AI-консультант з підбору шин у Telegram

Задача
Магазин автомобільних шин втрачає заявки в неробочий час і витрачає час менеджерів на типові питання: "які шини підходять на мою машину", "скільки коштують", "чи є в наявності". Потрібна система, яка проводить первинну консультацію 24/7, кваліфікує клієнтів і передає менеджеру вже теплі ліди.

Рішення
Telegram-бот на базі LLM, оркестрація через n8n. Бот працює як живий консультант: визначає мову клієнта, збирає параметри у форматі природного діалогу, підбирає відповідні шини з реального каталогу магазину і доводить зацікавленого клієнта до заявки — з контактами і списком бажаних моделей у таблиці для менеджера.

Архітектура
Telegram Trigger → AI Agent (GPT-4o-mini) з пам'яттю діалогу і доступом до каталогу шин (Google Sheets як tool) → парсинг відповіді і витяг структурованих даних → відправка клієнту + запис у логи → merge-логіка для лідів → CRM-таблиця.
Ключові можливості

Розумний діалог
Автооприділення мови (українська / російська) за першим повідомленням і утримання його протягом всього діалогу
Пам'ять на 20 повідомлень — бот пам'ятає контекст
Воронка: параметри авто → сезон → бюджет → підбір → оформлення
Короткі повідомлення по 1-2 питання за раз — як живий менеджер, не як анкета

Підбір з реального каталогу
Агент викликає Google Sheets як tool, фільтрує за розміром і сезоном
Видає 2-3 варіанти з цінами, наявністю і коротким обґрунтуванням вибору
Не галюцинує: якщо товару немає — чесно говорить і пропонує альтернативу

CRM-воронка
Класифікація кожного діалогу: HOT / WARM / COLD
Гарячі ліди зберігаються в окрему таблицю з контактами і списком рекомендованих шин
Автоматичний підрахунок часу конверсії (від першого контакту до готовності купити)
Статусна модель: New → Hot → Contacted → Closed — менеджер веде клієнта в тій же таблиці, бот не перетирає його зміни

Аналітика
Всі діалоги логуються з прив'язкою до статусу ліда
Дані для оптимізації: які запити приходять, на якому етапі відвалюються клієнти, які шини рекомендуються частіше

Масштабованість
Поточна архітектура оптимальна для каталогів до 300-500 позицій — повний каталог завантажується в контекст LLM, що забезпечує максимальну точність підбору. Для великих каталогів легко розширюється до RAG-архітектури з векторним пошуком (Qdrant / Supabase).

Результат
Бот повністю замінює менеджера на етапі первинної кваліфікації. Менеджер отримує на вхід тільки гарячих клієнтів з готовою інформацією: що хочуть, які шини дивилися, коли звернулися, контакти. Час обробки ліда скорочується в рази.

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