Чат-бот для диспетчеризации и создания задач в Bitrix24 на основе AI.

Перед началом разработки важно было понять, как именно бот должен работать, чтобы стать полезным инструментом. Основные этапы анализа:

• →Сбор реальных пользовательских запросов. Мы изучили истории задач в Bitrix24 клиента и систематизировали типы обращений. Это дало чёткое понимание, какие сценарии должны быть поддержаны ботом.
• →Настройка шаблонов задач. Вместе с клиентом определили категории задач, список обязательных и опциональных параметров. Вся информация была вынесена в Google-таблицу, с которой бот синхронизируется каждые 15 минут.
• →Определение нерелевантных запросов. Проработали сценарии, которые бот должен игнорировать, например, вопросы вне компетенции компании или те, для которых пока нет шаблонов.

Мы провели поэтапную декомпозицию системы, разбив разработку на функциональные блоки. Это позволило нам: Декомпозиция обеспечила прозрачность процесса и гибкость для адаптации под потребности заказчика, что стало ключевым фактором успешной реализации проекта.

• →Грамотно структурировать процесс реализации.
• →Демонстрировать заказчику продукт на промежуточных этапах разработки.
• →Вносить изменения и улучшения в реальном времени на основе обратной связи.

на 60% снизилось количество дублей задач (бот сам объединяет массовые инциденты)

в 2.5 раза ускорилась передача задачи исполнителю (автоматическая маршрутизация без участия диспетчера)

90% заявок оформляются корректно с первого раза (бот "вытягивает" недостающие детали у сотрудника)

0% потерянных обращений - все запросы фиксируются в Битрикс24 и имеют дедлайн

• →Парсер шаблонов задач из Google-таблиц. Для гибкости и динамичности работы с задачами мы создали парсер для загрузки шаблонов задач из Google-таблиц. Шаблоны содержат параметры для создания задач в Bitrix24, а также условия, при которых следует вызвать ту или иную задачу.
• →API для приема сообщений из Bitrix24. Разработано API, которое получает сообщения от пользователей через Bitrix24. Эти сообщения передаются в систему, обрабатываются и возвращается ответ, который бот отправляет пользователю.
• →Ядро LLM-агента с использованием LangChain. Мы построили систему на основе языковой модели, которая анализирует историю сообщений и на основе этого контекста генерирует ответы. Модель учитывает как прошлые, так и новые сообщения для более точного понимания ситуации.
• →Динамическая генерация функций из шаблонов задач. На основе загруженных шаблонов задач мы динамически генерируем JSON со списком "виртуальных" функций. Каждая функция соответствует конкретному шаблону задачи и имеет тот же набор аргументов, что описан в шаблоне задачи. Каждая функция имеет описание, взятое из описания задачи, что позволяет понять языковой модели когда именно её нужно вызывать.
• →Системный промт и обработка исключений. Для корректной работы агент использует системный промт, который помогает ему задавать вопросы пользователю и уточнять недостающие данные. Системный промт в нашем проекте играет важную роль в управлении поведением языковой модели. Он был задан как список чётких инструкций, которые определяют правила взаимодействия с пользователем. Благодаря системному промту, агент может задавать пользователю вопросы поочередно, понимать как работать с файлами и уточнять все необходимые данные перед созданием задачи.
• →Установлен параметр temperature = 0.5, чтобы уменьшить вероятность генерации неточных данных (Параметр temperature в языковых моделях регулирует уровень случайности и креативности в ответах)
• →Каждый раз после создания задачи мы очищаем историю сообщений, чтобы исключить влияние устаревшего контекста на текущие запросы.
• →Для тестирования было разработано несколько бенчмарков, которые мы использовали после изменения системного промта и других настроек, чтобы удостовериться, что модель отвечает корректно и без ошибок.