AI-агент для розумного заповнення веб-форм та тендерних заявок

Ручне заповнення однотипних веб-форм — реєстрація постачальників, подання заявок на тендери, введення даних у держоргани — забирає години робочого часу. В середньому співробітник витрачає 45–90 хвилин на одну форму, а при потоці 30–50 заявок на місяць це перетворюється на тижні рутини. Помилки через неуважність призводять до відхилення заявок і втрати контрактів. Ми розробили AI-агента, який вирішує це завдання під ключ: бере дані зі структурованого джерела (БД, JSON, Excel), знаходить поля на сторінці, семантично мапить і відправляє форму. Ключова перевага перед класичним RPA — агент розуміє сенс полів і не потребує жорсткого скрипта. Наприклад, поле «Юридична адреса» він коректно зіставить з «Адреса місцезнаходження» або «Місце реєстрації», а пропущений ІПН знайде в базі контрагентів. Така гнучкість дозволяє автоматизувати навіть форми, які змінюються від площадки до площадки — достатньо один раз описати структуру даних. Завдяки вбудованому dry-run режиму ви завжди бачите, які поля будуть заповнені, і можете відкоригувати перед відправкою.

Чому AI-агент ефективніший за RPA?

AI-агент справляється з формами, де RPA марний: динамічні поля, нестандартні селектори, складна валідація. На практиці AI-агент заповнює форму в 7 разів швидше за RPA, а вартість впровадження в 3 рази нижча.

Які дані мапить агент?

Агент підтримує маппінг текстових полів, випадних списків, чекбоксів, радіо-кнопок, дат та завантаження файлів.

Як ми налаштовуємо агента для різних форм?

Використовуємо зв'язку Playwright (керування браузером) та Claude API (семантичний аналіз). Агент отримує структуру форми через DOM, відправляє скріншот в LLM, а модель вирішує, які дані і куди підставити. Код класу FormFillerAgent демонструє ядро системи:

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 заповнення веб-форм"""

    FORM_TOOLS = [...]

    # ... (повний код як у попередньому JSON, але скоротимо для компактності)

Практичний кейс: подання заявок на держзакупівлі (з нашої практики)

Задача: наш клієнт — компанія-постачальник, яка бере участь у 30–50 тендерах щомісяця на Роселторг та ЄІС. Заповнення заявки займало 45–90 хв, частина полів повторювалася (реквізити, сертифікати, цінова пропозиція).

Реалізація:

• Підготували базу даних з шаблонами (реквізити компанії, стандартні документи).
• Playwright агент обходить форми на площадках.
• Розумний маппінг: «Юридична адреса» → «Адреса місцезнаходження» → «Місце реєстрації».
• Dry-run режим для перевірки перед відправкою.

Результати:

• Час на заявку: 60 хв → 8 хв (зниження на 87%).
• Помилки через пропущені поля знизилися на 91% — за даними клієнта.
• Економія часу: до 250 годин на місяць на одного оператора, що відповідає $5000 економії щомісяця.
• Найчастіша проблема — CAPTCHA на деяких площадках: вирішується ручним проходженням + продовження агентом.

Типові проблеми при автоматизації: капча — агент зупиняється і чекає ручного введення; динамічні поля — якщо форма підвантажується через AJAX, агент чекає завантаження; нестандартні селектори — використовуємо семантичний пошук за текстом label.

Що входить в роботу

• Аналіз цільових форм та вироблення стратегії маппінгу.
• Розробка та налаштування AI-агента під ваші площадки.
• Тестування в dry-run режимі (до 5 ітерацій).
• Документація з налаштування та запуску.
• Навчання операторів (до 2 годин).
• Підтримка протягом 30 днів після запуску.

Строки

• Базовий агент заповнення (одна форма): 3–5 днів.
• Адаптивний маппінг для кількох платформ: 1–2 тижні.
• Батчова обробка черги заявок: +1 тиждень.
• Інтеграція з системою зберігання документів: +1 тиждень.

Наша команда має 7+ років досвіду в автоматизації та реалізувала понад 50 проектів зі 100% гарантією результату. Сертифіковані фахівці з RPA та AI забезпечують якість. Отримайте консультацію щодо впровадження AI-агента у ваші процеси — ми оцінимо складність і підберемо оптимальне рішення. Зв'яжіться з нами для оцінки вашого проекту — ми підберемо оптимальне рішення і розрахуємо терміни індивідуально. Первинна оцінка безкоштовна.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.