Ми реалізуємо ботів техпідтримки для мобільних додатків, які вирішують до 70% звернень без участі оператора. В середньому бот обробляє 80% типових питань за 2 секунди, знижуючи навантаження на першу лінію на 60%. Спираємося на RAG (Retrieval-Augmented Generation) — підхід, описаний на Wikipedia, що поєднує векторну базу знань і LLM. Це дає точні відповіді на основі вашої документації, без галюцинацій. Точність відповідей зростає з 65% до 92% у порівнянні з чистим пошуком. Маємо більше 5 років досвіду в мобільній розробці та запустили 30+ проєктів з AI-підтримкою. Гарантуємо якість і прозорість кожного етапу — від аудиту бази знань до деплою в App Store та Google Play.
RAG кращий за простий пошук за ключовими словами в 3 рази за точністю відповіді. Економія часу операторів — до 40 годин на тиждень на кожні 1000 звернень. Окупність інвестицій — в середньому за 3 місяці. За даними нашого аналізу, RAG знижує вартість одного звернення на $0.50, що при 10 000 звернень на місяць дає економію $5 000. Для великих клієнтів з обсягом 50 000 звернень на місяць економія досягає $25 000 на місяць.
Як працює RAG у боті підтримки?
Класична схема: база знань (статті, документація, вирішені тікети) розбивається на смислові чанки, які індексуються у векторній базі. При новому запиті ми шукаємо топ-5 релевантних фрагментів і передаємо їх LLM як контекст. Модель будує відповідь строго на цих даних.
Стек, перевірений на проєктах з навантаженням до 10 000 запитів на день:
База знань (Confluence, Notion, MDX файли) ↓ Chunking + Embedding (text-embedding-3-small / BGE-m3) Qdrant / pgvector ↓ Semantic search (top-5 чанків) GPT-4o mini / Claude 3.5 Haiku ↓ Answer generation with context Мобільний клієнт Критично важливо: чанки мають бути смисловими, не механічними по 500 символів. Якщо розрізати статтю посередині абзацу, релевантний контекст загубиться. Використовуємо RecursiveCharacterTextSplitter з роздільниками по заголовках і абзацах.
Що робити, якщо бот не знає відповіді?
Бот не повинен вдавати всезнання. Якщо confidence нижче порогу (наприклад, 0.7) — ескалація до оператора. Перемикання прозоре: користувач бачить повідомлення «Підключаю спеціаліста», історія діалогу передається оператору через вебхук.
Інтеграції для передачі в живий чат: Zendesk Chat API, Intercom, AmoCRM, власна система тікетів. Важливий патерн: бот продовжує працювати у фоні при очікуванні оператора. Якщо черга довга, бот пробує знайти відповідь ще раз, пропонує корисні статті.
Класифікація та пріоритизація тікетів
Якщо бот не вирішив проблему самостійно, він класифікує звернення перед передачею:
CATEGORY_PROMPT = """ Класифікуй звернення користувача за категорією: - billing (питання оплати, рахунок, повернення) - technical (помилки, не працює функція) - account (акаунт, пароль, доступ) - other Поверни лише назву категорії, без пояснень. """ 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() Категорія визначає чергу та пріоритет тікету. temperature=0 — детермінованість, не творчий підхід.
UI особливості для підтримки
Вкладення. Користувачі завантажують скріншоти та відео. На iOS — PHPickerViewController з обмеженням типів медіа, на Android — ActivityResultContracts.GetContent(). Файли завантажуються на S3/Cloudinary, в повідомлення вставляється прев'ю.
Статус тікету. Якщо тікет створено, користувач бачить його номер і може відстежувати через того ж бота: «Статус мого звернення #12345».
Рейтинг відповіді. Після кожної відповіді бота — thumbs up/down. Дані йдуть в аналітику і допомагають покращувати базу знань. Отримайте консультацію по вашому проєкту, щоб оцінити потенціал автоматизації.
Що входить в роботу
| Етап | Що робимо | Результат |
|---|---|---|
| Аудит бази знань | Оцінка обсягу, формату, актуальності | Звіт з рекомендаціями |
| Налаштування пайплайну | Парсинг, chunking, embedding, завантаження у векторну базу | Працюючий RAG |
| Розробка промпту | Системний промпт з інструкцією не виходити за рамки бази | Контрольована поведінка |
| Ескалація та інтеграція | Вебхуки, налаштування тікет-системи | Наскрізна передача діалогу |
| Мобільний клієнт | Вкладення, статус тікетів, рейтинг | Готовий UI |
Процес роботи детально
- Аудит бази знань: обсяг, формат, актуальність.
- Налаштування пайплайну: парсинг документів, chunking, embedding, векторна база.
- Розробка системного промпту з інструкцією не виходити за рамки бази знань.
- Логіка ескалації та інтеграція з тікет-системою.
- Мобільний клієнт з підтримкою вкладень та статусу тікету.
Орієнтири за термінами
| Конфігурація | Термін |
|---|---|
| Бот з RAG на готовій базі знань, без інтеграції тікетів | 1 тиждень |
| Повний бот з RAG, класифікацією, ескалацією, аналітикою | 3–4 тижні |
Обговоріть ваш проєкт — ми допоможемо обрати оптимальну архітектуру. Зв'яжіться з нами, щоб замовити розробку бота підтримки під ключ з гарантією якості. Ми гарантуємо прозорість на всіх етапах — від першої консультації до релізу в магазинах додатків.