В статье узнаете:
- с чего начать разработку ИИ-агента;
- какие этапы нужны до запуска;
- как подготовить базу знаний;
- зачем агенту инструменты и интеграции;
- как тестировать ответы и действия;
- какие ошибки чаще всего делают проект дорогим и слабым.
Короткий ответ
Разработка ИИ-агента проходит через несколько этапов: выбрать бизнес-сценарий, описать границы ответственности, подготовить базу знаний, настроить инструкции, подключить инструменты, связать агента с CRM, сайтом или другими системами, протестировать типовые и рискованные ситуации, запустить пилот и наладить контроль качества.
Если пропустить первые этапы, команда получит чат с нейросетью, а не агента. Он будет отвечать общими словами, ошибаться в деталях и требовать ручного контроля почти в каждом диалоге.
Правильный вопрос на старте: не “какую модель взять”, а “какую повторяющуюся работу агент должен снять с команды”.
Ситуация: бизнес хочет ИИ, но не знает, куда его поставить
Руководитель видит, что команда тратит много времени на заявки, поддержку, документы и повторяющиеся вопросы. Появляется идея: “Давайте сделаем ИИ-агента”.
На первом обсуждении обычно всплывают разные ожидания:
- продажи хотят, чтобы агент квалифицировал заявки;
- поддержка хочет ответы по базе знаний;
- маркетинг хочет автоматические черновики;
- руководитель хочет экономию времени;
- разработчики спрашивают про API и доступы;
- юрист напоминает про персональные данные;
- менеджеры боятся, что агент будет обещать лишнее.
Если сразу идти в разработку, проект расползется. Поэтому нужен этап выбора сценария.
Этап 1. Выбрать один сценарий
Для первого агента лучше выбрать узкую задачу:
- квалификация заявок;
- ответы по базе знаний;
- подготовка черновиков ответов;
- классификация обращений;
- сбор данных перед расчетом;
- поиск по внутренним документам;
- передача заявки в CRM с полным контекстом.
Плохой первый сценарий: “пусть агент общается со всеми клиентами и продает”. Это слишком широко, сложно тестируется и быстро приводит к спорным ситуациям.
Хороший сценарий можно проверить вопросами:
- Повторяется ли задача часто?
- Есть ли понятный результат?
- Можно ли собрать данные для ответа?
- Можно ли ограничить права агента?
- Понятно ли, когда нужен человек?
- Можно ли измерить пользу?
Этап 2. Описать границы ответственности
ИИ-агенту нужны правила:
- какие вопросы он обрабатывает;
- какие данные запрашивает;
- какие действия может выполнять;
- какие ответы запрещены;
- когда передает диалог человеку;
- что делает при нехватке данных;
- как сообщает о своей неопределенности;
- какие источники считает приоритетными.
Например, агент по заявкам может уточнять задачу, бюджет, срок, город, контакт и услугу. Но он не должен обещать финальную цену, гарантировать срок или менять условия договора.
Границы защищают бизнес от главного риска: агент звучит уверенно там, где должен остановиться.
Этап 3. Подготовить базу знаний
База знаний – это не папка “все документы компании”. Агенту нужны материалы, пригодные для ответов:
- FAQ;
- регламенты;
- описания услуг;
- условия работы;
- инструкции;
- шаблоны ответов;
- таблицы тарифов;
- правила передачи в CRM;
- ограничения и исключения;
- примеры хороших и плохих ответов.
Документы нужно очистить от дублей и противоречий. Если в одном файле написано “срок 3 дня”, а в другом “срок 7 дней”, агент не решит управленческий конфликт. Он просто выберет что-то из источников.
Этап 4. Спроектировать инструменты
Инструменты позволяют агенту делать действие, а не только отвечать.
Примеры:
| Инструмент | Что делает |
|---|---|
| Поиск по базе знаний | находит релевантные фрагменты документов |
| Создание лида | передает заявку в CRM |
| Проверка статуса | получает данные по заказу |
| Запись в таблицу | сохраняет обращение |
| Уведомление в Telegram | отправляет сообщение ответственному |
| Классификация обращения | определяет отдел или тему |
| Создание черновика | готовит ответ для проверки человеком |
Каждый инструмент должен иметь ограниченные права. Если агенту нужно создать лид, не надо давать ему доступ на удаление сделок.
Этап 5. Подключить интеграции
ИИ-агент редко работает сам по себе. Чаще он связан с:
- сайтом;
- CRM;
- Telegram;
- Google Sheets;
- 1С;
- базой знаний;
- личным кабинетом;
- почтой;
- внутренним API;
- аналитикой.
Для каждой интеграции нужно описать:
- какие данные передаются;
- кто инициирует действие;
- что считается успехом;
- что делать при ошибке;
- где хранится журнал;
- какие права нужны;
- какие данные нельзя передавать модели.
Интеграции часто определяют сложность проекта сильнее, чем сама модель.
Этап 6. Написать инструкции агента
Инструкция задает поведение: тон, роль, порядок действий, ограничения, формат ответа, правила обращения к инструментам.
Пример логики:
- Определи тему обращения.
- Если вопрос относится к базе знаний, найди источник.
- Если данных недостаточно, задай уточняющий вопрос.
- Если клиент хочет расчет, собери обязательные поля.
- Если заявка готова, создай лид в CRM.
- Если вопрос выходит за рамки, передай человеку.
Инструкция должна быть практичной. Слишком общие правила вроде “отвечай полезно и профессионально” почти ничего не дают.
Этап 7. Собрать тесты
Тестирование ИИ-агента отличается от обычной проверки формы. Нужно проверить не только “ответил или нет”, а качество поведения.
Тестовые сценарии:
- обычный вопрос по базе знаний;
- неполная заявка;
- агрессивный или недовольный клиент;
- просьба о скидке;
- вопрос вне темы;
- противоречивые данные;
- попытка получить закрытую информацию;
- ошибка CRM;
- дубль заявки;
- слишком длинный запрос;
- запрос с файлом, если это предусмотрено.
Для каждого сценария нужен ожидаемый результат: ответить, уточнить, отказать, передать человеку, создать заявку или ничего не делать.
Этап 8. Запустить пилот
Пилот лучше запускать на ограниченном участке:
- одна форма;
- один отдел;
- одна база знаний;
- один тип обращений;
- один канал коммуникации.
На пилоте важно смотреть не на красивые ответы в вакууме, а на реальные метрики:
- сколько обращений обработано;
- сколько передано человеку;
- сколько ошибок;
- сколько заявок создано корректно;
- сколько времени сэкономлено;
- какие вопросы агент не понял;
- какие источники нужно обновить.
Этап 9. Настроить контроль качества
ИИ-агент не заканчивается запуском. Его нужно поддерживать:
- обновлять базу знаний;
- смотреть спорные ответы;
- добавлять тесты;
- ограничивать новые риски;
- проверять логи инструментов;
- исправлять промпты и правила;
- отслеживать качество заявок в CRM.
Если никто не отвечает за качество, агент деградирует вместе с устаревшими документами.
Частые ошибки
Начинать с модели
Модель важна, но не заменяет сценарий, данные и контроль. В большинстве проектов слабое место – не модель, а неопределенный процесс.
Загружать в базу знаний все подряд
Чем больше мусора в источниках, тем хуже ответы. Базу знаний нужно готовить: удалять дубли, актуализировать правила, разделять внутреннее и публичное.
Давать агенту слишком много прав
На старте агенту лучше давать минимальные действия: создать черновик, создать лид, отправить уведомление. Критичные операции должны проходить через человека или отдельное подтверждение.
Не тестировать плохие сценарии
Успешный вопрос из FAQ почти всегда работает. Проблемы появляются на неполных, конфликтных, рискованных и эмоциональных обращениях.
Не назначить владельца базы знаний
Если никто не обновляет источники, агент начинает ошибаться по срокам, ценам, правилам и условиям.
Как оценить результат
Для ИИ-агента лучше заранее выбрать метрики:
| Цель | Метрика |
|---|---|
| Снизить нагрузку поддержки | доля вопросов, решенных без человека |
| Ускорить обработку заявок | время до первого ответа |
| Улучшить качество лидов | полнота данных в CRM |
| Уменьшить ручную работу | количество автоматических действий |
| Снизить ошибки | число обращений с неверным ответом |
| Найти пробелы в базе знаний | частые вопросы без источника |
Метрики нужны не для красивого отчета, а для решения: развивать агента, ограничить сценарий или переписать базу знаний.
Как мы подходим к такой задаче
Мы проектируем ИИ-агента как часть бизнес-процесса: выбираем сценарий, описываем данные, готовим базу знаний, подключаем инструменты, ограничиваем права, настраиваем интеграции и собираем тесты.
После запуска смотрим логи, спорные диалоги и качество заявок. Если агент работает стабильно в одном сценарии, расширяем его аккуратно: новый канал, новый инструмент, новая база знаний или новый отдел.
Часто задаваемые вопросы
Сколько времени занимает разработка ИИ-агента
Зависит от сценария, базы знаний и интеграций. Простой пилот по одной задаче можно сделать быстрее, чем агента с CRM, личным кабинетом, несколькими инструментами и контролем качества. Оценка появляется после разбора процесса.
Можно ли создать ИИ-агента без базы знаний
Можно, но польза будет ограниченной. Агент будет отвечать общими фразами или опираться только на инструкцию. Для бизнес-ответов нужны актуальные источники.
Что сложнее: промпт или интеграции
Часто интеграции сложнее. Промпт задает поведение, но реальная польза появляется, когда агент может безопасно работать с CRM, заявками, документами, статусами и базой знаний.
Как контролировать ошибки ИИ-агента
Нужны тесты, ограничения, журнал действий, ручная проверка спорных сценариев, обновление базы знаний и правила передачи человеку. Полностью убрать ошибки нельзя, но можно снизить риск и быстро находить проблемные места.
Можно ли сначала запустить пилот
Да, и это обычно правильный путь. Лучше проверить один сценарий на реальных обращениях, чем сразу строить большого агента для всех отделов.
Источники
- OpenAI: Function calling и tool calling – https://developers.openai.com/api/docs/guides/function-calling
- OpenAI: File search и vector stores для работы с базой знаний – https://developers.openai.com/api/docs/guides/tools-file-search
- OpenAI: Retrieval и семантический поиск – https://developers.openai.com/api/docs/guides/retrieval
- OpenAI: Agents SDK – https://developers.openai.com/api/docs/guides/agents
Вывод
Разработка ИИ-агента – это инженерная и редакционная работа вокруг конкретного бизнес-сценария. Модель важна, но сама по себе она не заменяет процесс, базу знаний, инструменты, интеграции и контроль качества.
Хороший первый агент решает узкую задачу, работает по понятным правилам, оставляет след в журнале и передает человеку то, что не должен решать сам. С такого пилота проще получить пользу и безопасно расширять автоматизацию дальше.
