Розробка AI-бота для Бітрікс24

Розробка AI-бота для Bitrix24

У Bitrix24 є вбудований Copilot — AI-асистент від Bitrix. Але Copilot — закритий інструмент з фіксованими сценаріями. Якщо вам потрібно, щоб бот відповідав на запитання клієнтів за базою знаннь компанії, автоматично створював завдання з повідомлень, проводив скоринг лідів або відповідав від імені менеджерів у відкритих лініях — потрібна кастомна розробка.

Архітектура AI-бота

AI-бот у Bitrix24 — це застосунок, зареєстрований через REST API. Він отримує вхідні повідомлення через вебхуки, обробляє їх (з наданням LLM або власної логіки) та відповідає через API.

Схема:

Користувач → Чат Bitrix24 → Вебхук → Сервер бота → LLM API (OpenAI, Yandex GPT...) → Відповідь → API Bitrix24 → Чат

Реєстрація бота виконується через метод imbot.register:

imbot.register
  NAME = "Sales Assistant"
  CODE = "sales_bot"
  TYPE = "H" (Human-like) або "B" (Bot)
  EVENT_MESSAGE_ADD = https://your-server.com/bot/message
  EVENT_WELCOME_MESSAGE = https://your-server.com/bot/welcome
  EVENT_BOT_DELETE = https://your-server.com/bot/delete

Бот з'явиться у списку користувачів та у відкритих лініях.

Де працює бот

Бот може функціонувати в кількох контекстах:

Відкриті лінії — найпопулярніший контекст: бот відповідає клієнтам і передає розмову живому менеджеру за встановленими тригерами.

Інтеграція з LLM

Більшість AI-ботів будується на базі OpenAI GPT-4 або GPT-4o, Yandex GPT, або локальних моделей (LLaMA через Ollama). Схема взаємодії:

1. Бот отримує повідомлення від користувача через вебхук.
2. Формує промпт: системні інструкції (роль, обмеження, стиль відповіді) + історія діалогу (контекстне вікно) + поточне запитання.
3. Відправляє запит до LLM API.
4. Отримує відповідь, при необхідності форматує.
5. Відправляє відповідь у чат Bitrix24 через imbot.message.add.

Управління контекстом. LLM не зберігає історію між запитами — це завдання сервера бота. Історія діалогу зберігається в базі даних (Redis, PostgreSQL) з ключем chat_id з Bitrix24. При кожному повідомленні беремо історію, додаємо нове повідомлення, обрізаємо до максимального контекстного вікна.

RAG: відповіді за базою знаннь компанії

Щоб бот відповідав на запитання за документами, продуктами, регламентами компанії — використовується RAG (Retrieval-Augmented Generation):

1. Індексування: документи бази знаннь розбиваються на фрагменти, для кожного створюється векторне представлення (embedding). Зберігається у векторній БД (Pinecone, Qdrant, pgvector).
2. Пошук: при запитанні користувача створюється його embedding, шукаються найближчі фрагменти у векторній БД.
3. Генерація: знайдені фрагменти додаються в промпт як контекст. LLM відповідає на основі реальних даних компанії.

Це виключає «галюцинації» LLM — бот не придумує відповіді, а посилається на завантажені матеріали.

Передача розмови менеджеру

Коли бот не може відповісти або клієнт явно хоче живого оператора — розмова передається менеджеру. У відкритих лініях це робиться через imopenlines.session.transfer. Бот відправляє повідомлення «З'єдную вас з менеджером» і викликає метод передачі.

Умови передачі:

• Ключові слова у повідомленні («позвоніть мені», «менеджер», «терміново»).
• Кількість ітерацій: якщо за 3 повідомлення бот не вирішив проблему — ескалація.
• Час очікування: якщо нема відповіді 5 хвилин — створити завдання менеджеру.

Дії бота в CRM

Крім відповідей у чаті, бот може виконувати дії в CRM:

• Створити лід: crm.lead.add з даними з діалогу.
• Заповнити поля угоди на основі аналізу переписки.
• Створити завдання: tasks.task.add — «Перезвонити клієнту о 15:00».
• Надіслати комерційну пропозицію: сформувати PDF через crm.quote.* та відправити через crm.activity.add.

Для цього сервер бота викликає REST API Bitrix24 від імені користувача (OAuth 2.0 або вебхук).

Графік розробки