Квестоша: как агрегатор квестов внедрил ИИ-помощника в контакт-центр

Современные контакт-центры могут выступать не только статьей расходов, но и полноценным источником дохода, если выстроить эффективную коммуникацию с клиентами. В агрегаторе «Мир Квестов» внедрили ИИ-ассистента по имени Квестоша, который обрабатывает входящие запросы в чате и помогает пользователям подбирать игры.

Интеграция бота позволяет сократить время ожидания ответа и разгрузить команду поддержки, передавая операторам полностью подготовленный контекст диалога.

Контакт-центр как источник дохода и логика диалогов

Для платформы по бронированию квестов чат является важнейшим каналом конверсии. Пользователь пишет запрос, получает рекомендацию и совершает бронирование. Если затраты на содержание службы поддержки ниже поступающей прибыли, такой отдел приносит финансовую отдачу. По этой причине к работе искусственного интеллекта предъявляются строгие коммерческие требования: бот обязан продавать и помогать пользователю, а не просто отвечать на базовые вопросы.

Анализ логов показывает существенную разницу в поведении пользователей в мессенджерах и в интерфейсном виджете на сайте. В мессенджерах клиенты готовы ожидать ответа дольше, тогда как в виджете задержка в одну минуту часто приводит к тому, что вкладка закрывается навсегда. Из-за этого первыми на обслуживание через нейросетевого помощника перевели именно виджеты на сайте.

После прохождения приёмочных тестов бот взял на себя значительную долю входящих обращений. Среднее время до получения первого ответа сократилось в несколько раз, очередь запросов уменьшилась, а операторы стали получать клиентов со сформированной историей переписки.

Устройство и база знаний бота

В основу правил и скриптов лег массив из 7,5 миллиона реальных диалогов операторов с клиентами за пятилетний период. Разработчики не прописывали логику вручную: фронтирные модели проанализировали обезличенные архивы переписок, выделив лучшие практики взаимодействия. К полученным данным добавили корпоративные стандарты и юридические требования.

LLM-wiki как основа базы знаний

Вся документация хранится в репозитории в виде структуры markdown-файлов с перекрестными ссылками и индексами. Концепция получила название LLM-wiki: это база знаний, которую читают и обновляют языковые модели под контролем человека. В самой вики отсутствуют динамические данные вроде актуальных цен, адресов или текущего расписания. Она содержит регламенты, политику площадки и формулировки ответов.

Для получения актуальных фактов бот перед каждой отправкой сообщения обращается к базе данных сайта. Системный промпт жестко регламентирует этот процесс: модель не имеет права называть расценки или адреса по памяти и должна использовать специальные инструменты каталога. При этом в базовый промпт загружаются только основные инструкции, а остальные страницы вики модель подтягивает динамически по мере необходимости.

Безопасность и инструменты MCP

Конфиденциальные данные пользователей, включая имена, телефоны и адреса электронной почты, защищены от передачи во внешние сервисы. Система производит маскировку, заменяя реальные сведения на псевдонимы вроде PERSON_1 или PHONE_1. Распознавание опирается на регулярные выражения, библиотеку Natasha и морфологический анализатор Pymorphy3 с фильтрами ложных срабатываний, чтобы не заменять части названий квестов.

Взаимодействие с каталогом организовано через протокол Model Context Protocol (MCP). Бэкенд каталога оформлен как MCP-сервер с набором инструментов для поиска, фильтрации по городам и категориям, а также расчета параметров. Передача диалога человеку происходит через программный вызов специального инструмента, а не с помощью текстовой фразы.

Тестирование и ночной цикл обучения

Для оценки качества ответов сценарии разбиты на восемь тематических категорий, включая подбор, финансовые вопросы, бронирование и ответственность. Последний пункт подразумевает, что бот воздерживается от выдумок и оперирует только верифицированными фактами. Корректность работы проверяется автоматическими тестами с помощью регулярных выражений и моделей-судей, причем каждый сценарий запускается трижды для учета недетерминированности ответов.

Обновление базы знаний в ночное время

Днем с клиентами взаимодействует быстрая модель, а ночью продвинутая модель-учитель анализирует накопившиеся диалоги, находит пробелы в базе знаний и корректирует markdown-страницы. Все исправления фиксируются в системе контроля версий с возможностью отката. Если определенное правило нарушается неоднократно, система формирует заявку на доработку программного кода.

Сравнение конфигураций моделей

Тестирование различных архитектур на наборе контрольных кейсов показало отличия в скорости генерации первого токена и точности прохождения критических тестов-гейтов. Компактные локальные решения эффективны по скорости, но требуют точной настройки вызова внешних инструментов, в то время как более крупные облачные модели демонстрируют сбалансированные показатели безопасности и полноты ответов.