AutoSfera AI: единый AI-ассистент автодилера

Как это выглядит

Защита проекта, 5 минут 16 секунд: задача, архитектура, база знаний, демонстрационные сценарии, результаты, экономика и план развития.

Проблема

Клиенты и сотрудники задают вопросы по разным каналам, а ответы о моделях, заказах, гарантии и сервисе требуют разных данных и правил. Один общий чат легко теряет намерение пользователя, повторяет ответ или придумывает детали.

Реализованное решение

AutoSfera AI определяет намерение, выбирает профильного агента и уровень модели, получает контекст через RAG и возвращает ответ с контролем источников. Простые запросы обслуживает экономичная модель, сложные — более сильная. Юридические, финансовые, гарантийные и низкоуверенные случаи передаются человеку.

Моя роль

Сформулировал ТЗ, архитектуру агентов и RAG, правила маршрутизации и эскалации, подготовил базу знаний, системные промпты, финансовый расчёт, тестовый интерфейс и пакет материалов для защиты курса.

Архитектура

Web-интерфейс → FastAPI → маршрутизатор намерений → Sales / Support / Service / Employee Agent → RAG → простая или сложная OpenAI-модель → ответ либо эскалация сотруднику. n8n предусмотрен как интеграционный слой.

Что работает сейчас

Локальная beta: API и web-интерфейс, четыре агента, 18 зарегистрированных skills, RAG по подготовленным документам, маршрутизация простой/сложной модели, правила эскалации и демонстрационные сценарии. Автоматическая приёмка: 7 из 7 сценариев; тесты проекта: 161 passed, 2 skipped на проверенной ветке.

Как проверить

Репозиторий github.com/dimitry8st-prog/AutoSfera-AI-: код, системные промпты, knowledge_base, тесты, сценарии приёмки и документы проекта. Чистые изменения с 18-м skill опубликованы в pull request №19.

Ограничения и следующие шаги

Это контролируемая beta на вымышленных данных, не промышленная система дилера. Нет подтверждённого подключения к CRM, реальным заказам и персональным данным. Модель не утверждает юридические, финансовые и гарантийные решения; их принимает сотрудник.

Провести пилот на согласованной базе дилера, подключить тестовую CRM, замерить качество RAG и задержку на эталонном наборе, затем пройти проверку безопасности и только после этого готовить production.

Технологии

Python FastAPI OpenAI API RAG n8n PostgreSQL Docker