Служба поддержки нашего сайта каждый день обрабатывает десятки одинаковых обращений — статус заказа, сроки доставки, условия возврата, характеристики товаров. Операторы тратят на это часы, хотя ответы на все эти вопросы давно есть в нашей базе знаний и в разделе FAQ. Задача — автоматизировать первую линию поддержки чат-ботом на базе языковой модели (LLM), чтобы клиенты получали ответ мгновенно, а не ждали, пока освободится живой оператор.
Ключевое требование — бот должен строго опираться на наши материалы: инструкции, описания товаров, политику возврата, а не сочинять ответы от себя. Второе требование — грамотная эскалация. Если клиент явно недоволен, вопрос выходит за рамки типовых сценариев или бот не уверен в ответе, диалог должен автоматически перейти к живому оператору вместе с историей переписки — без повторного объяснения ситуации клиентом. Бот встраивается в уже работающий виджет чата и не должен восприниматься как отдельный инструмент — только как продолжение обычного чата поддержки.
Обсудим выбор модели и бюджет на инфраструктуру отдельно с подходящим кандидатом. Ниже — минимальный набор задач в рамках проекта.
Задачи:
— подключить LLM с выборкой ответов из базы знаний (RAG-подход или аналог);
— реализовать логику эскалации на оператора с передачей истории диалога;
— интегрировать решение в действующий виджет чата на сайте;
— настроить отчёт по метрикам: сколько вопросов осталось без ответа, доля эскалаций, среднее время ответа;
— передать краткую инструкцию по самостоятельному обновлению базы знаний.
Ключевое требование — бот должен строго опираться на наши материалы: инструкции, описания товаров, политику возврата, а не сочинять ответы от себя. Второе требование — грамотная эскалация. Если клиент явно недоволен, вопрос выходит за рамки типовых сценариев или бот не уверен в ответе, диалог должен автоматически перейти к живому оператору вместе с историей переписки — без повторного объяснения ситуации клиентом. Бот встраивается в уже работающий виджет чата и не должен восприниматься как отдельный инструмент — только как продолжение обычного чата поддержки.
Обсудим выбор модели и бюджет на инфраструктуру отдельно с подходящим кандидатом. Ниже — минимальный набор задач в рамках проекта.
Задачи:
— подключить LLM с выборкой ответов из базы знаний (RAG-подход или аналог);
— реализовать логику эскалации на оператора с передачей истории диалога;
— интегрировать решение в действующий виджет чата на сайте;
— настроить отчёт по метрикам: сколько вопросов осталось без ответа, доля эскалаций, среднее время ответа;
— передать краткую инструкцию по самостоятельному обновлению базы знаний.
