Как я собрал QBox: быстрый пилот с Cursor, n8n и LLM, который уменьшил нагрузку бизнеса
Как родилась идея закрыть боль бизнеса — рассказ автора
проекта VS‑Lab о запуске QBox.
Экспириенс был таков... разбирая лог поддержки у клиента, я увидел простую, но болезненную картину: сотни однотипных обращений, операторы в режиме огня, клиенты уходят не дождавшись ответа, а часть продаж теряется в момент оформления. Это была не просто техническая проблема — это прямой урон для любого бизнеса. Тогда и появилась идея: создать интеллектуального помощника, который будет работать 24/7, понимать документы компании и помогать клиенту оформить заказ или возврат без ошибок и задержек. Так начался путь QBox.
Начал с наблюдения, а не с кода. я провел интервью с операторами, проанализировали ленты чатов и выделил 10 сценариев, которые составляют до 80% обращений: статусы заказов, условия возврата, базовые инструкции. Моя гипотеза была проста: если автоматизировать именно эти сценарии, можно быстро снизить нагрузку на команду и вернуть упущенные продажи.
Но данные — это загвоздка: знания были разбросаны по PDF, старым FAQ, таблицам и SQL‑базам.Решение требовало не только ML‑навыков, но и дисциплины в управлении знанием.
Прототип сделал за две недели: OCR → векторная индексация → retrieval + генерация ответа. Но ключевой момент — не говорить красиво, а действовать по правилам бизнеса. Поэтому параллельно с RAG‑пайплайном мы прописали бизнес‑флоу для оформления заказа и возврата: валидации, проверки статусов, создания тикетов при спорных случаях. QBox стал не просто ботом, а исполнителем бизнес‑правил, который умеет обращаться к CRM и тикет‑системе через API.
Пилот запустил на 4 недели с ограниченным набором сценариев и потока. Я до сих пор помню первый момент, когда оператор, наблюдая за ботом, написал в общий чат: «Он реально снимает с нас гемор».
Для клиентов это был мгновенный эффект: ответы стали приходить быстрее, инструкции по возврату — понятнее, а оформление заказа — плавнее.
По итогам пилота мы зафиксировали значимое улучшение: среднее время ответа сократилось примерно на 60%, объём ручных обращений упал почти на половину, а конверсия через чат выросла на двузначные проценты.
CSAT поднялся на несколько пунктов — и это был самый приятный результат, потому что он прямо отражал человеческий опыт.
По итогам пилота мы зафиксировали значимое улучшение: среднее время ответа сократилось примерно на 60%, объём ручных обращений упал почти на половину, а конверсия через чат выросла на двузначные проценты.
CSAT поднялся на несколько пунктов — и это был самый приятный результат, потому что он прямо отражал человеческий опыт.
Были и трудности. Главная — противоречивые и неполные данные: старые регламенты, разнородные форматы PDF и сканы. Мы решили эту проблему через нормализацию KB, версионирование документов и настройку правил доверия к источникам. Другой вызов — безопасность данных: мы ввели права доступа, фильтры и оффлайн‑хранение эмбеддингом там, где этого требовал клиент. Наконец, человеческий фактор: интеграция новой технологии возможна только при поддержке команды.
Я провел мини обучение операторов, открыл каналы обратной связи и включил метрики прозрачности — это помогло снизить сопротивление и ускорило внедрение.
Я провел мини обучение операторов, открыл каналы обратной связи и включил метрики прозрачности — это помогло снизить сопротивление и ускорило внедрение.
Что важно для продуктовой компании: узконаправленный пилот даёт быстрый ROI. я сфокусировался на orders & returns — и получил доказуемый эффект, после чего масштабирование на другие сценарии прошло естественно и с минимальными рисками. Технически QBox строится на векторном поиске, эмбеддингах и RAG‑подходе, но в основе успешного релиза лежит работа с людьми и качеством знаний.
- Вывод для тех, кто работает с продуктами: автоматизация должна начинаться с реальных бизнес‑болевых точек и заканчиваться улучшением человеческого опыта. Если инвестировать в структуру знаний и в прозрачную коммуникацию с командой — технология начнёт работать на рост метрик, а не против людей. Я готов показать, как за 6 недель запустить пилот QBox и получить первичные данные о снижении нагрузки и росте конверсии. ниже — расскажу, как это можно сделать для вашего продукта.
Расскажу, как я собирал QBox — от идеи до рабочего релиза
- Старт: проблема и гипотеза у клиента - горы однотипных обращений: статусы заказов, условия возврата, базовые вопросы из FAQ. Гипотеза была простой: если покрыть эти сценарии автоматом — снизим нагрузку поддержки и удержим продажи. Цель пилота - покрыть orders & returns и доказать ROI за 6-8 недель.
- Инструменты и почему я их выбрал
- Cursor как среда быстрой разработки: интерактивный код, эксперименты с LLM, быстрые итерации. Это позволило прототипировать пайплайны генерации и тестировать промпты.
- n8n легковесный оркестр для интеграций: подключение чат‑виджета, CRM, тикет‑системы и триггеров на бизнес‑события без тяжелого деплоя микросервисов.
- SQL источник истины по заказам, возвратам и метаданным KB. Хранил и вёл транзакции, выполнял валидации.
- SRM модуль управления бизнес‑правилами и маршрутизацией (Service/Rules Manager): где описаны флоу для оформления заказа/возврата, контрольные правила, версии правил и источник доверия для ответов.
- LLM понимание запроса, извлечение интента, генерация естественных ответов и сочинение инструкций для пользователя.
Архитектура в двух абзацах:
«QBox понимает запрос, ищет ответ в документах или базе, и либо отвечает, либо запускает процесс возврата».
Пользователь пишет в чат → n8n принимает вебхук и делает предварительную обработку (sanitize, session). n8n отправляет текст в LLM (через Cursor для локального прототипа) для классификации интента и выделения сущностей.
«QBox понимает запрос, ищет ответ в документах или базе, и либо отвечает, либо запускает процесс возврата».
Пользователь пишет в чат → n8n принимает вебхук и делает предварительную обработку (sanitize, session). n8n отправляет текст в LLM (через Cursor для локального прототипа) для классификации интента и выделения сущностей.
Затем SRM решает: ответим напрямую из KB, потребуем данные из SQL (статус заказа) или запустим бизнес‑flow (initiate return). Если нужен факт — n8n запрашивает SQL; если нужен контекст из документов — запускается retrieval (в моём случае эмбеддинги/векторный поиск можно хранить отдельно, но для MVP я делал быстрый полнотекстовый поиск по индексам и метаданным в SQL). Финальный ответ собирается LLM с подсказками от SRM (с соблюдением правил безопасности) и отправляется пользователю. Если сценарий требует действия (создать возврат, тикет) — n8n инициирует API‑запросы к CRM и фиксирует транзакцию в SQL.
Реализация: что делал сам
- В Cursor быстро прототипировал html js верстку самого чатика, промпты и цепочки вызовов LLM, делал юнит‑тесты ответов и проверял edge‑cases.
- В SRM прописывал флоу: валидации (например, проверка срока возврата по дате заказа), уровни доверия источников, правила эскалации.
- В n8n собирал интеграции: webhook → LLM → SRM → SQL → CRM → ответ. Это позволило менять логику без релиза кода.
- SQL использовал и для хранения истории сессий, и для атомарных операций по заказам/возвратам, и для аналитики (логирование времени ответа, source of truth).
- Логика safety: блок-лист полей (PII), фильтры на генерацию, шаг подтверждения перед выполнением критичных действий.
- Технические и организационные сложности
- Непротиворечивость KB: разные PDF давали разные ответы — ввёл версионирование и метрики доверия источников в SRM.
- Сложные SQL‑джойны при валидации возврата — оптимизировал индексы и кэшировал частые запросы.
- Задержки LLM перенёс тяжелые генерации в асинхронные воркеры и показывал пользователю прогресс/статус.
- Сопротивление команды поддержки провёл обучение, дал мониторинг (показать, что бот не «крадёт работу», а снимает рутину).
Результат пилота и уроки Пилот (4 недели, ограниченная зона) дал очевидный эффект: время ответа упало, ручных кейсов стало значительно меньше, конверсия в чате выросла.
Но главный выигрыш — не только цифры, а возможность масштабировать: SRM даёт контролируемую расширяемость, n8n — быструю интеграцию, Cursor + LLM — гибкую генерацию. SQL остаётся single source of truth, что важно для бизнес‑доверия.
Но главный выигрыш — не только цифры, а возможность масштабировать: SRM даёт контролируемую расширяемость, n8n — быструю интеграцию, Cursor + LLM — гибкую генерацию. SQL остаётся single source of truth, что важно для бизнес‑доверия.
Спасибо за чтение! Помогите, пожалуйста, сделать мои материалы еще лучше! Насколько понятна вам была статья?
1
2
3
4
5
1 vote
1 user voted