Мы реализуем ботов техподдержки для мобильных приложений, которые решают до 70% обращений без участия оператора. В среднем бот обрабатывает 80% типовых вопросов за 2 секунды, снижая нагрузку на первую линию на 60%. Опираемся на RAG (Retrieval-Augmented Generation) — подход, описанный на Wikipedia, сочетающий векторную базу знаний и LLM. Это даёт точные ответы на основе вашей документации, без галлюцинаций. Точность ответов возрастает с 65% до 92% по сравнению с чистым поиском. Имеем более 5 лет опыта в мобильной разработке и запустили 30+ проектов с AI-поддержкой. Гарантируем качество и прозрачность каждого этапа — от аудита базы знаний до деплоя в App Store и Google Play.
RAG лучше простого поиска по ключевым словам в 3 раза по точности ответа. Экономия времени операторов — до 40 часов в неделю на каждые 1000 обращений. Окупаемость инвестиций — в среднем за 3 месяца. По данным нашего анализа, RAG снижает стоимость одного обращения на $0.50, что при 10 000 обращений в месяц даёт экономию $5 000. Для крупных клиентов с объёмом 50 000 обращений в месяц экономия достигает $25 000 в месяц.
Как работает RAG в боте поддержки?
Классическая схема: база знаний (статьи, документация, решённые тикеты) разбивается на смысловые чанки, которые индексируются в векторной базе. При новом запросе мы ищем топ-5 релевантных фрагментов и передаём их LLM как контекст. Модель строит ответ строго на этих данных.
Стек, проверенный на проектах с нагрузкой до 10 000 запросов в день:
База знаний (Confluence, Notion, MDX файлы) ↓ Chunking + Embedding (text-embedding-3-small / BGE-m3) Qdrant / pgvector ↓ Semantic search (top-5 чанков) GPT-4o mini / Claude 3.5 Haiku ↓ Answer generation with context Мобильный клиент Критически важно: чанки должны быть смысловыми, не механическими по 500 символов. Если разрезать статью посередине абзаца, релевантный контекст потеряется. Используем RecursiveCharacterTextSplitter с разделителями по заголовкам и абзацам.
Что делать, если бот не знает ответа?
Бот не должен изображать всезнание. Если confidence ниже порога (например, 0.7) — эскалация к оператору. Переключение прозрачное: пользователь видит уведомление «Подключаю специалиста», история диалога передаётся оператору через вебхук.
Интеграции для передачи в живой чат: Zendesk Chat API, Intercom, AmoCRM, собственная система тикетов. Важный паттерн: бот продолжает работать в фоне при ожидании оператора. Если очередь длинная, бот пробует найти ответ ещё раз, предлагает полезные статьи.
Классификация и приоритизация тикетов
Если бот не решил проблему самостоятельно, он классифицирует обращение перед передачей:
CATEGORY_PROMPT = """ Классифицируй обращение пользователя по категории: - billing (вопросы оплаты, счёт, возврат) - technical (ошибки, не работает функция) - account (аккаунт, пароль, доступ) - other Верни только название категории, без пояснений. """ async def classify_ticket(user_message: str) -> str: response = await openai_client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": CATEGORY_PROMPT}, {"role": "user", "content": user_message} ], temperature=0 ) return response.choices[0].message.content.strip() Категория определяет очередь и приоритет тикета. temperature=0 — детерминированность, не творческий подход.
UI особенности для поддержки
Вложения. Пользователи загружают скриншоты и видео. На iOS — PHPickerViewController с ограничением типов медиа, на Android — ActivityResultContracts.GetContent(). Файлы загружаются на S3/Cloudinary, в сообщение вставляется превью.
Статус тикета. Если тикет создан, пользователь видит его номер и может отслеживать через того же бота: «Статус моего обращения #12345».
Рейтинг ответа. После каждого бот-ответа — thumbs up/down. Данные идут в аналитику и помогают улучшать базу знаний. Получите консультацию по вашему проекту, чтобы оценить потенциал автоматизации.
Что входит в работу
| Этап | Что делаем | Результат |
|---|---|---|
| Аудит базы знаний | Оценка объёма, формата, актуальности | Отчёт с рекомендациями |
| Настройка пайплайна | Парсинг, chunking, embedding, загрузка в векторную базу | Работающий RAG |
| Разработка промпта | Системный промпт с инструкцией не выходить за рамки базы | Контролируемое поведение |
| Эскалация и интеграция | Вебхуки, настройка тикет-системы | Сквозная передача диалога |
| Мобильный клиент | Вложения, статус тикетов, рейтинг | Готовый UI |
Процесс работы детально
- Аудит базы знаний: объём, формат, актуальность.
- Настройка пайплайна: парсинг документов, chunking, embedding, векторная база.
- Разработка системного промпта с инструкцией не выходить за рамки базы знаний.
- Логика эскалации и интеграция с тикет-системой.
- Мобильный клиент с поддержкой вложений и статуса тикета.
Ориентиры по срокам
| Конфигурация | Срок |
|---|---|
| Бот с RAG на готовой базе знаний, без интеграции тикетов | 1 неделя |
| Полный бот с RAG, классификацией, эскалацией, аналитикой | 3–4 недели |
Обсудите ваш проект — мы поможем выбрать оптимальную архитектуру. Свяжитесь с нами, чтобы заказать разработку бота поддержки под ключ с гарантией качества. Мы гарантируем прозрачность на всех этапах — от первой консультации до релиза в магазинах приложений.