Кейс: AI Sales Assistant — гибридный бот для автоматизации продаж
Задача клиента
Компании, продающей системы автономного электроснабжения, требовался интеллектуальный ассистент для первичной коммуникации с клиентами. Цель проекта — снизить нагрузку на менеджеров, квалифицировать лиды 24/7 и вести клиента по воронке продаж: от первого вопроса до согласия на замер.
Решение от Flowcore
Мы разработали гибридного Telegram-бота на aiogram 3, который сочетает детерминированную логику сценариев и возможности больших языковых моделей. Вместо простых шаблонных ответов бот использует RAG-архитектуру: находит релевантные знания компании и формирует ответ с учетом контекста диалога.
Такой подход позволил сделать не просто FAQ-бота, а виртуального продавца, который понимает вопросы клиента, уточняет потребности, обрабатывает возражения и опирается на реальные практики успешных менеджеров.
Ключевые реализованные возможности:
- База знаний из реальных диалогов: Транскрипции успешных продаж обработаны, разделены на семантические фрагменты и индексированы в ChromaDB.
- Семантический поиск: Sentence Transformers помогают находить наиболее близкие фрагменты знаний даже при свободной формулировке вопроса клиента.
- RAG-ядро на LangChain: Релевантные фрагменты базы знаний, история диалога и текущий вопрос передаются в LLM для точного и контекстного ответа.
- LLM через OpenRouter: Для естественного диалога используется DeepSeek, подключенный через OpenRouter API.
- Память диалога: FSM aiogram хранит контекст и историю сообщений, чтобы бот вел последовательный разговор и не терял предыдущие реплики.
- Обработка возражений: Ответы строятся на базе успешных скриптов менеджеров, поэтому бот умеет объяснять ценность продукта и продвигать клиента к следующему шагу.
- Продакшен-готовность: Добавлены асинхронное логирование диалогов в SQLite, обработка ошибок API и конфигурация для стабильного развертывания.
Технические детали
На старте можно было построить бота на классификации интентов, но для сложного продукта этот подход быстро упирается в ограничения: клиентские вопросы слишком вариативны, а потеря контекста снижает качество консультации. Поэтому была выбрана RAG-архитектура, где модель отвечает не "из головы", а с опорой на внутреннюю базу знаний компании.
Бот получает вопрос, ищет релевантные фрагменты в ChromaDB, добавляет историю диалога и отправляет расширенный промпт в LLM. Это снижает риск нерелевантных ответов и помогает сохранять стиль консультации, близкий к работе опытного продавца.
Результат
Получился полноценный виртуальный ассистент, который способен вести многошаговые диалоги, отвечать на сложные вопросы, квалифицировать лиды и обрабатывать возражения. Компания получила канал первичной коммуникации, работающий круглосуточно и основанный на лучших практиках реальных менеджеров.
Стек технологий
Python, aiogram 3, LangChain, ChromaDB, Sentence Transformers, DeepSeek, OpenRouter API, FSM, SQLite.