Как собрать ИИ-агентов в единую систему поддержки: пошаговое руководство

Компании в России и СНГ всё чаще подключают ИИ-агентов к обслуживанию клиентов, но без продуманной координации несколько ботов превращают клиентский путь в хаос, и это руководство покажет, как собрать из разрозненных агентов единую работающую систему.

Проблема знакома любому, кто пробовал автоматизировать поддержку: чат-бот на сайте не знает, что клиент уже писал в Telegram, голосовой помощник не видит историю переписки, а агент для возвратов работает по своим правилам. Клиент повторяет одно и то же трижды и уходит к конкуренту.

Ниже разберём, как выстроить агентную систему (систему из нескольких ИИ-агентов, работающих координированно) так, чтобы каждый агент знал свою роль и передавал контекст следующему.

Что понадобится

• Платформа для создания ИИ-агентов. Подойдут YandexGPT API, GigaChat API, ChatGPT API или открытые модели (модели с открытыми весами, которые можно запускать на своём сервере)
• CRM или хелпдеск-система с возможностью подключения по API: Битрикс24, amoCRM, UseDesk, Юздеск
• Единое хранилище контекста. Простейший вариант: база данных (PostgreSQL, MongoDB) или встроенное хранилище вашей CRM
• Документация по вашему продукту в структурированном виде: FAQ, база знаний, регламенты
• Время: от 2 до 5 рабочих дней на базовую настройку, ещё 2 недели на тестирование с реальными обращениями

Пошаговая инструкция

1. Составьте карту клиентских сценариев. Выпишите все типовые обращения: вопросы о статусе заказа, возвраты, техническая поддержка, консультации перед покупкой. Каждый сценарий станет зоной ответственности отдельного ИИ-агента.

2. Назначьте каждому агенту одну роль. Не пытайтесь сделать универсального бота. Агент-маршрутизатор определяет тему обращения. Агент-консультант отвечает на вопросы по продукту. Агент-логист проверяет статус доставки. Агент-эскалатор передаёт сложные случаи человеку.

3. Создайте общий контекстный слой. Это самый важный шаг. Все агенты должны читать и записывать информацию в одно место. Минимальная структура записи:

{
  "client_id": "идентификатор клиента",
  "channel": "telegram / сайт / телефон",
  "history": [список предыдущих сообщений],
  "current_agent": "имя активного агента",
  "status": "в работе / решено / эскалация",
  "summary": "краткое описание проблемы"
}

1. Напишите системный промпт (базовую инструкцию для модели) для агента-маршрутизатора. Пример:

Ты — агент-маршрутизатор службы поддержки.
Твоя задача: определить тему обращения клиента
и передать его нужному специалисту.

Категории:

- "order_status" — вопросы о заказе и доставке
- "returns" — возвраты и обмен
- "product_info" — вопросы о товаре до покупки
- "technical" — технические неполадки
- "human" — всё, что не попадает в категории выше

Ответь ТОЛЬКО названием категории, без пояснений.

1. Настройте передачу между агентами. Когда маршрутизатор определил категорию, система вызывает соответствующего агента и передаёт ему весь контекст из общего хранилища. Клиент не должен замечать переключения.

2. Добавьте правило эскалации. Если агент не может решить вопрос за три обмена репликами или клиент просит живого оператора, агент-эскалатор передаёт диалог человеку вместе с полным контекстом и кратким пересказом проблемы. Оператор не переспрашивает.

3. Запустите в тестовом режиме на узком канале. Подключите систему сначала к одному каналу (например, чат на сайте) и обрабатывайте параллельно: агенты отвечают, но оператор видит каждый ответ и может вмешаться. Две недели такой работы покажут, где агенты ошибаются.

4. Настройте мониторинг качества. Логируйте каждый диалог. Отмечайте случаи, когда клиент повторял вопрос, когда агент дал неверный ответ (галлюцинация, то есть когда модель уверенно выдаёт несуществующую информацию), когда эскалация произошла слишком поздно.

Как выглядит координация на практике?

Что делать с этим прямо сейчас, по ролям

Предпринимателю в РФ и СНГ. Начните с аудита: сколько каналов поддержки у вас сейчас и сколько раз клиент повторяет вопрос при переходе между ними. Это ваш базовый показатель. YandexGPT API и GigaChat API доступны для коммерческого использования, подключение занимает день.

Маркетологу. ИИ-агенты в поддержке напрямую влияют на показатель удержания. Если агент корректно передаёт контекст, у клиента нет ощущения, что он разговаривает с роботом. Это меняет не рекламу, а опыт после покупки.

Автору на Дзене. Тема координации ИИ-агентов в клиентском сервисе пока слабо раскрыта на русском. Практический разбор с реальными промптами и схемой архитектуры даст материал, который будет работать в поиске.

Начните с малого: один агент-маршрутизатор, одно общее хранилище контекста, один канал. Через две недели тестирования вы увидите, какие вопросы агент закрывает сам, а какие стабильно уходят на эскалацию, и это будет не гипотеза, а данные для следующего шага.