Разработка бота для ответов на вопросы на маркетплейсах

Разработка бота для ответов на вопросы на маркетплейсах

Каждый день продавцы на Ozon, Wildberries и Яндекс.Маркет получают десятки однотипных запросов: наличие, размер, сроки доставки. Ручной ответ на каждый занимает 2-3 минуты, а на 50 вопросов уходит 2 часа. При ручной обработке легко пропустить вопрос или ответить с ошибкой, что снижает доверие покупателей. Автоматизация снимает эту нагрузку и позволяет менеджерам сосредоточиться на сложных запросах. Мы разрабатываем ботов с LLM-обработкой, которые отвечают на стандартные вопросы за секунды и эскалируют нестандартные менеджеру. Это сокращает время реакции с 4 часов до 30 секунд и повышает конверсию на 15-20%.

Почему автоматизация вопросов окупается?

Часы, потраченные на однотипные ответы, можно направить на развитие ассортимента и маркетинг. Бот работает круглосуточно, не болеет и не требует отпуска — каждый пропущенный вопрос упускает продажу. Клиенты, получившие быстрый ответ, чаще оставляют заказы и возвращаются снова.

Архитектура обработки вопросов

Бот опрашивает API маркетплейса каждые 60 секунд или принимает webhook-уведомления. Для каждого вопроса запускается классификация: он сравнивается с базой шаблонов (косинусное сходство эмбеддингов). Если сходство выше 0.9 — отправляется готовый ответ. Если ниже — в дело вступает LLM.

Мы используем gpt-4o-mini или аналогичные модели с температурой 0.3 для генерации ответа на основе базы знаний продавца. Подробнее о возможностях — в OpenAI API. Дополнительный запрос к LLM оценивает уверенность: если она ниже 0.85, вопрос эскалируется в Telegram-чат менеджеру.

Получение вопросов через API маркетплейса

# Ozon Seller API — получение новых вопросов
import httpx

class OzonQAClient:
    def __init__(self, client_id: str, api_key: str):
        self.headers = {
            'Client-Id': client_id,
            'Api-Key':   api_key,
        }

    def get_unanswered_questions(self) -> list:
        resp = httpx.post(
            'https://api-seller.ozon.ru/v1/qa/list',
            headers=self.headers,
            json={'status': 'without_answer', 'page_size': 50}
        )
        return resp.json().get('result', {}).get('questions', [])

    def reply(self, question_id: str, answer_text: str) -> bool:
        resp = httpx.post(
            'https://api-seller.ozon.ru/v1/qa/answer/seller',
            headers=self.headers,
            json={'question_id': question_id, 'text': answer_text}
        )
        return resp.status_code == 200

Почему LLM лучше только шаблонов?

LLM позволяет обрабатывать вопросы, которых нет в базе, и формулировать ответы естественным языком, сохраняя единый tone of voice.

Классификация и генерация ответа

from openai import OpenAI

client = OpenAI()

FAQ_CONTEXT = """
Вы — помощник продавца на маркетплейсе. База знаний:
- Доставка: 3-7 дней по России, СДЭК или Почта России
- Гарантия: 12 месяцев на все товары
- Возврат: в течение 14 дней
- Оплата: картой, СБП, наличными при получении
"""

def generate_answer(question: str, product_info: dict) -> dict:
    system_prompt = FAQ_CONTEXT + f"\n\nТовар: {product_info['name']}\n{product_info['description']}"

    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[
            {'role': 'system', 'content': system_prompt},
            {'role': 'user',   'content': question},
        ],
        temperature=0.3,
    )

    answer = response.choices[0].message.content

    # Определяем уверенность через отдельный запрос
    confidence = classify_confidence(question, answer)

    return {
        'answer':     answer,
        'confidence': confidence,   # 0.0 — 1.0
        'auto_send':  confidence >= 0.85
    }

Эскалация на менеджера

Вопросы с низкой уверенностью бота идут на проверку:

if not result['auto_send']:
    # Отправляем менеджеру в Telegram с кнопками
    await telegram.send_message(
        chat_id=MANAGER_CHAT,
        text=f"❓ Вопрос по товару \"{product['name']}\"\n\n"
             f"Вопрос: {question}\n\n"
             f"Предлагаемый ответ:\n{result['answer']}",
        reply_markup=InlineKeyboardMarkup([[
            InlineKeyboardButton("✅ Отправить", callback_data=f"approve:{question_id}"),
            InlineKeyboardButton("✏️ Изменить", callback_data=f"edit:{question_id}"),
        ]])
    )

Пошаговая настройка бота

1. Интеграция с API маркетплейса — подключаемся к Ozon Seller API или Wildberries API.
2. Загрузка базы знаний — вы предоставляете типовые вопросы и ответы, мы настраиваем эмбеддинги.
3. Выбор LLM-модели — обычно gpt-4o-mini или claude-3-haiku, оптимальные по цене и качеству.
4. Настройка порогов уверенности — вы определяете, при какой вероятности бот отвечает сам, а при какой эскалирует.
5. Развёртывание на сервере или облачной функции — используем Docker или serverless.
6. После развёртывания проводится нагрузочное тестирование для проверки стабильности.

Что входит в работу

• Разработка и интеграция модуля сбора вопросов через API маркетплейса.
• Настройка классификатора и LLM-генерации с вашей базой знаний.
• Реализация эскалации в Telegram с кнопками одобрения/редактирования.
• Документирование архитектуры и инструкция по эксплуатации.
• Передача доступов к серверу, API-ключам и исходному коду.
• Обучение вашей команды: как обновлять шаблоны, менять пороги, добавлять новых менеджеров.
• Техническая поддержка в течение месяца после запуска.
• Настройка мониторинга и алертов при сбоях.

Что ещё даёт этот подход?

Помимо автоматизации, бот собирает статистику вопросов, выявляет частые проблемы товаров и помогает улучшить карточки. Например, если 10% вопросов касаются размера, стоит добавить таблицу размеров.

Сравнение платформ по API-возможностям

Выбор платформы влияет на сложность интеграции; например, Wildberries не поддерживает ответы с изображениями, что ограничивает возможности.

Сроки

Базовая версия для одного маркетплейса с Telegram-эскалацией: 5–8 рабочих дней. Если требуется поддержка нескольких маркетплейсов, сложная логика или интеграция с CRM, срок может увеличиться до 14–20 дней.

Как начать?

Оценим ваш проект бесплатно — свяжитесь с нами. Мы уточним, какие маркетплейсы используете, объём вопросов и требования к базе знаний. Задача решается под ключ: от аналитики до запуска и обучения вашей команды.

Опыт нашей команды — более 5 лет в интеграциях с маркетплейсами и LLM. Мы гарантируем, что бот будет обрабатывать не менее 80% вопросов автоматически. Получите консультацию инженера по вашему проекту.

Маркетплейс API (polling / webhook)
    ↓
Question Classifier
    ↙             ↘
Шаблонный ответ   LLM-генерация
(FAQ-база)        (OpenAI / Claude)
    ↓                    ↓
Auto-Reply          Проверка менеджером
    ↓
Marketplace API → Отправка ответа

Интеграция AI: чат-боты, RAG, семантический поиск, рекомендации

В 8 из 10 проектов «AI-чат-бот» оказывается дорогой обёрткой над GPT-4o с системным промптом. Без доступа к реальным данным компании. Пользователь спрашивает «сколько стоит тариф Премиум» — бот галлюцинирует цену из воздуха. Спрашивает «когда придёт заказ» — получает вежливое «напишите в поддержку». Это не интеграция — это имитация. Мы за 5 лет внедрили RAG-решения в 30+ проектах: от интернет-магазинов до медицинских порталов. Гарантируем: полезная AI-помощь начинается там, где модель читает ваши документы, а не общие ответы.

Как мы строим RAG-системы?

Retrieval-Augmented Generation — стандартная архитектура: запрос → поиск релевантных фрагментов в векторной БД → вставка найденного в контекст → ответ модели. Но дьявол в деталях реализации. Разберём ключевые узлы, которые определяют качество.

Chunking. Резать документ на куски по 500 токенов без оглядки на структуру — гарантия потери смысла. Если разрез пришёлся на середину абзаца, контекст разрывается. Решение — рекурсивный RecursiveCharacterTextSplitter с overlap 10–15% для документации. Для контрактов и инструкций используем семантический сплиттер: выделяем заголовки, списки, блоки кода — каждый раздел становится независимым чанком. Разница в качестве поиска: на одном медицинском проекте precision вырос с 0.55 до 0.84 только за счёт правильной нарезки.

Модель эмбеддингов. Для русскоязычных текстов intfloat/multilingual-e5-large даёт заметный прирост точности против устаревшей text-embedding-ada-002. По нашим замерам, NDCG@10 на тестовой выборке из 10 000 пар «запрос-документ» на 12% выше. OpenAI text-embedding-3-large — хороший вариант для англоязычного контента, но для русского рекомендуем BAAI/bge-m3 или упомянутую e5-large.

Векторная БД. Если у вас уже стоит PostgreSQL — pgvector экономит ресурсы. Ставим расширение CREATE EXTENSION vector, добавляем колонку vector(1024), создаём HNSW-индекс. На проекте с 80 000 статей поддержки p95 поиска — 12 мс. Этого хватает. Для каталогов с миллионами единиц — Qdrant или Weaviate: нативный гибридный поиск и шардирование «из коробки».

Что даёт гибридный поиск?

Только векторный поиск слеп к точным совпадениям: артикулы «ABC-123», имена собственные, аббревиатуры теряются. Только полнотекстовый поиск не улавливает синонимы и перефразирования. Комбинация через RRF (Reciprocal Rank Fusion) даёт лучшее из двух миров: BM25 + векторный поиск, результаты смешиваются. На практике recall@20 растёт с 0.65 до 0.92 — разница заметна пользователю.

Reranking — финальный фильтр: top-20 кандидатов из гибридного поиска прогоняем через cross-encoder cross-encoder/ms-marco-MiniLM-L-6-v2. Он добавляет 50–100 мс к ответу, но relevance поднимает ещё на 5–10%. Без reranking чат-бот может показывать нерелевантные документы.

Семантический поиск на сайте

Поиск «удобные кожаные кресла» должен находить товары с описанием «мягкие стулья из натуральной кожи» — обычный LIKE-поиск не способен. Наша архитектура: при добавлении товара/поста автоматически генерируем эмбеддинг через multilingual-e5-large, сохраняем в pgvector. На запросе — эмбеддим его той же моделью, ищем ближайших соседей через cosine distance с HNSW-индексом. Для каталога из 100 000 позиций индекс строится 3 минуты, в памяти ~400 Мбайт (1536-мерные векторы). Cреднее время поиска — 20 мс.

Рекомендательные системы

Коллаборативная фильтрация («пользователи, похожие на вас, покупали X») требует истории — минимум 2–3 месяца данных с 1000+ активных пользователей. Для стартапов или малых проектов используем content-based: эмбеддинг текущего товара → поиск ближайших соседей по косинусной близости. Когда накапливается статистика (обычно 15–20 взаимодействий на пользователя), переключаемся на гибридную модель LightFM. Она объединяет и поведение, и признаки товаров. У нас в e-commerce проекте с 50 000 SKU гибридная модель повысила конверсию в рекомендательный блок на 18% (A/B-тест длился 2 недели).

Стриминг ответов

Пользователь не обязан ждать, пока модель сгенерирует весь текст — это убивает UX. Server-Sent Events (SSE) — протокол для стриминга токенов. OpenAI SDK поддерживает stream: true, возвращая AsyncIterator. На фронтенде — Vercel AI SDK (useChat) или самописный EventSource. Типичная ошибка: использовать WebSocket для однонаправленного стрима — SSE проще (меньше кода, встроенный реконнект). Стек: Node.js + SSE + React.

Оркестрация агентов

Простой чат-бот отвечает. Агент — выполняет действия: создаёт тикет в Jira, проверяет статус заказа в CRM, бронирует слот в календаре. Для оркестрации используем LangGraph: граф состояний, где каждый узел — вызов модели или инструмента. Vercel AI SDK useChat + tools для Next.js позволяет добавить интеграцию в 10 строк кода. Главная сложность — надёжность: модель иногда вызывает не тот инструмент или передаёт кривые параметры. Защита — Zod-схемы на каждый инструмент и structured outputs для гарантии JSON.

Что входит в работу

Дополнительно: мы передаём исходный код векторизатора, дашборды мониторинга (Langfuse), доступ к админке для обновления базы знаний. Постпродакшн-поддержка — 1 месяц бесплатно.

Сроки

Стоимость рассчитывается индивидуально после знакомства с проектом. Оценим ваш проект за 1 день. Свяжитесь с нами — расскажем, как превратить AI из игрушки в инструмент, который приносит прибыль.