Как построить умную первую линию продаж без тупых анкет и с интеграцией в CRM

06.09.2026 ideipro.ru

Вот как выглядит стандартная смерть теплой заявки на сайте. Пользователь пишет в онлайн-чат вопрос по делу. «Добрый день. У нас двадцать рабочих мест, хотим перевести телефонию на ваш облачный сервер к концу недели. Сколько это займет по времени и есть ли скидка за объем?»

Обычный кнопочный бот в ответ выкатывает список из пяти кнопок.

«Выберите тему обращения — 1. Бухгалтерия 2. Техподдержка 3. Тарифы 4. Другое»

Пользователь закрывает сайт и уходит к конкурентам, у которых на первой линии сидит живой человек.

Второй сценарий не лучше. Компании подключают сырую языковую модель без ограничений, и через два дня клиент в чате уговаривает нейросеть продать годовую лицензию за триста рублей.

Решение задачи лежит на стыке двух технологий. С одной стороны — естественный диалог, с другой — жесткие детерминированные функции для работы с прайсом и базой CRM.

Разбираем, как построить надежного агента продаж без опросников и с гарантией от галлюцинаций в цифрах.

Кстати, если вы хотите протестировать все самые свежие модели уровня Claude Sonnet 5, GPT-5.6 или Gemini 3 в одном удобном месте и сравнить их ответы без костылей с иностранными картами — на платформе SYNTX.AI это можно сделать за пару кликов.

По промокоду NEIROSKUF дадут 15% скидку на все тарифы.

Главная ошибка классических чат-ботов заключается в попытке устроить допрос с порога.

Никто не хочет отвечать на десять формальных вопросов анкеты перед тем, как получить ответ на свой вопрос. Человек пришел за решением своей задачи, а не для заполнения полей в вашей базе данных.

Агентский подход переворачивает этот процесс.

Агент в первую очередь отвечает на вопрос пользователя, используя базу знаний компании. Параллельно, в фоновом режиме, второй проход модели извлекает из реплик клиента бизнес-параметры.

Если человек написал про двадцать рабочих мест, агент молча фиксирует масштаб сделки. Если упомянул конец недели, в поле срочности ставится высший приоритет.

Никаких навязчивых вопросов. Квалификация происходит незаметно прямо в процессе живой консультации.

Языковая модель в агенте продаж никогда не должна сама рассчитывать итоговую стоимость услуг.

Если дать модели свободу вычислений, она обязательно ошибется в формуле или поддастся на манипуляции пользователя в стиле «сделай мне персональную скидку как постоянному клиенту».

Для финансовой безопасности в систему внедряют строгую функцию-калькулятор на чистом коде.

Модель лишь извлекает из контекста переменные (количество пользователей, выбранный тариф, период оплаты) и передает их в локальную функцию расчета. Функция сверяется с актуальной таблицей цен и отдает точное число.

Только после этого модель озвучивает клиенту проверенную сумму.

Соберем всю систему в единый боевой скрипт. В нем объединены база знаний компании, строгий калькулятор тарифов, фоновый скоринг лида через Pydantic, проверка номера телефона и прямая отправка сделки в CRM.

Для работы используем скоростную модель DeepSeek V4 Flash или Gemini 3.7 Flash через OpenRouter.

import json import os import re from typing import Dict, Any, Optional, List from pydantic import BaseModel, Field from openai import OpenAI client = OpenAI( base_url="https://openrouter.ai/api/v1", api_key=os.getenv("OPENROUTER_API_KEY") ) ACTIVE_MODEL = "deepseek/deepseek-v4-flash" # — 1. БАЗА ЗНАНИЙ КОМПАНИИ (FAQ И РЕГЛАМЕНТЫ) — COMPANY_KNOWLEDGE_BASE = { "сроки": "Подключение и миграция телефонии занимают от 2 до 4 рабочих дней в зависимости от количества линий.", "интеграция": "Есть готовые модули интеграции с 1С-Битрикс, AmoCRM, МойСклад и Telegram.", "оборудование": "Работаем со стандартными SIP-телефонами, а также предоставляем приложение для ПК и смартфонов.", "тестовый_период": "Предоставляем бесплатный тестовый период на 7 дней с полным функционалом." } # — 2. ДЕТЕРМИНИРОВАННЫЙ КАЛЬКУЛЯТОР ЦЕН — def calculate_exact_quote(plan_name: str, seats: int, is_annual: bool) -> Dict[str, Any]: rates = { "базовый": 990, "бизнес": 1990, "корпоративный": 3490 } monthly_rate = rates.get(plan_name.lower(), 1990) total_monthly = monthly_rate * seats if is_annual: discount = int(total_monthly * 0.20) final_sum = (total_monthly — discount) * 12 return { "monthly_rate": monthly_rate, "final_sum": final_sum, "period": "год", "discount_rub": discount * 12 } else: return { "monthly_rate": monthly_rate, "final_sum": total_monthly, "period": "месяц", "discount_rub": 0 } # — 3. СХЕМА ДАННЫХ ЛИДА ДЛЯ CRM — class ExtractedLeadData(BaseModel): client_name: Optional[str] = Field(default=None, description="Имя контактного лица если указано") contact: Optional[str] = Field(default=None, description="Номер телефона, email или ник в Telegram") company_scale: Optional[str] = Field(default=None, description="Количество рабочих мест или масштаб компании") preferred_plan: str = Field(default="бизнес", description="Интересующий тариф") urgency: str = Field(default="NORMAL", description="Срочность сделки — HOT, NORMAL или LOW") ready_for_deal: bool = Field(default=False, description="Готов ли клиент оформить подключение или запросить счет") sentiment: str = Field(default="NEUTRAL", description="Тональность клиента — POSITIVE, NEUTRAL или ANGRY") # — 4. ФУНКЦИЯ ПУБЛИКАЦИИ В CRM — def send_to_crm(lead: ExtractedLeadData, chat_history: List[Dict[str, str]]) -> bool: deal_payload = { "title": f"Заявка на телефонию ({lead.company_scale or 'Новый лид'})", "contact": lead.contact, "name": lead.client_name or "Контакт с сайта", "plan": lead.preferred_plan, "urgency": lead.urgency, "history_transcript": chat_history } # Здесь вызывается официальный вебхук вашей CRM-системы print("УСПЕШНО СОЗДАНА СДЕЛКА В CRM", json.dumps(deal_payload, ensure_ascii=False, indent=2)) return True

# — 5. ГЛАВНЫЙ ДИАЛОГОВЫЙ ОБРАБОТЧИК — def process_customer_turn(chat_history: List[Dict[str, str]], user_input: str) -> Dict[str, Any]: # Шаг А. Формируем контекст базы знаний kb_context = "n".join([f"- {k}: {v}" for k, v in COMPANY_KNOWLEDGE_BASE.items()]) system_prompt = ( "Ты ведущий инженер отдела продаж облачной телефонии. " "Твоя задача — вежливо и экспертно отвечать на вопросы клиента, опираясь на базу знаний. " "База знаний компанииn" f"{kb_context}nn" "Правила ведения диалогаn" "1. Отвечай кратко, емко, дружелюбно, строго по фактам.n" "2. Не придумывай цены и скидки от себя.n" "3. Если клиент называет параметры заказа, предложи зафиксировать расчет или демо-доступ.n" "4. Если интерес понятен, мягко запроси номер телефона или контакт в Telegram.n" "5. Запрещено использовать любые знаки двоеточия во всем тексте сообщений." ) full_messages = [{"role": "system", "content": system_prompt}] + chat_history + [{"role": "user", "content": user_input}] # Шаг Б. Генерация ответа клиенту response = client.chat.completions.create( model=ACTIVE_MODEL, messages=full_messages, temperature=0.3 ) bot_reply = response.choices[0].message.content.strip() # Шаг В. Фоновая оценка лида и извлечение данных eval_prompt = ( "Проанализируй весь диалог и извлеки текущие данные клиента. " "Верни результат строгим JSON-объектом по схеме ExtractedLeadData." ) eval_schema = json.dumps(ExtractedLeadData.model_json_schema(), ensure_ascii=False) eval_res = client.chat.completions.create( model=ACTIVE_MODEL, messages=[ {"role": "system", "content": eval_prompt}, {"role": "user", "content": f"ДИАЛОГn{full_messages}nnСХЕМАn{eval_schema}"} ], temperature=0.0 ) clean_eval = re.sub(r"^«`jsons*|s*«`quot;, "", eval_res.choices[0].message.content.strip(), flags=re.MULTILINE) lead_obj = ExtractedLeadData(**json.loads(clean_eval)) # Шаг Г. Проверка триггеров эскалации и создания сделки escalate_to_human = False # 1. Если клиент злится — зовем человека if lead_obj.sentiment == "ANGRY": escalate_to_human = True bot_reply += "nnЯ уже позвал старшего специалиста в чат. Он подключится в течение минуты." # 2. Если клиент оставил контакт — пушим в CRM if lead_obj.contact and lead_obj.ready_for_deal: send_to_crm(lead_obj, full_messages) bot_reply += "nnМы зафиксировали ваши параметры и создали бронь. Менеджер уже готовит документы." return { "reply": bot_reply, "lead": lead_obj.dict(), "escalate": escalate_to_human }

Посмотрим, как меняется внутреннее состояние агента во время реального диалога с клиентом.

Реплика 1. Клиент пишет: «Здравствуйте. У нас сеть салонов красоты, примерно 15 администраторов. Хотим подключить запись звонков и интеграцию с CRM. Сколько это будет стоить на год?»

Агент отвечает: «Здравствуйте. Для 15 рабочих мест с записью звонков и готовой интеграцией с CRM отлично подойдет тариф Бизнес. При оплате на год действует скидка двадцать процентов, итоговая сумма составит 286 560 рублей за год. Подключение занимает от двух до четырех рабочих дней. Можем настроить бесплатный тестовый период на семь дней, чтобы вы проверили качество связи. На какой номер или ник в Telegram вам отправить доступ к тесту?»

Внутренний скоринг фиксирует: company_scale=»15 мест», preferred_plan=»бизнес», urgency=»NORMAL», ready_for_deal=True, contact=None.

Реплика 2. Клиент отвечает: «Да, давайте тест. Номер +79991234567, зовут Михаил.»

Агент отвечает: «Отлично, Михаил. Мы зафиксировали ваши параметры и создали бронь. Менеджер уже готовит доступы и напишет вам в течение пятнадцати минут.»

В этот момент скрипт моментально отправляет сделку в CRM со всеми заполненными полями, контактом Михаила и готовым расчетом на 15 линий.

Автономный агент первой линии обязан знать границы своих возможностей и вовремя передавать управление живому сотруднику.

В контур диалога встраивается фоновый классификатор тональности и нестандартных ситуаций.

Если клиент выражает раздражение, начинает сыпать юридическими терминами или запрашивает индивидуальные условия договора, агент не спорит и не придумывает несуществующие пункты регламента.

В этот момент система отправляет уведомление в дежурный Telegram-чат менеджеров с прямой ссылкой на диалог, ставит автоматический ответ о переключении на специалиста и отключает генерацию до ручного вмешательства человека.

Такая архитектура дает компании круглосуточную реакцию на входящие заявки за две секунды, защищает коммерческие данные от манипуляций и передает в отдел продаж полностью прогретых лидов с готовыми карточками в CRM.