Кейс: внедрение автономного текстового AI-консультанта с RAG-памятью на сайт клиента

Всем привет! Меня зовут Сергей Куянцев. Я маркетолог и специалист по внедрению автоматизаций в бизнес-процессы. Сегодня я хочу подробно поделиться кейсом разработки и внедрения прикладного AI-решения, которое помогло клиенту перевести первичную коммуникацию и лидогенерацию на сайте в полностью автономный режим.

1. Предыстория и выявление потребности

На вводной встрече с клиентом мы детально разобрали текущую воронку продаж и точки потери трафика. Основная проблема была классической: сайт генерирует посещения, но в нерабочее время, выходные или пиковые часы менеджеры физически не успевают оперативно обрабатывать входящие запросы. Потенциальные клиенты уходят к конкурентам, так и не дождавшись ответа.

Перед нами встала задача: автоматизировать процесс консультации и обеспечить моментальную передачу «теплых» заявок с сайта напрямую в CRM-систему.

В качестве решения я предложил использовать гибкую, масштабируемую и отлично зарекомендовавшую себя модульную систему на базе open-source платформы n8n. Это позволило избежать жесткой привязки к платным SaaS-платформам и полностью контролировать логику процессов.

2. Бизнес-требования к проекту

Инструмент должен был стать полноценным цифровым сотрудником. Мы сформировали три ключевых бизнес-требования:

• Интеллектуальная консультация: бот должен общаться на живом, естественном языке, выявлять потребности посетителей и отвечать на любые вопросы по услугам компании.

• Работа строго в контексте (RAG): исключаются любые «галлюцинации» нейросети. AI-ассистент должен опираться исключительно на внутреннюю базу знаний компании.

• Лидогенерация и интеграция: бот должен нативно выявлять контактные данные в диалоге (телефон, имя), вежливо запрашивать их и автоматически регистрировать сделку в CRM.

3. Стек технологий и безопасность (152-ФЗ)

Вопрос безопасности данных и импортозамещения был для клиента приоритетным. Мы полностью отказались от сторонних конструкторов и зарубежных облачных AI-провайдеров, собрав независимый self-hosted стек на мощностях внутри РФ:

1. Хостинг / Сервер: Beget (надежная российская инфраструктура).

2. Платформа автоматизации: n8n (Self-hosted версия).

3. База данных и векторное хранилище: Supabase / PostgreSQL (Self-hosted версия для хранения истории сессий и векторов).

4. CRM-система: облачная версия Битрикс24 (интеграция через REST API).

5. Языковая модель (LLM): YandexGPT 5 Lite (API Яндекс Облака).

Важное преимущество: использование серверов Beget и отечественной модели YandexGPT гарантирует полное соответствие требованиям 152-ФЗ «О персональных данных». Все диалоги, контакты и коммерческая информация обрабатываются и хранятся исключительно на территории Российской Федерации.

4. Верхнеуровневая архитектура решения

Перед началом разработки была спроектирована сквозная логика движения данных:

клиент отправляет сообщение в виджет → n8n принимает его → запрашивает историю диалога и векторный контекст из Supabase → отправляет агрегированный запрос в YandexGPT → возвращает ответ в виджет

5. Пошаговый план реализации проекта

Вся разработка была разбита на 9 последовательных этапов, что позволило запустить рабочую версию в кратчайшие сроки:

1. Выделение и базовая настройка VPS-сервера на Beget, конфигурирование сетевых доступов и окружения.

2. Развертывание и базовая защита self-hosted версии n8n через Docker Compose.

3. Развертывание базы данных Supabase, активация расширения `pgvector` для работы с векторными эмбеддингами.

4. Сбор, структурирование и очистка текстового контекста о компании и ее продуктах для обучения ИИ.

5. Проработка архитектуры агента, промпт-инжиниринг и детальная настройка рабочих процессов (workflows) в n8n.

6. Кастомизация и внедрение фронтенд-виджета чата на целевые страницы сайта клиента.

7. Комплексное тестирование: проверка сценариев, симуляция прерывания диалога, валидация данных.

8. Создание детального технического руководства пользователя для сотрудников клиента.

9. Итоговая демонстрация системы и передача прав управления.

6. Детали реализации и технические нюансы

Подключение виджета и обработка входящего потока

Для приема сообщений из кастомного веб-виджета была использована базовая триггерная нода n8n. Сам фронтенд-виджет — моя авторская наработка, представляющая собой легковесный HTML-код, который без проблем интегрируется в любую CMS или самописный сайт. Он поддерживает гибкую кастомизацию стилей (цвета, логотипы, шрифты), адаптирован под мобильные устройства и работает асинхронно, не нагружая скорость загрузки страниц.

Системный промпт

Важнейший этап — проектирование системного промпта. По сути, это жесткий свод правил, определяющий характер, ограничения и обязанности AI-агента. В промпте, согласно пожеланиям клиента, были четко прописаны: роль (экспертный консультант компании), запрет на обсуждение сторонних тем, правила вежливого удержания инициативы в диалоге и алгоритм мягкого перехода к сбору контактов. Также здесь были описаны триггеры вызова внутренних инструментов (tools) для отправки данных в CRM-систему.

Долгосрочная память диалогов

Чтобы пользователь мог закрыть вкладку, вернуться через час и продолжить общение с того же места, AI-агенту необходима память. Она была реализована на базе self-hosted Supabase (PostgreSQL). n8n автоматически связывает уникальный ID сессии клиента с историей переписки. Модель всегда видит контекст предыдущих фраз, что делает диалог по-настоящему человечным и связным.

Наполнение векторного хранилища (RAG)

Для реализации технологии RAG был создан вспомогательный автоматический воркфлоу для обучения. Процесс выглядит так:

1. Загрузка актуальных документов (файлы `.txt`, `.docx`, `.pdf`) в выделенную папку на Яндекс Диске.

2. n8n по триггеру или вручную забирает эти файлы.

3. Документы дробятся на смысловые фрагменты (чанки).

4. Каждый фрагмент отправляется в эмбеддинговую нейросеть от Яндекс (Embedding Yandex GPT), которая превращает текст в массив чисел (вектор).

5. Эти векторы записываются в Supabase.

Далее, когда клиент задает вопрос на сайте, система мгновенно ищет в Supabase наиболее близкие по смыслу векторы (фрагменты из документов), подмешивает их в запрос к YandexGPT, и модель выдает точный ответ, основанный на реальных данных компании.

Логика лидогенерации и отправка в CRM

Основной рабочий процесс в n8n функционирует по следующему циклу:

посетитель пишет в чат ➔ n8n удерживает двунаправленное соединение ➔
AI-агент сверяется с RAG-базой и отвечает ➔ на этапе готовности ИИ запрашивает контакты ➔ автоматический экспорт данных в Битрикс24

Данные уходят в CRM мгновенно. Создается новая сущность «Лид», куда прикрепляется имя, телефон. Делее идет стандартная обработка лида менеджером.

Отказоустойчивость и мониторинг

Бизнес-процессы должны работать стабильно. На случай непредвиденных сбоев (например, технические работы на стороне API Яндекса или CRM) был внедрен перехватчик ошибок. Суть его проста, при возникновении любой внештатной ситуации воркфлоу мгновенно отправляет информацию об ошибки в закрытый технический Telegram-чат поддержки.

7. Экономика проекта: инфраструктура и регулярные расходы

Итак, давайте посчитаем, во сколько обходится содержание такой автономной системы. Ниже представлены конфигурации серверов и ориентировочный бюджет на токены нейросети.

Минимальная мощность сервера:

4 ядра CPU / 6 ГБ память / 80 ГБ NVMe цена: сутки - 68₽ / месяц - 2040₽

Рекомендованная мощность сервера:

4 ядра CPU / 12 ГБ память / 150 ГБ NVMe цена: сутки - 120₽ / месяц - 3600₽
(увеличивается при очень большом объеме обращений к боту)

Затраты на нейросетевые API (Яндекс Облако)

Затраты на ИИ полностью зависят от объема входящего трафика на сайте (количества знаков в диалогах)

• YandexGPT 5 Lite: тарифицируется по генерации токенов (ответов).

• Embedding Yandex GPT: генерация векторов для базы знаний.

• Средний расчетный бюджет при средней/высокой нагрузке: не менее 3000₽ в месяц (в коммерческих проектах с умеренным трафиком затраты на API часто укладываются в 5 000₽ в месяц).

Итоговый ежемесячный баланс владения системой:

Стоимость сервера Beget (2040 ₽) + (YandexGPT + Embedding Yandex GPT) (3000₽) = не менее 5000₽ в месяц

(при больших объемах трафика общая сумма может быть увеличена)

8. Важные нюансы обслуживания системы

Чтобы корпоративный AI-агент работал стабильно, необходимо учитывать несколько правил регулярного администрирования:

• Контроль дискового пространства: чем плотнее идет общение, тем сильнее заполняется база данных PostgreSQL (Supabase) логами и контекстной памятью. Требуется проверка не реже 1 раза в месяц.

• Техническое обновление: минимум 1 раз в месяц необходимо проводить плановое обновление пакетов ОС Ubuntu на сервере и Docker-контейнеров n8n / Supabase для закрытия уязвимостей и повышения производительности.

• Актуализация знаний (RAG): как только у клиента меняются цены, добавляются новые услуги или меняется информация — необходимо оперативно обновлять текстовые исходники на Яндекс Диске и перезапускать воркфлоу векторизации.

• Контроль баланса лицевых счетов: всегда держите на аккаунтах Beget и Yandex Cloud аванс, чтобы ИИ-консультант внезапно не «уснул» в разгар рекламной кампании.

Главные выводы кейса

Внедрение self-hosted AI-решения на базе n8n демонстрирует экономическую эффективность по сравнению с готовыми закрытыми конструкторами чат-ботов.

1. Экономия бюджета: вместо существенных ежемесячных тарифов зарубежных или отечественных ИИ-платформ (которые завышают стоимость токенов), клиент платит только за чистую себестоимость ресурсов (сервер + токены напрямую разработчику LLM).

2. Абсолютная независимость: все решение развернуто «под капотом» у клиента. Никакие санкции, отзывы лицензий или закрытия сторонних сервисов не остановят этот бизнес-процесс.

3. Безопасность корпоративного уровня: соблюдение 152-ФЗ открывает двери для внедрения подобных систем в компаниях со строгой службой безопасности и жесткими требованиями к конфиденциальности данных клиентов.

Большое спасибо, что дочитали этот кейс до конца! Надеюсь, этот технический разбор подтолкнет вас к автоматизации собственных процессов.

Приглашаю вас в свое авторское сообщество ВКонтакте, где я публикую материалы на стыке маркетинга и автоматизации бизнеса.

Подписывайтесь, впереди много интересного!