ИИ-агент отдела продаж — принимает и квалифицирует заявки 24/7

Референсное решение: типовая задача, которую мы закрываем ИИ-агентом. Ниже — архитектура, стек и параметры такого внедрения, а не отчёт по конкретному заказчику.

Заявка живёт минуты, а отдел продаж работает по будням с 9 до 18. Клиент оставляет запрос вечером, в выходной или в поток из пяти каналов сразу — сайт, Telegram, WhatsApp, VK, почта. Пока менеджер доберётся до заявки, человек уже написал конкурентам.

Что болит у бизнеса:

• Первый ответ уходит через часы — лид успевает остыть
• Менеджер тратит время на одни и те же вопросы: цена, сроки, состав услуги
• Нецелевые обращения съедают столько же времени, сколько горячие
• Часть диалогов вообще не доезжает до CRM — история теряется в мессенджерах

Задача: посадить на первую линию ИИ-агента, который отвечает мгновенно и круглосуточно, снимает у клиента нужные вводные, отсеивает нецелевых и передаёт менеджеру уже прогретый диалог с заполненной карточкой сделки.

Под диалогом — оркестратор, который решает, что агенту сделать на каждом шаге, и набор инструментов, к которым у него есть доступ.

Как это устроено:

1. Шина каналов — коннекторы к Telegram Bot API, WhatsApp Business API, VK, IMAP/SMTP и виджету на сайте приводят все обращения к одному формату сообщения с историей диалога.
2. Оркестратор агента — LLM в связке с инструментами: поиск по каталогу и прайсу, расчёт по прайс-листу, календарь, CRM, уведомления менеджеру. Модель выбирает инструмент, оркестратор исполняет вызов и возвращает результат в диалог.
3. Знания о продукте — материалы компании разбиваются на фрагменты и индексируются (PostgreSQL + pgvector или Qdrant); перед ответом агент подтягивает релевантные куски, поэтому отвечает по вашим документам, а не по «общим знаниям модели».
4. Guardrails — жёсткие рамки: не обещать скидок и сроков вне регламента, не уходить от темы, не выдумывать цифры; при неуверенности — передача человеку. Все диалоги логируются, спорные размечаются и идут в доработку промптов.
5. Интеграции — amoCRM, Bitrix24, 1С, Google/Яндекс Календарь, уведомления в Telegram или почту ответственного.
6. Стек — Python/Django + асинхронные воркеры (Celery/Redis), PostgreSQL, LLM через облачный API (GPT, Claude, YandexGPT, GigaChat) или локальная модель (Qwen, Llama) на сервере клиента, если переписка не должна покидать контур компании.