Разработка AI-бота для Битрикс24

Разработка AI-бота для Битрикс24

В Битрикс24 есть встроенный Copilot — AI-ассистент от Bitrix. Но Copilot — закрытый инструмент с фиксированными сценариями. Если нужно, чтобы бот отвечал на вопросы клиентов по базе знаний компании, автоматически создавал задачи из сообщений, проводил скоринг лидов или отвечал от имени менеджера в открытых линиях — нужна кастомная разработка.

Архитектура AI-бота

AI-бот в Битрикс24 — это приложение, зарегистрированное через REST API. Оно получает входящие сообщения через вебхуки, обрабатывает их (с обращением к LLM или своей логике) и отвечает через API.

Схема:

Пользователь → Чат Битрикс24 → Вебхук → Сервер бота → LLM API (OpenAI, Yandex GPT...) → Ответ → API Битрикс24 → Чат

Регистрация бота выполняется через метод imbot.register:

imbot.register
  NAME = "Sales Assistant"
  CODE = "sales_bot"
  TYPE = "H" (Human-like) или "B" (Bot)
  EVENT_MESSAGE_ADD = https://your-server.com/bot/message
  EVENT_WELCOME_MESSAGE = https://your-server.com/bot/welcome
  EVENT_BOT_DELETE = https://your-server.com/bot/delete

Бот появится в списке пользователей и в открытых линиях.

Где работает бот

Бот может функционировать в нескольких контекстах:

Открытые линии — наиболее востребованный контекст: бот отвечает клиентам и передаёт разговор живому менеджеру по заданным триггерам.

Интеграция с LLM

Большинство AI-ботов строится на базе OpenAI GPT-4 или GPT-4o, Yandex GPT, либо локальных моделей (LLaMA через Ollama). Схема взаимодействия:

1. Бот получает сообщение от пользователя через вебхук.
2. Формирует промпт: системные инструкции (роль, ограничения, стиль ответа) + история диалога (контекстное окно) + текущий вопрос.
3. Отправляет запрос к LLM API.
4. Получает ответ, при необходимости форматирует.
5. Отправляет ответ в чат Битрикс24 через imbot.message.add.

Управление контекстом. LLM не хранит историю между запросами — это задача сервера бота. История диалога хранится в базе данных (Redis, PostgreSQL) с ключом chat_id из Битрикс24. При каждом сообщении достаём историю, добавляем новое сообщение, обрезаем до максимального контекстного окна.

RAG: ответы по базе знаний компании

Чтобы бот отвечал на вопросы по документам, продуктам, регламентам компании — используется RAG (Retrieval-Augmented Generation):

1. Индексирование: документы базы знаний разбиваются на фрагменты, для каждого создаётся векторное представление (embedding). Хранится в векторной БД (Pinecone, Qdrant, pgvector).
2. Поиск: при вопросе пользователя создаётся его embedding, ищутся ближайшие фрагменты в векторной БД.
3. Генерация: найденные фрагменты добавляются в промпт как контекст. LLM отвечает на основе реальных данных компании.

Это исключает «галлюцинации» LLM — бот не придумывает ответы, а ссылается на загруженные материалы.

Передача разговора менеджеру

Когда бот не может ответить или клиент явно хочет живого оператора — звонок передаётся менеджеру. В открытых линиях это делается через imopenlines.session.transfer. Бот отправляет сообщение «Соединяю с менеджером» и вызывает метод передачи.

Условия передачи:

• Ключевые слова в сообщении («позвоните мне», «менеджер», «срочно»).
• Количество итераций: если за 3 сообщения бот не решил вопрос — эскалация.
• Время ожидания: если нет ответа 5 минут — создать задачу менеджеру.

Действия бота в CRM

Помимо ответов в чате, бот может выполнять действия в CRM:

• Создать лид: crm.lead.add с данными из диалога.
• Заполнить поля сделки на основе анализа переписки.
• Создать задачу: tasks.task.add — «Перезвонить клиенту в 15:00».
• Отправить коммерческое предложение: сформировать PDF через crm.quote.* и отправить через crm.activity.add.

Для этого сервер бота вызывает REST API Битрикс24 от имени пользователя (OAuth 2.0 или webhook).

Сроки разработки