После подготовки базы данных команда AI разработчиков перешла к следующему этапу — разработке промптов и созданию специализированных агентов для нейро-техподдержки. Основная задача — научить AI понимать, что хочет клиент: заказать запчасть, узнать о наличии, получить консультацию по подбору или решить другой вопрос. Для этого команда решила создать несколько агентов, каждый из которых будет отвечать за свою часть процесса.

Алексей Петров — Project Manager (PM)

• Координирует процесс, следит за сроками и решает организационные вопросы.

Мария Иванова — Промпт-инженер

• Отвечает за настройку промптов и обучение агентов.

Дмитрий Соколов — LLM разработчик

• Занимается интеграцией модели и настройкой архитектуры агентов.

Разработка промптов

Промпты — это специальные инструкции, которые помогают AI понимать, что хочет клиент, и давать точные ответы. Команда решила разработать несколько типов промптов для разных задач.

Марии нужно создать промпты для следующих сценариев:

1. Выявление потребности: AI должен понять, что хочет клиент — заказать запчасть, узнать о наличии или получить консультацию.
2. Подбор запчастей: AI должен подобрать запчасти на основе модели автомобиля и других параметров.
3. Проверка наличия: AI должен проверить наличие запчастей на складе.
4. Маршрутизация: AI должен перенаправлять запросы между агентами или на специалистов, если запрос слишком сложный."*

Создание агентов и выбор модели

Для эффективной работы нейро-техподдержки команда решила создать несколько агентов, каждый из которых будет отвечать за свою часть процесса.

Агент выявления потребности:

• Определяет, что хочет клиент, и направляет запрос соответствующему агенту.

Агент подбора запчастей:

• Подбирает запчасти на основе модели автомобиля и других параметров.

Агент проверки наличия:

• Проверяет наличие запчастей на складе и сообщает клиенту.

Агент маршрутизации:

• Перенаправляет запросы между агентами или на специалистов, если запрос слишком сложный.

Для подбора запчастей команда будет использовать архитектуру RAG (Retrieval-Augmented Generation). Это технология, которая позволяет AI не только генерировать ответы, но и извлекать информацию из базы данных. Мы разобьем данные на чанки (фрагменты), где каждый чанк будет содержать информацию о конкретной запчасти. Например, один чанк — одна запчасть с ее характеристиками и совместимостью. Это позволит AI быстро находить нужную информацию и давать точные ответы.

Выбор модели

Команда решила использовать GPT-4 mini — облегченную версию GPT-4, которая отлично подходит для задач, связанных с пониманием и генерацией текста. GPT-4 mini менее ресурсоемкая, но при этом сохраняет высокую точность.

Процесс тестирования

После разработки промптов и создания агентов команда приступила к тестированию нейро-техподдержки. Это важный этап, так как он позволяет выявить и устранить ошибки до внедрения системы.

1. Тестирование на исторических данных:

• Команда использовала исторические данные о запросах клиентов, чтобы проверить, как AI справляется с реальными задачами.

2. Тестирование на сложных запросах:

• Команда создала несколько сложных запросов, чтобы проверить, как AI справляется с нестандартными ситуациями.

3. Обратная связь от сотрудников:

• Команда привлекла сотрудников AutoPartsHub для тестирования системы и получения обратной связи.

Возникшая сложность и ее решение

Во время тестирования команда столкнулась с проблемой: AI иногда давал неправильные рекомендации по подбору запчастей. Например, он мог предложить запчасть, которая не подходит для конкретной модели автомобиля.

После внесения изменений точность AI увеличилась до 92%. Это позволило команде перейти к следующему этапу — интеграции системы в production.

Итог работы
Команда успешно разработала промпты, создала агентов и протестировала нейро-техподдержку. Теперь система готова к интеграции в бизнес-процессы AutoPartsHub.