalty", {}) context_parts = [ f"Клиент: {profile.get('name', 'клиент')}", f"Статус: {loyalty.get('tier', 'standard')}", f"Язык: {profile.get('preferred_language', 'ru')}", ] orders = customer_context.get("recent_orders", []) if orders: last_order = orders[0] context_parts.append( f"Последний заказ: #{last_order['id']} от {last_order['date']}, статус: {last_order['status']}" ) return "\n".join(context_parts) 

Шаг 3: Обнаружение намерений и динамический промпт

from pydantic import BaseModel from typing import Literal class IntentDetection(BaseModel): intent: Literal[ "order_status", "order_change", "order_cancel", "delivery_issue", "return_request", "payment_issue", "product_question", "complaint", "compliment", "account_management", "general_question", "farewell", ] confidence: float entities: dict requires_action: bool needs_clarification: bool SYSTEM_PROMPT_TEMPLATE = """Ты — AI-ассистент клиентской службы компании "{company_name}". Информация о клиенте: {customer_context} Правила общения: - Обращайся к клиенту по имени - Тон: {tone} (зависит от статуса клиента) - Язык: {language} - Никогда не обещай то, что не можешь выполнить - При ошибках — признавай и предлагай решение - Не раскрывай внутренние системы и базы данных Доступные действия: - Статус заказа - Изменение адреса доставки (если заказ не передан курьеру) - Инициирование возврата - Перенос даты доставки - Передача оператору Если не знаешь ответа — честно скажи об этом и предложи передать специалисту.""" def build_system_prompt(state: ConversationState) -> str: tone_map = { "standard": "профессиональный, дружелюбный", "premium": "персональный, внимательный", "vip": "эксклюзивный, максимально персонализированный", } return SYSTEM_PROMPT_TEMPLATE.format( company_name="RetailCo", customer_context=state.get("customer_profile", {}).get("context", ""), tone=tone_map.get(state["customer_tier"], "профессиональный"), language=state["preferred_language"], ) 

Шаг 4: Исполнение действий и управление подтверждениями

async def execute_dialog_action(action_name: str, params: dict, state: ConversationState) -> dict: """Выполняет действие и возвращает результат для включения в диалог""" action_handlers = { "get_order_status": lambda p: orders_api.get_status(p["order_id"]), "change_delivery_address": lambda p: orders_api.update_address(p["order_id"], p["new_address"]), "initiate_return": lambda p: returns_service.create_request(order_id=p["order_id"], reason=p["reason"], customer_id=state["customer_id"]), "reschedule_delivery": lambda p: delivery_api.reschedule(p["order_id"], p["new_date"]), } handler = action_handlers.get(action_name) if not handler: return {"success": False, "error": f"Неизвестное действие: {action_name}"} try: result = await handler(params) return {"success": True, "data": result} except Exception as e: return {"success": False, "error": str(e)} def needs_confirmation(action_name: str) -> bool: """Действия, требующие подтверждения клиента""" return action_name in {"cancel_order", "initiate_return", "change_payment_method"} async def handle_pending_confirmation(state: ConversationState) -> ConversationState: """Обрабатывает ответ клиента на запрос подтверждения""" if not state["pending_confirmations"]: return state last_message = state["messages"][-1].content.lower() confirmation_words = {"да", "yes", "подтверждаю", "согласен", "ок", "ok"} rejection_words = {"нет", "no", "отмена", "отказываюсь", "стоп"} if any(word in last_message for word in confirmation_words): pending = state["pending_confirmations"][0] result = await execute_dialog_action(pending["action"], pending["params"], state) return { **state, "pending_confirmations": state["pending_confirmations"][1:], "completed_actions": [{"action": pending["action"], "result": result}], } elif any(word in last_message for word in rejection_words): return { **state, "pending_confirmations": [], "messages": [AIMessage("Хорошо, действие отменено. Чем ещё могу помочь?")], } return { **state, "messages": [AIMessage("Пожалуйста, ответьте 'да' для подтверждения или 'нет' для отмены.")], } 

Шаг 5: Триггерная коммуникация

class OutboundCommunicationEngine: """Инициирует исходящую коммуникацию по бизнес-триггерам""" TRIGGER_TEMPLATES = { "order_shipped": { "message": "Ваш заказ #{order_id} отправлен! Трекинг: {tracking_url}. Ожидаемая доставка: {eta}.", "channel_priority": ["sms", "whatsapp", "email"], }, "delivery_delay": { "message": "Сообщаем о задержке доставки заказа #{order_id}. Новая дата: {new_eta}. Извините за неудобства.", "channel_priority": ["whatsapp", "telegram", "sms"], }, "return_approved": { "message": "Ваш возврат по заказу #{order_id} одобрен. Средства вернутся в течение {refund_days} дней.", "channel_priority": ["email", "whatsapp"], }, } async def send_trigger_message(self, customer_id: str, trigger: str, params: dict): template_config = self.TRIGGER_TEMPLATES.get(trigger) if not template_config: return customer = await crm.get_customer(customer_id) base_message = template_config["message"].format(**params) if customer.get("tier") in ("premium", "vip"): personalized = await personalize_message(base_message, customer) else: personalized = base_message channel = await self.get_preferred_channel(customer_id, template_config["channel_priority"]) await channel_dispatcher.send(customer_id, channel, personalized) 

Какие результаты дает внедрение автономной AI-системы?

Из нашей практики: внедрили систему для регионального телекома с 850 000 абонентов и 120 операторами. Реализовали сценарии проверки баланса, подключения услуг, разблокировки номера, диагностики и обработки жалоб. Результаты: автономное закрытие 67% диалогов, среднее время ответа снизилось с 4,5 минут до 8 секунд, CSAT вырос с 3,8 до 4,2. Операторы сосредоточились на сложных случаях, NPS увеличился на 7 пунктов. Сложность: настройка тональности для angry customers заняла 4 недели, VIP-клиенты получили опцию немедленной передачи человеку. Система окупается в среднем за 6 месяцев за счёт сокращения штата операторов.

Что входит в работу

1. Аудит текущих сценариев и точек интеграции
2. Проектирование архитектуры диалогового движка
3. Реализация базовых сценариев (5–10 штук)
4. Интеграция с каналами связи и CRM/ERP
5. Настройка моделей LLM и векторизация контента
6. Обучение системы на истории диалогов
7. Тестирование и запуск в продакшн
8. Документация и обучение вашей команды
9. Поддержка на этапе стабилизации

Стоимость рассчитывается индивидуально. Оценим ваш проект за 1–2 дня. Закажите разработку под ключ — гарантируем качество и сертифицированных инженеров с опытом работы с LLM.

Сравнение автономной AI-системы и FAQ-бота

Автономная система на базе LLM решает задачи, которые не под силу простому боту. Она понимает намерения, запоминает контекст и выполняет действия. Сравните сами:

Наши системы протестированы на пиковых нагрузках до 18 000 диалогов в день. Сертифицированные решения, полная документация и гарантия результата. Свяжитесь с нами для консультации — оценим ваш проект и предложим оптимальное решение.