AI-консультант по подбору шин в Telegram

Задача
Магазин автомобильных шин теряет заявки в нерабочее время и тратит время менеджеров на типовые вопросы: "какие шины подойдут на мою машину", "сколько стоят", "есть ли в наличии". Нужна система, которая ведёт первичную консультацию 24/7, квалифицирует клиентов и передаёт менеджеру уже тёплых лидов.

Решение
Telegram-бот на базе LLM, оркестрация через n8n. Бот работает как живой консультант: определяет язык клиента, собирает параметры в формате естественного диалога, подбирает подходящие шины из реального каталога магазина и доводит заинтересованного клиента до заявки — с контактами и списком желаемых моделей в таблице для менеджера.

Архитектура
Telegram Trigger → AI Agent (GPT-4o-mini) с памятью диалога и доступом к каталогу шин (Google Sheets как tool) → парсинг ответа и извлечение структурированных данных → отправка клиенту + запись в логи → merge-логика для лидов → CRM-таблица.
Ключевые возможности

Умный диалог
Автоопределение языка (украинский / русский) по первому сообщению и удержание его весь диалог
Память на 20 сообщений — бот помнит контекст
Воронка: параметры авто → сезон → бюджет → подбор → оформление
Короткие сообщения по 1-2 вопроса за раз — как живой менеджер, не как анкета

Подбор из реального каталога
Агент вызывает Google Sheets как tool, фильтрует по размеру и сезону
Выдаёт 2-3 варианта с ценами, наличием и кратким обоснованием выбора
Не галлюцинирует: если товара нет — честно говорит и предлагает альтернативу

CRM-воронка
Классификация каждого диалога: HOT / WARM / COLD
Горячие лиды сохраняются в отдельную таблицу с контактами и списком рекомендованных шин
Автоматический подсчёт времени конверсии (от первого контакта до готовности купить)
Статусная модель: New → Hot → Contacted → Closed — менеджер ведёт клиента в той же таблице, бот не перетирает его изменения

Аналитика
Все диалоги логируются с привязкой к статусу лида
Данные для оптимизации: какие запросы приходят, на каком шаге отваливаются клиенты, какие шины рекомендуются чаще

Масштабируемость
Текущая архитектура оптимальна для каталогов до 300-500 позиций — полный каталог загружается в контекст LLM, что обеспечивает максимальную точность подбора. Для больших каталогов легко расширяется до RAG-архитектуры с векторным поиском (Qdrant / Supabase).

Результат
Бот полностью заменяет менеджера на этапе первичной квалификации. Менеджер получает на вход только горячих клиентов с готовой информацией: что хотят, какие шины смотрели, когда обратились, контакты. Время обработки лида сокращается в разы.

Стек
n8n · OpenAI API (GPT-4o-mini) · Google Sheets API · Telegram Bot API · JavaScript (Code nodes) · Prompt Engineering