Автономна AI-система обробки заявок під ключ

Розробляємо автономні AI-системи обробки запитів. Це AI-оркестратор, який приймає вхідні запити з різних каналів: email, форм, API, месенджерів. Система класифікує їх, витягує дані, виконує логіку обробки та повертає відповідь. Або створює завдання в бізнес-системах — все без участі оператора для типових випадків.

На відміну від простого чат-бота або агента з одним інструментом, наша система включає повний цикл: прийом → розуміння → збагачення даних → виконання → сповіщення → моніторинг. Ми реалізували десятки таких проєктів, і в цій статті розберемо архітектуру на реальному прикладі.

Як працює класифікація запитів?

Вхідний запит проходить через граф станів LangGraph. Перший вузол — класифікатор на GPT-4o з Pydantic-моделлю. Він визначає тип запиту (техпідтримка, білінг, нове замовлення, статус, скарга, повернення), терміновість, впевненість та необхідність ескалації людині. Якщо впевненість нижча за 0.6 або запит містить тригери (юридичні загрози, повернення на значну суму, згадка про збиток) — запит передається оператору. Це наш досвід, підтверджений сотнями проєктів.

Архітектура системи

Вхідні канали

• webhook (email-парсер)
• REST API
• Telegram/WhatsApp Bot
• веб-форма

Ядро обробки

LangGraph-граф зі станом, класифікатор, виконавці, агрегатор.

Вихідні канали

• REST API зовнішніх систем (CRM, ERP, Service Desk)
• email/push сповіщення
• черга завдань (Celery/Redis)

from langgraph.graph import StateGraph, END
from langgraph.checkpoint.postgres import PostgresSaver
from typing import TypedDict, Annotated, Optional
from datetime import datetime
import operator

class RequestState(TypedDict):
    # Вхідний запит
    raw_content: str
    channel: str               # "email", "api", "telegram", "form"
    sender_id: str
    received_at: datetime

    # Класифікація
    request_type: Optional[str]        # "support", "order", "complaint", "inquiry", "refund"
    urgency: Optional[str]             # "critical", "high", "normal", "low"
    confidence: Optional[float]

    # Збагачення
    user_profile: Optional[dict]
    related_entities: Optional[list]   # Пов'язані замовлення, договори, тікети

    # Обробка
    action_plan: Optional[list[dict]]
    executed_actions: Annotated[list, operator.add]
    requires_human: bool
    human_reason: Optional[str]

    # Результат
    response_draft: Optional[str]
    outcome: Optional[str]
    processing_time_ms: Optional[int]

from langchain_openai import ChatOpenAI
from pydantic import BaseModel
from typing import Literal

class RequestClassification(BaseModel):
    request_type: Literal["support_technical", "support_billing", "order_new",
                           "order_status", "complaint", "refund_request", "general_inquiry"]
    urgency: Literal["critical", "high", "normal", "low"]
    confidence: float
    extracted_entities: dict
    requires_human: bool
    human_reason: Optional[str] = None
    summary: str

llm = ChatOpenAI(model="gpt-4o", temperature=0)

def classify_request(state: RequestState) -> RequestState:
    result = llm.with_structured_output(RequestClassification).invoke(
        f"""Класифікуй вхідний запит.

Канал: {state['channel']}
Запит: {state['raw_content']}

Передай людині якщо:
- Юридичні загрози або згадка судових розглядів
- Запит на повернення суми, що перевищує високий поріг
- Згадка про фізичний збиток
- Емоційно заряджений відгук з публічними погрозами"""
    )

    return {
        **state,
        "request_type": result.request_type,
        "urgency": result.urgency,
        "confidence": result.confidence,
        "requires_human": result.requires_human,
        "human_reason": result.human_reason,
    }

def plan_actions(state: RequestState) -> RequestState:
    """Агент складає план дій на основі типу запиту"""

    action_templates = {
        "order_status": [
            {"action": "query_order_db", "params": {"order_id": "{extracted_order_id}"}},
            {"action": "generate_status_response", "params": {}},
            {"action": "send_response", "params": {}},
        ],
        "refund_request": [
            {"action": "verify_refund_eligibility", "params": {}},
            {"action": "create_refund_ticket", "params": {}},
            {"action": "notify_finance_team", "params": {}},
            {"action": "send_confirmation", "params": {}},
        ],
        "support_technical": [
            {"action": "search_knowledge_base", "params": {}},
            {"action": "generate_solution", "params": {}},
            {"action": "create_ticket_if_unsolved", "params": {}},
            {"action": "send_response", "params": {}},
        ],
    }

    base_plan = action_templates.get(state["request_type"], [
        {"action": "generate_generic_response", "params": {}},
        {"action": "create_manual_review_task", "params": {}},
    ])

    return {**state, "action_plan": base_plan}

def route_after_classification(state: RequestState) -> str:
    if state["requires_human"]:
        return "escalate_to_human"
    if state["confidence"] < 0.6:
        return "escalate_to_human"
    return "enrich"


def route_after_enrichment(state: RequestState) -> str:
    if state.get("user_profile", {}).get("tier") == "vip" and state["urgency"] in ("high", "critical"):
        return "plan_premium"
    return "plan"


graph = StateGraph(RequestState)
graph.add_node("classify", classify_request)
graph.add_node("enrich", enrich_request)
graph.add_node("plan", plan_actions)
graph.add_node("plan_premium", plan_premium_actions)
graph.add_node("execute", execute_actions)
graph.add_node("generate_response", generate_final_response)
graph.add_node("escalate_to_human", create_human_task)
graph.add_node("send_response", send_response_to_channel)

graph.set_entry_point("classify")
graph.add_conditional_edges("classify", route_after_classification)
graph.add_conditional_edges("enrich", route_after_enrichment)
graph.add_edge("plan", "execute")
graph.add_edge("plan_premium", "execute")
graph.add_edge("execute", "generate_response")
graph.add_edge("generate_response", "send_response")
graph.add_edge("send_response", END)
graph.add_edge("escalate_to_human", END)

processor = graph.compile(checkpointer=PostgresSaver(conn))

Чому система працює без оператора?

Ключова відмінність — здатність виконувати дії в бізнес-системах: створювати замовлення, перевіряти статуси, повернення, надсилати сповіщення. Кожна дія — це готовий модуль, який система викликає за планом. Планувальник дій формує послідовність кроків на основі типу запиту та контексту користувача. Якщо план успішно виконано — відповідь надсилається автоматично. В іншому випадку система ескалює задачу оператору з докладним логом помилок.

Практичний кейс: онлайн-рітейлер, 2500 запитів/день

До впровадження: середній час першої відповіді 4.2 години, 12 операторів працюють у три зміни, 60% часу витрачається на типові статусні запити.

Після впровадження:

• Автономна обробка без участі оператора: 74%
• Середній час першої відповіді: з 4.2 годин до 2.1 хвилини (у 120 разів швидше)
• Нічна зміна: скорочена з 4 до 1 оператора (моніторинг ескалацій)
• Точність відповідей (вибірка 500 запитів): 94.1%
• Хибні ескалації: 8.3%
• Помилкове автоматичне закриття: 2.1%

Перші два тижні після запуску пішли на донавчання класифікатора на реальних даних — точність зросла з 81% до 94% після 500 коригувань.

Що входить в роботу

• Архітектура та проєктування: моделювання графа станів, визначення типів запитів, сценаріїв обробки.
• Розробка класифікатора: підбір промптів, fine-tuning GPT-4o при необхідності, тестування на історичних даних.
• Інтеграція з каналами: webhook, API, месенджери, веб-форми.
• Виконавці дій: підключення до CRM, ERP, Service Desk, написання коду для типових операцій.
• Система моніторингу: метрики в Prometheus, дашборди в Grafana, алерти за SLA.
• Документація: опис графа, API, інструкції для операторів.
• Навчання команди: воркшоп з донавчання моделі та адміністрування.
• Підтримка на запуску: 2 тижні супроводу після введення в експлуатацію.

Як ми це робимо: покроковий план

1. Аналітика (1–2 тижні): збираємо логи, виявляємо типові запити, визначаємо критерії ескалації.
2. Проєктування графа (1–2 тижні): створюємо StateGraph, визначаємо вузли та ребра.
3. Розробка класифікатора (2–3 тижні): тренуємо модель, тестуємо на вибірці.
4. Реалізація виконавців (2–4 тижні): код для кожного типу запитів.
5. Інтеграція каналів (1–2 тижні): підключаємо email, API, месенджери.
6. Тестування та калібрування (2 тижні): прогін на реальних даних, коригування порогів.
7. Деплой та моніторинг: розгортання на Kubernetes, налаштування алертів.

Строки

• Архітектура системи та граф: 1–2 тижні
• Класифікатор + збагачення даних: 2–3 тижні
• Виконавці для кожного типу запитів: 2–4 тижні
• Інтеграція з каналами (email, месенджери): 1–2 тижні
• Калібрування та запуск у production: 2 тижні
• Разом: 8–13 тижнів

Оцінимо ваш проєкт — просто напишіть нам. Ми гарантуємо прозорість на кожному етапі та передаємо повну документацію. Сертифіковані інженери з досвідом 10+ років реалізують систему під ключ. Для попередньої оцінки вашого потоку запитів замовте безкоштовний аудит — ми визначимо потенціал автоматизації та строки впровадження.

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.