Как эволюционировала PIM-система: интеграция ИИ-агента и архитектура решения

Современные платформы для управления товарными данными претерпевают кардинальные изменения благодаря интеграции искусственного интеллекта. Внедрение автономного ИИ-агента в PIM-систему позволяет автоматизировать рутинные процессы, включая сбор информации и создание карточек товаров на маркетплейсах.

Проект прошел долгий путь от разрозненных функций до единой архитектуры, где ИИ получил доступ к инструментам платформы через специальный протокол MCP и научился решать прикладные задачи бизнеса.

Исходная точка

Исходная PIM-система способна обрабатывать прайс-листы поставщиков, интегрироваться с крупными маркетплейсами и каталогами, содержащими миллионы товаров. Платформа располагает обширной библиотекой готовых карточек, что позволяет автоматизировать подготовку данных для публикации в интернет-магазинах. Тем не менее, для настройки формул и интеграций ранее требовалось непосредственное ручное вмешательство специалистов.

В то же время современные большие языковые модели обладают глубоким контекстом и навыками программирования. Использование инструментов вроде Claude Code и OpenCode позволило автоматизировать работу с кодом и структурировать документацию, описывающую реальные бизнес-задачи платформы, а не только технические детали реализации.

План

Идея перевести систему на работу с автономным агентом оформилась после успешного тестирования прототипа, который за короткое время присвоил коды ТНВЭД для сотен тысяч товарных позиций. Проверка показала минимальный процент расхождений с ручным трудом, причем в пользу модели. После этого разработчики приступили к реализации концепции, в которой пользователь может загрузить файл с названиями и получить готовые карточки на маркетплейсе.

На первом этапе интерфейс работает в режиме чата, реагируя на запросы оператора. Следующая стадия предусматривает полную автономную работу по расписанию или по заранее заданным сценариям, после того как пользователи убедятся в надежности и безопасности алгоритмов.

Как это работает

Вся пользовательская магия сосредоточена в интерфейсе чата, в то время как основные вычисления выполняются на стороне провайдера языковых моделей через API. Архитектура решения разбита на несколько независимых уровней, обеспечивающих стабильность и предсказуемость бизнес-процессов.

Пользователь

Аудитория платформы обладает разными навыками и правами доступа. Одни пользователи ограничиваются разовыми запросами на заполнение конкретной карточки товара, тогда как другие настраивают сложные сценарии массового создания товарных позиций в фоновом режиме с подключением внешних дистрибьюторов.

Окно чата

Интерфейс чата реализован с помощью JavaScript и подключается к страницам сервиса, обмениваясь данными с сервером через HTTP-запросы. Чтобы ответы агента были релевантными, система передает ему полный контекст текущей страницы: открытые разделы, историю просмотров, выделенные позиции и расположение элементов интерфейса.

Веб-сервер

Обработка запросов возложена на проверенный временем сервер под управлением ASP.NET MVC. В его структуру интегрированы методы взаимодействия с чатом и MCP-сервер, который подключается стандартными средствами внедрения зависимостей.

Agent runner

Изолированный процесс на отдельном сервере, управляемый встроенным веб-сервером Kestrel, отвечает за запуск агента в нужном окружении. Раннер принимает ключи, параметры сессии и файлы от основного приложения, передает команды агенту и возвращает готовые результаты пользователю. При этом сохраняется универсальность интерфейса независимо от используемой модели.

Агент

Агент объединяет возможности LLM API и локальные инструменты. В его распоряжении находится среда Python с предустановленными библиотеками для эффективной обработки больших объемов данных, утилиты для работы с файлами, сетевые инструменты и методы платформы. Такой подход позволяет выполнять реальные задачи вроде генерации таблиц или поиска документации.

MCP — сервер

Протокол MCP служит связующим звеном между агентом и возможностями платформы. Через него агент получает доступ к прайс-листам, функциям пересчета цен, каталогам и структурированной документации по интерфейсу. Каждый инструмент предварительно тестировался на быстродействие и влияние на нагрузку базы данных, содержащей миллионы записей.

LLM API

Интерфейс взаимодействия с искусственным интеллектом сводится к отправке запросов на удаленные серверы. На практике это выглядит как обращение к модели, которая на основе переданных токенов и инструкций генерирует текст или запрашивает выполнение внешних команд.

А без платформы нельзя?

Решение локальных задач возможно и без интеграции в основную систему, однако выстраивание полноценного процесса управления данными требует глубокой инфраструктурной поддержки. API маркетплейсов часто содержат расхождения с документацией, которые выявляются только в процессе реальной эксплуатации. Платформа предоставляет агенту накопленные терабайты структурированных данных, готовые алгоритмы и детальную историю изменений.

Автономная работа

Платформа поддерживает запуск регламентных задач по расписанию, таких как ежедневное обновление цен от поставщиков или регулярная выгрузка остатков на площадки. На базе этого механизма клиенты могут настраивать повторяющиеся сценарии для агента и автоматизировать рутинные операции.

Работает?

С точки зрения бизнес-эффекта внедрение агента привело к заметному сокращению обращений в службу технической поддержки. Пользователи стали чаще задавать уточняющие вопросы самой системе. Предыдущие попытки внедрить точечные ИИ-функции не меняли парадигму продукта, тогда как четвертый подход создал комплексное решение, получившее одобрение клиентов на многочисленных встречах.

Выводы

Успех четвертой попытки внедрения искусственного интеллекта обусловлен общим развитием технологий: модели стали умнее и дешевле, а на рынке появились готовые инструменты агентов. Главным шагом для разработчиков стало переосмысление устаревших подходов и перестройка архитектуры продукта под новые возможности современной индустрии.