Интеграция AI-ассистента для поддержки пользователей на сайте

Интеграция AI-ассистента для поддержки пользователей на сайте

AI-ассистент для поддержки — это шаг выше обычного чатбота. Он знает вашу документацию, базу знаний и статусы конкретных пользователей. Когда пользователь спрашивает «почему не работает экспорт», ассистент ищет ответ в вашем Help Center, проверяет тариф пользователя и отвечает конкретно, а не шаблонно.

Архитектура RAG для поддержки

RAG (Retrieval-Augmented Generation) — модель не знает ваш продукт, но при каждом запросе ей подсовывают релевантные куски документации из векторной базы:

Вопрос пользователя
       ↓
Векторизация вопроса (embedding)
       ↓
Поиск похожих чанков в Vector DB
       ↓
LLM получает: вопрос + контекст из документации
       ↓
Ответ на основе вашего контента

Стек для реализации:

Индексирование базы знаний

import OpenAI from 'openai';
import { QdrantClient } from '@qdrant/js-client-rest';

const openai = new OpenAI();
const qdrant = new QdrantClient({ url: 'http://localhost:6333' });

// Подготовка коллекции
await qdrant.createCollection('support-docs', {
  vectors: { size: 1536, distance: 'Cosine' },
});

// Индексирование статей
async function indexArticle(article) {
  // Разбиваем на чанки по 500 токенов с перекрытием 100
  const chunks = splitIntoChunks(article.content, { size: 500, overlap: 100 });

  const embeddings = await openai.embeddings.create({
    model: 'text-embedding-3-small',
    input: chunks.map(c => c.text),
  });

  const points = chunks.map((chunk, i) => ({
    id: generateId(),
    vector: embeddings.data[i].embedding,
    payload: {
      text: chunk.text,
      articleId: article.id,
      articleTitle: article.title,
      category: article.category,
      url: article.url,
    },
  }));

  await qdrant.upsert('support-docs', { points });
}

Поиск и генерация ответа

async function answerQuestion(userId, question) {
  // Контекст пользователя из БД
  const user = await db.users.findById(userId);
  const userContext = `
    Пользователь: ${user.name}
    Тариф: ${user.plan}
    Дата регистрации: ${user.createdAt}
    Последние 3 обращения: ${user.recentTickets.join(', ')}
  `;

  // Векторный поиск
  const queryEmbedding = await openai.embeddings.create({
    model: 'text-embedding-3-small',
    input: question,
  });

  const results = await qdrant.search('support-docs', {
    vector: queryEmbedding.data[0].embedding,
    limit: 4,
    score_threshold: 0.75, // Игнорировать нерелевантное
  });

  const context = results.map(r =>
    `[${r.payload.articleTitle}](${r.payload.url})\n${r.payload.text}`
  ).join('\n\n---\n\n');

  // Генерация ответа
  const response = await openai.chat.completions.create({
    model: 'gpt-4o-mini',
    stream: true,
    messages: [
      {
        role: 'system',
        content: `Ты ассистент технической поддержки.
Отвечай ТОЛЬКО на основе предоставленной документации.
Если ответа нет в документации, скажи это явно и предложи создать тикет.
Всегда указывай источник (ссылку на статью).

Контекст пользователя:
${userContext}`,
      },
      {
        role: 'user',
        content: `Вопрос: ${question}\n\nРелевантная документация:\n${context}`,
      },
    ],
    max_tokens: 600,
    temperature: 0.2,
  });

  return {
    stream: response,
    sources: results.map(r => ({ title: r.payload.articleTitle, url: r.payload.url })),
  };
}

Handoff к живому оператору

Когда бот не может помочь — эскалация к оператору:

const ESCALATION_TRIGGERS = [
  'хочу поговорить с человеком',
  'оператор',
  'жалоба',
  'возврат денег',
  'удалить аккаунт',
];

function shouldEscalate(message, confidenceScore) {
  const lowerMessage = message.toLowerCase();
  const hasKeyword = ESCALATION_TRIGGERS.some(t => lowerMessage.includes(t));
  const lowConfidence = confidenceScore < 0.6;

  return hasKeyword || lowConfidence;
}

async function handleMessage(userId, message) {
  const { answer, confidence, sources } = await answerQuestion(userId, message);

  if (shouldEscalate(message, confidence)) {
    await createSupportTicket(userId, message);
    return {
      type: 'escalation',
      message: 'Передаю ваш запрос оператору. Среднее время ответа — 2 часа.',
      ticketId: ticket.id,
    };
  }

  await logConversation(userId, message, answer);
  return { type: 'answer', content: answer, sources };
}

Обновление базы знаний

Когда обновляется документация — нужно переиндексировать:

// Webhook от CMS при обновлении статьи
app.post('/webhooks/docs-updated', async (req, res) => {
  const { articleId, action } = req.body;

  if (action === 'delete') {
    await qdrant.delete('support-docs', {
      filter: { must: [{ key: 'articleId', match: { value: articleId } }] },
    });
  } else {
    const article = await fetchArticle(articleId);
    // Удаляем старые чанки
    await qdrant.delete('support-docs', {
      filter: { must: [{ key: 'articleId', match: { value: articleId } }] },
    });
    // Переиндексируем
    await indexArticle(article);
  }

  res.json({ ok: true });
});

Аналитика и улучшение

Логируем все диалоги и собираем фидбек:

// После каждого ответа предлагаем оценку
function renderFeedback(messageId) {
  return (
    <div className="feedback">
      <button onClick={() => submitFeedback(messageId, 'helpful')}>Помогло</button>
      <button onClick={() => submitFeedback(messageId, 'not-helpful')}>Не помогло</button>
    </div>
  );
}

// Еженедельный отчёт: топ-20 вопросов без хорошего ответа
SELECT question, COUNT(*) as count
FROM support_conversations
WHERE feedback = 'not-helpful'
GROUP BY question
ORDER BY count DESC
LIMIT 20;

Сроки

• RAG-ассистент с базой знаний (до 500 статей) — 5–7 дней
• Персонализация по контексту пользователя — плюс 1–2 дня
• Handoff к оператору + тикет-система — плюс 2–3 дня
• Аналитика диалогов и дашборд — плюс 3–4 дня