Проект

Коммерческое предложение, PRD и Техническое задание (каноничные документы проекта).

Коммерческое предложение

LEANTECH

Разработка и внедрение AI-ассистента для отдела продаж ITECH

Grace CRM Assistant

Исполнитель LeanTech (ООО Экобанкинг)
Заказчик ООО «АйТек»
Дата 09.04.2026
Основание PRD v1.0 от 28.03.2026 + дополнения от 01.04.2026

1. Что мы предлагаем

LeanTech работает на стыке трёх дисциплин: бережливые методологии + AI-агенты + развитие людей. Именно эта комбинация даёт результат, который недостижим ни через внедрение одной технологии, ни через классический консалтинг по отдельности.

Для АйТек мы предлагаем мультиагентную AI-систему поверх Grace CRM -- группу специализированных AI-агентов, каждый из которых выполняет конкретную роль в процессе продаж: собирает информацию, анализирует контекст, готовит рекомендацию, напоминает о следующем шаге.

Система решает три практические задачи отдела продаж:

Какую выгоду получает ITECH?

Больше сделок при той же команде. AI-агенты берут на себя рутину: отслеживание статусов по активным проектам, поиск нужной информации, подготовку контекста к звонку. Менеджер тратит время на клиента, а не на CRM. Ожидаемый эффект -- высвобождение 6–10 часов в неделю на каждого менеджера. При 10–15 менеджерах это 60–120 дополнительных часов продаж в неделю без расширения штата.

Скорость ответа клиенту как конкурентное преимущество. Система сигнализирует, когда клиент давно без контакта, когда наступает критический момент для звонка, когда нужно ускорить сделку. Менеджер действует проактивно -- клиенты АйТек получают ответ быстрее, чем от конкурентов, у которых такой системы нет.

Фундамент для цифровизации компании. КРАБ -- корпоративная база знаний -- строится один раз и становится активом компании. По мере роста системы к ней подключаются другие процессы и отделы: производство, закупки, проектирование. Это не точечное решение, а архитектура, которая масштабируется.

Дополнение по результатам обсуждения от 01.04.2026

По запросу усилен блок «Помощь продавцу в выстраивании стратегии по проекту/клиенту». Recommendation Agent дополнен следующими требованиями:

«По проекту "ЖК Северный" для клиента ООО "СтройГрупп" последний контакт был 16 дней назад. В похожей сделке на поставку ВРУ для жилого комплекса решающим оказался звонок с уточнением статуса согласования у главного энергетика. Рекомендуем: связаться с руководителем проекта, уточнить готовность технического задания, предложить провести расчёт в течение одного рабочего дня.»

2. Этапы и состав работ -- Фаза 1 (MVP)

Этап 0. Исследование и архитектура (2 недели)

Самый критичный этап. На нём мы вместе с командой АйТек детально изучаем как устроены процессы продаж, какие данные где живут, и проектируем архитектуру системы. Для каждого будущего агента фиксируем три вещи: роль, вход и выход, правила управления и эскалации. Результат этапа определяет качество всего проекта.

Блок работ Содержание Часы
Исследование Grace CRM API Изучение API, тестирование эндпоинтов, определение лимитов, проверка вебхуков, документирование доступных данных 24
Проектирование КРАБ КРАБ -- Корпоративная Распределённая Адаптивная База знаний. Проектирование структуры векторного хранилища: какие данные индексировать, модель похожести сделок, стратегия наполнения и обогащения 20
Проектирование tech stack Финализация стека, настройка Docker Compose, CI/CD, структура репозитория, выбор LLM-провайдера, оценка стоимости токенов 12
Схема БД и модели данных Проектирование PostgreSQL-схемы: кэш CRM-данных, история рекомендаций, конфигурация агентов и правил 12
Архитектура безопасности Проектирование RBAC-модели, схема JWT + 2FA, политика хранения API-ключей (Vault), audit log 12
Согласование с заказчиком Утверждение ролевой модели доступа, правил работы агентов, политики безопасности, приоритетов наполнения КРАБ 8
Итого Этап 0 88

Результат: Технический проект, утверждённая архитектура агентной системы, задокументированное API Grace, спроектированный КРАБ, работающее dev-окружение.

Этап 1. Интеграция с Grace CRM + синхронизация данных (3 недели)

Блок работ Содержание Часы
Модуль синхронизации Периодический полинг / вебхуки Grace API, синхронизация справочников, проекты, статусы, история активностей 36
Агент контроля качества данных Автоматический мониторинг полноты и актуальности данных по проектам, формирование сигналов о пробелах 28
Очередь и отказоустойчивость Celery + Redis: фоновая синхронизация, ретраи, логирование ошибок 12
Итого Этап 1 76

Результат: Данные Grace CRM синхронизируются в реальном времени, агент контроля качества фиксирует пробелы и формирует сигналы для команды.

Этап 2. Recommendation Agent + Telegram-бот (3 недели)

Блок работ Содержание Часы
Наполнение КРАБ Импорт истории закрытых сделок АйТек, формирование эмбеддингов, настройка pgvector, тестирование релевантности поиска 24
Recommendation Agent (Agno) Разработка агента: подключение к КРАБ, промпт-инжиниринг для стратегических рекомендаций под специфику электрощитового производства, логика эскалации к РОПу 36
Telegram-бот Интеграция python-telegram-bot, форматирование сообщений по ролям, расписание уведомлений 16
Итого Этап 2 76

Результат: Менеджеры получают в Telegram конкретные стратегические рекомендации по проектам, основанные на реальном опыте АйТек.

Этап 3. Тестирование, внедрение и обучение (2 недели)

Блок работ Содержание Часы
Интеграционное тестирование End-to-end тесты всех модулей, стресс-тест синхронизации, проверка корректности расчётов Кк 16
Тестирование безопасности Проверка RBAC на всех эндпоинтах, audit log, сканирование уязвимостей 10
Деплой на production Docker Compose on-premise, миграция, мониторинг (Sentry), настройка TLS/HTTPS 10
Обучение пользователей Обучающие сессии для менеджеров (2–3 группы), для РОП, для зам. ГД. Инструкции и видеогайды 14
Пилотная эксплуатация Сопровождение до конца периода: мониторинг, исправление багов, сбор обратной связи, тюнинг рекомендаций 10
Итого Этап 3 60

Результат: Система работает в production, все пользователи обучены, пилотный период пройден.

3. Сводная оценка трудозатрат и стоимости -- Фаза 1

Распределение часов по ролям

Этап PM / архитектор Разработчик Junior Итого
0. Исследование и архитектура 56 24 8 88
1. Интеграция + синхронизация данных 12 44 20 76
2. Recommendation Agent + TG 16 44 16 76
3. Тестирование и внедрение 24 18 18 60
Итого 108 130 62 300

Расчёт стоимости (все суммы -- с учётом всех налогов и сборов)

Роль Часы Ставка Сумма
PM / архитектор решения 108 4 500 ₽/ч 486 000 ₽
Разработчик (fullstack + AI) 130 3 000 ₽/ч 390 000 ₽
Junior-разработчик 62 1 800 ₽/ч 111 600 ₽
Итого работа команды 300 987 600 ₽

Все суммы указаны с учётом всех налогов и сборов. Дополнительных начислений нет.

Инфраструктурные расходы (~10 недель разработки ≈ 2,5 месяца)

Статья В мес. Период Сумма
LLM API + AI-инструменты разработки ~30 000 ₽ 2,5 мес. ~75 000 ₽
Сервер для разработки (если нет своего) ~5 000 ₽ 2,5 мес. ~12 500 ₽
Прочее (домен, SSL, мониторинг) ~5 000 ₽ 2,5 мес. ~12 500 ₽
Итого инфраструктура ~100 000 ₽

Инфраструктурные расходы оплачиваются заказчиком отдельно. Если у АйТек есть собственный сервер -- статья «Сервер» не включается.

Сервер для разработки должен быть в юрисдикции, где возможна разработка с применением AI-агентов с условиями обеспечения безопасности и соблюдением правил о защите персональных данных.

Итого Фаза 1

Сумма
Работа команды 987 600 ₽
Инфраструктура (оценка) ~100 000 ₽
ИТОГО ~1 087 600 ₽

4. Почему такая стоимость?

Мы активно используем AI-агентов в собственной разработке (Claude Code, Cursor) -- это позволяет небольшой команде из 3 человек реализовать проект за 2,5 месяца, который в классической разработке потребовал бы 4–6 человек и 4–8 месяцев.

При этом важно понимать, где находится основная ценность проекта:

70% сложности -- это не код. Это работа на стыке процессов, людей и архитектуры:

30% -- написание кода, которое ускоряется за счёт AI-инструментов разработки.

5. Безопасность и защита данных

Система работает с конфиденциальными данными -- коммерческая информация о сделках, данные клиентов. Безопасность заложена на уровне архитектуры, а не «добавлена потом».

Разграничение доступа (RBAC):

Аутентификация и шифрование:

Аудит и мониторинг:

Защита от уязвимостей:

On-premise развёртывание:

6. Условия оплаты

Все суммы указаны с учётом всех налогов и сборов.

График оплаты работы команды

№ Момент Сумма
1 Предоплата при подписании договора 190 000 ₽
2 По завершении Этапа 0 (исследование и архитектура утверждены) 190 000 ₽
3 По завершении Этапа 1 (интеграция с Grace CRM работает, данные синхронизируются) 240 000 ₽
4 По завершении Этапа 2 (Recommendation Agent + Telegram-бот запущены) 250 000 ₽
5 По завершении Этапа 3 (тестирование, деплой, обучение, пилот пройден) 117 600 ₽
Итого 987 600 ₽

Каждый этап завершается подписанием акта приёмки.

Инфраструктурные расходы (~100 000 ₽) оплачиваются заказчиком отдельно по необходимости и согласованию.

7. Сроки

Этап Длительность Ориентировочные даты
0. Исследование и архитектура 2 недели Апрель 2026 (2–3 неделя)
1. Интеграция + синхронизация данных 3 недели Май 2026 (1–3 неделя)
2. Recommendation Agent + TG 3 недели Май–Июнь 2026
3. Тестирование и внедрение 2 недели Июнь 2026 (3–4 неделя)
Итого Фаза 1 ~10 недель Апрель -- конец Июня 2026

8. О компании LeanTech

LeanTech -- бережливые технологии управления.

Мы работаем на стыке трёх дисциплин: Lean-методология + AI-агенты + развитие людей. Как показывает практика передовых компаний, именно это сочетание даёт конкурентные преимущества, недостижимые ни через «чистый Lean», ни через «чистый AI», ни через классический консалтинг по отдельности.

Наш подход: сначала разобраться как работает бизнес, понять где AI усилит людей, а не заменит их -- и только потом строить систему. Поэтому Этап 0 для нас не формальность, а основа всего проекта.

Релевантный опыт:

9. Следующие шаги

  1. Обсудить и согласовать данное предложение.

  2. Утвердить условия оплаты.

  3. Подписать договор.

  4. Запустить Этап 0 -- исследование API Grace CRM.

Предложение действительно до 30.04.2026.

Контакт: Левицкий А.Е., LeanTech

Product Requirements Document (PRD)

AI-ассистент для менеджеров продаж ITECH (Grace CRM)

Версия документа: 1.0 Дата: [Текущая дата] Автор: [Имя автора/Команда продукта] Статус: Черновик на согласование

1. Введение и обзор продукта

1.1. Видение продукта

AI-ассистент для менеджеров продаж ITECH (далее -- Grace CRM Assistant) -- это мультиагентная система на базе больших языковых моделей (LLM), внедряемая поверх корпоративной CRM-системы Grace (grace.i-tech.su). В основе архитектуры -- набор специализированных AI агентов, каждый из которых обладает доступом к инструментам (tool calls), долгосрочной памятью и способностью к рассуждению (reasoning). Агенты автономно анализируют состояние проектов, формируют рекомендации, рассчитывают прогнозы и отправляют уведомления -- без ручной настройки правил. Со временем система накапливает паттерны успешных сделок компании и повышает качество рекомендаций.

1.2. Проблема и обоснование

В ООО «АйТек» существуют следующие болевые точки в процессе продаж:

1.3. Цели и задачи

Основная цель продукта: Повысить эффективность работы отдела продаж ООО «АйТек» за счет автоматизации, аналитики и персонализированных рекомендаций на базе ИИ.

Ключевые задачи (OKR):

  1. Повысить дисциплину заполнения CRM: Увеличить средний коэффициент качества (Кк) по отделу на 30% в течение 6 месяцев после запуска.

  2. Снизить потери проектов: Уменьшить количество «спящих» клиентов (нет активности >3 мес.) на 25% за квартал.

  3. Повысить прозрачность и мотивацию: Обеспечить 100% менеджеров доступом к прогнозу премии в реальном времени.

  4. Ускорить онбординг: Сократить среднее время выхода нового менеджера на стандартную продуктивность на 20%.

2. Анализ целевой аудитории

2.1. Пользователи и их роли

Роль Количество Ключевые задачи в системе Ключевые потребности
Менеджер по продажам ~10-15 чел. Ведение проектов, получение напоминаний, просмотр своего дашборда и прогноза премии, прохождение обучения. Четкие подсказки, простота интерфейса, мотивация через прозрачный расчет премии.
Ведущий менеджер Несколько чел. Все функции менеджера + доступ к расширенной аналитике по своим проектам/клиентам. Углубленная аналитика, инструменты для наставничества.
Руководитель отдела продаж (РОП) 1 чел. Мониторинг общей воронки, аналитика по эффективности команды, доступ ко всем данным о премиях (с разграничением). Обзорные дашборды, данные для планирования, выявление узких мест.
Заместитель ГД по развитию 1 чел. Стратегический обзор воронки, прогноз выручки, анализ по ключевым клиентам. Высокоуровневая аналитика, прогнозные модели.

2.2. Контекст использования

3. Детальное описание основных функций (Core Features)

3.1. Мониторинг качества данных CRM

3.2. Умные напоминания и рекомендация «Следующего шага»

3.3. Калькулятор премии в реальном времени

3.4. Аналитический дашборд воронки продаж

3.5. Обучающий модуль

3.6. Интеграция с Grace CRM API

4. Технические и бизнес-ограничения

4.1. Технические ограничения

  1. Интеграция только через API Grace CRM. Прямого доступа к базе данных нет. API самописное, требуется тщательное изучение документации (ее наличие уточняется) и проведение стресс-тестирования.

  2. Миграция на 1С ЕРП. До 01.07.2026 учет производства ведется в ВМС, затем планируется переход. Модули, связанные с производственными сроками (фаза 2), должны проектироваться с учетом будущей миграции (абстрактный слой данных).

  3. Нормы времени в Excel. Интеграция с производственными нормативами отложена на фазу 2. В фазе 1 расчеты ведутся только на данных CRM.

  4. Производительность. Система должна работать с объемом данных: ~1000 клиентов, ~700 активных проектов, ~15 одновременных пользователей без деградации производительности.

4.2. Бизнес-ограничения и политики

  1. Поэтапность разработки:

    • Фаза 1 (MVP): Модуль продаж (пп. 3.1, 3.2, 3.3, 3.6). Запуск в пилот.

    • Фаза 2: Расширенная аналитика (п. 3.4), интеграция с нормативами из Excel, модуль для производства.

    • Фаза 3: Полноценная интеграция с 1С ЕРП, модуль проектирования.

  2. Конфиденциальность данных. Строгое разграничение доступа:

    • Менеджер: Видит только свои проекты, свою аналитику, свой прогноз премии.

    • РОП/Ведущий: Видит данные по своим подчиненным/направлению.

    • Зам. ГД: Имеет доступ ко всей аналитике, но без данных о персональных премиях менеджеров (только агрегаты).

    • Реализуется на уровне API-запросов и логики приложения.

  3. Регламент. Все бизнес-правила (правила проверки, формулы) должны быть вынесены в конфигурационные файлы или админ-панель для оперативного изменения без релизов.

5. Соображения по реализации

5.1. Мультиагентная архитектура

Система построена на фреймворке Agno (Python). Agno реализует концепцию Agent Teams: каждый агент -- объект класса Agent с декларативно заданными инструментами, памятью и базой знаний; команда агентов управляется объектом Team, который маршрутизирует задачи и объединяет результаты.

┌────────────────────────────────────────────────────────┐│              Sales Team  (agno.Team)                   ││    mode=coordinate │ leader: Orchestrator Agent        │└──────┬──────────┬──────────┬──────────┬───────────────┘       │          │          │          │┌──────▼──┐ ┌────▼────┐ ┌───▼───┐ ┌───▼──────────┐│  CRM    │ │ Recom-  │ │ Bonus │ │ Notification ││ Monitor │ │mendation│ │ Calc. │ │    Agent     ││  Agent  │ │  Agent  │ │ Agent │ │(TG / e-mail) │└──────┬──┘ └────┬────┘ └───┬───┘ └──────────────┘       │          │          │┌──────▼──────────▼──────────▼──────────────────────────┐│              Tool Layer  (agno.tools + custom)        ││  Grace CRM API │ PostgreSQL (agno.storage) │ pgvector  ││                │ (agno.knowledge / RAG)               │└───────────────────────────────────────────────────────┘

Агенты системы (agno.Agent):

Агент Роль Инструменты (tools) LLM
Orchestrator Agent Лидер Team: принимает входящую задачу, делегирует агентам, агрегирует результат; при критических ситуациях инициирует эскалацию к РОПу schedule_task, route_to_agent, escalate_to_rop GPT-4o
CRM Monitor Agent Проверяет каждый проект на соответствие регламенту, рассчитывает персональный Кк get_projects, check_required_fields, update_kk_score, flag_project GPT-4o-mini
Recommendation Agent Анализирует контекст проекта, ищет паттерны успешных сделок через agno.knowledge (pgvector RAG), генерирует рекомендацию следующего шага get_project_context, get_activity_history, vector_search_similar_deals, write_recommendation GPT-4o
Bonus Calc Agent Детерминированный расчёт прогноза квартальной премии по формуле П = [Σ((Пр × Ку) − КРр)] × Кк; LLM используется только для форматирования объяснения get_manager_projects, get_kk_score, get_stage_coefficients, calculate_bonus GPT-4o-mini
Notification Agent Форматирует и доставляет сообщения в Telegram / e-mail; адаптирует стиль под роль получателя send_telegram, send_email, format_message_for_role GPT-4o-mini

Ключевые возможности Agno, используемые в проекте:

Типы памяти агентов:

5.2. Высокоуровневая архитектура системы

5.3. Технологический стек

Слой Технология Обоснование
Агентный фреймворк Agno (agno.Agent, agno.Team) Лёгкий, Pythonic API; нативная поддержка Teams, pgvector RAG, PostgreSQL storage; встроенный мониторинг через agno.io
LLM (основной) OpenAI GPT-4o / GPT-4o-mini Function calling, высокое качество reasoning, tool use; нативная интеграция в Agno
LLM (резервный) Google Gemini 1.5 Pro Fallback при недоступности OpenAI; нативная интеграция в Agno
Векторная БД pgvector + agno.knowledge.PgVector2 RAG по истории сделок без отдельного сервиса; управляется через Agno из коробки
Хранилище агентов agno.storage.PostgresStorage Персистентная память сессий агентов в PostgreSQL
Бэкенд Python 3.12 + FastAPI Async, нативная совместимость с Agno
Фронтенд React 18 + TypeScript Компонентность, скорость разработки
UI-библиотека Ant Design Таблицы, дашборды, форм-контролы из коробки
Реляционная БД PostgreSQL 16 Хранение кэша CRM, логов, истории уведомлений
Кеш / очередь Redis 7 + Celery Планировщик запуска агентов, кеш справочников
Интеграция с Grace REST API (HTTP/JSON) Единственный поддерживаемый канал доступа
Уведомления python-telegram-bot Telegram-бот для менеджеров
Наблюдаемость agno.io + Sentry Встроенный трейсинг вызовов агентов; мониторинг ошибок
Деплой Docker Compose Простота развёртывания on-premise

5.4. Безопасность и разграничение доступа

6. Дорожная карта (Roadmap)

Фаза 1 -- MVP (срок: 2–3 месяца после старта)

Цель: Запустить в пилот ключевые модули для отдела продаж.

Спринт Задачи
Спринт 1–2 Изучение API Grace CRM. Разработка схемы БД. Базовая аутентификация. Docker-окружение.
Спринт 3–4 Модуль синхронизации данных с Grace CRM (п. 3.6). Расчёт Кк (п. 3.1).
Спринт 5–6 Калькулятор премии (п. 3.3). Умные напоминания и Telegram-бот (п. 3.2).
Спринт 7–8 Фронтенд: личный дашборд менеджера, виджет Кк, прогноз премии. Тестирование. Пилот.

Критерии готовности MVP: Все менеджеры могут видеть свой Кк и прогноз премии. Telegram-уведомления работают. Синхронизация с Grace без ошибок > 48 часов.

Фаза 2 -- Расширенная аналитика (срок: 2–3 месяца после MVP)

Фаза 3 -- Интеграция с 1С ЕРП (срок: после 01.07.2026)

7. Метрики успеха

7.1. Ключевые показатели эффективности (KPI)

Метрика Базовое значение Целевое значение Срок
Средний Кк по отделу < 0.7 (оценка) ≥ 0.91 +6 мес. после запуска
Доля менеджеров с Кк ≥ 0.85 < 50% ≥ 80% +3 мес.
Количество «спящих» клиентов (>3 мес.) Базовый замер −25% +1 квартал
Время выхода нового менеджера на норму ~3 месяца ≤ 2.5 месяца +6 мес.
Доля менеджеров, использующих систему ежедневно 0% ≥ 85% +2 мес. после запуска
Количество ошибок синхронизации с Grace CRM -- < 0.1% запросов Постоянно

7.2. Метрики качества продукта

8. Риски и митигация

# Риск Вероятность Влияние Митигация
R1 API Grace CRM закрытое / плохо документированное Высокая Критическое Провести spike (2 недели) на изучение API до старта разработки. Предусмотреть прямой SQL-доступ как fallback (согласовать с вендором).
R2 Сопротивление менеджеров внедрению (change management) Средняя Высокое Вовлечь 2–3 «чемпионов» из команды продаж на этапе дизайна. Показать прямую выгоду через прозрачность премии.
R3 Изменение формулы расчёта премии / регламента CRM Средняя Среднее Вынести все бизнес-правила в конфигурационные файлы. Обеспечить возможность изменений без релизов.
R4 Задержка миграции на 1С ЕРП (>01.07.2026) Средняя Низкое Фаза 3 не входит в MVP. Архитектура фазы 1–2 проектируется с абстрактным слоем данных.
R5 Нехватка ресурсов разработки Средняя Высокое Зафиксировать минимальный состав команды (1 бэкенд + 1 фронтенд + 1 PM/аналитик) до старта.
R6 Утечка конфиденциальных данных о премиях Низкая Критическое Строгий RBAC, аудит-лог, тестирование безопасности перед запуском. Принцип минимальных прав.

9. Открытые вопросы и следующие шаги

9.1. Открытые вопросы

  1. API Grace CRM: Существует ли официальная документация? Поддерживаются ли вебхуки? Каков лимит запросов в минуту?

  2. Формула Кк: Финальная формула и веса для каждой проверки -- требует утверждения РОПом и Зам. ГД.

  3. Telegram-бот: Разрешено ли корпоративными политиками использование Telegram для рабочих уведомлений? Альтернатива -- корпоративный мессенджер.

  4. Хостинг: Определить конкретный сервер / инфраструктуру для деплоя (on-premise или корпоративное облако).

  5. Команда: Кто несёт ответственность за разработку -- внутренняя команда ООО «АйТек» или внешний подрядчик?

9.2. Следующие шаги

Документ подготовлен на основе материалов: «Правила заполнения данных CRM-системы. Продажи» (24.06.2024), «Бонусная политика ITECH», внутренних интервью с РОПом и менеджерами.

Техническое задание

Приложение №1 к Договору 04-002 от 24.04.2026

об оказании услуг между ООО «Экобанкинг» и ООО «АйТек»

Разработка и внедрение мультиагентной AI-системы Grace CRM Assistant

для отдела продаж ООО «АйТек»

г. Москва, 2026 г. · Версия 2.2

Исполнитель: ООО «Экобанкинг»

Заказчик: ООО «АйТек»

Договор: №04-002 от 24.04.2026

1. Общие сведения

Разработка и внедрение мультиагентной AI-системы (Grace CRM Assistant) -- набора специализированных цифровых сотрудников, автоматизирующих ключевые участки процесса продаж ООО «АйТек», а также технической платформы корпоративного управления знаниями.

2. Цель и назначение системы

Система создаётся для повышения эффективности отдела продаж ООО «АйТек» за счёт автоматизации рутинных операций, предоставления менеджерам своевременных рекомендаций и создания корпоративного поискового контура на основе накопленных знаний компании.

Система обеспечивает:

-- AI-ассистирование менеджера по продажам -- анализ контекста проектов и выработка конкретных рекомендаций по следующему шагу

-- Автоматический контроль качества и актуальности данных в Grace CRM

-- Своевременные уведомления для менеджеров, РОПа и руководства через Telegram

-- Аналитические дашборды по данным CRM через OpenSearch Dashboards

-- Поиск и получение отраслевого контекста через корпоративный поисковый контур на базе OpenSearch при формировании рекомендаций

-- Техническую платформу корпоративного управления знаниями: RAGflow + AI-агенты базы знаний

3. Состав системы -- агентная архитектура

Система состоит из двух взаимосвязанных контуров: агенты отдела продаж (Grace CRM Assistant) и агенты базы знаний. Архитектура агентов и правила эскалации утверждаются по результатам Этапа 0.

3.1 Агенты отдела продаж (Grace CRM Assistant)

Агент Вход Выход Управление / эскалация
Sync Agent Данные Grace CRM через MS SQL Актуальный индекс в OpenSearch Автоматически по расписанию / вебхук
Quality Agent Индекс CRM, правила полноты Список проектов с пробелами, сигнал в Telegram Оркестратор -> менеджер / РОП
Recommendation Agent Контекст из OpenSearch (CRM + база знаний) Рекомендация: действие, срок, обоснование Оркестратор -> менеджер; при просрочке -> РОП
Notification Agent События от агентов, роль получателя Telegram-сообщение адресату Оркестратор; при отсутствии реакции -> эскалация
Orchestrator Сигналы от всех агентов Приоритизация, маршрутизация Правила эскалации, утверждённые на Этапе 0

3.2 Агенты базы знаний

Реализуются в соответствии с методологическими требованиями и Схемой КРАБ, предоставляемыми в рамках смежного консалтингового проекта.

Агент Функция Триггер
Ingest Agent Принимает документ -> определяет блок -> создаёт/обновляет wiki-страницы в RAGflow -> обновляет индекс OpenSearch Новый документ / ручной запуск
Query Agent Принимает запрос + фильтр по блоку -> ищет в RAGflow + OpenSearch -> синтезирует ответ с цитатами Запрос от агента продаж или сотрудника
Lint Agent Сканирует базу знаний -> находит противоречия, устаревшие записи, orphaned-страницы -> формирует отчёт Еженедельно по расписанию

4. Корпоративный поисковый контур (OpenSearch)

Экобанкинг разворачивает и настраивает OpenSearch on-premise как единый поисковый и аналитический слой системы, обслуживающий оба контура: агентов продаж и базу знаний.

4.1 Интеграция с текущей БД (MS SQL -> OpenSearch)

Текущие данные АйТек хранятся в MS SQL (Grace CRM). Интеграция выполняется в два шага:

Шаг 1 -- Синхронизация: разработка коннектора MS SQL -> OpenSearch. Sync Agent извлекает данные (проекты, клиенты, статусы, история активностей) и индексирует их в OpenSearch через вебхуки и периодический полинг.

Шаг 2 -- API-слой: разработка унифицированного API поверх OpenSearch для последующего подключения внешних систем (±1С, PDM, ERP и др.) без прямого доступа к MS SQL. API предоставляет стандартизированный интерфейс чтения и записи данных.

4.2 Индексы OpenSearch

Индекс Содержимое Потребители
crm-projects Проекты, статусы, история активностей из Grace CRM Sync Agent, Quality Agent, Recommendation Agent
crm-clients Клиенты, отрасли, контакты Recommendation Agent
kb-documents Wiki-страницы базы знаний (блоки БЗ-1..БЗ-11) Query Agent, Recommendation Agent
kb-log Журнал изменений базы знаний Lint Agent

4.3 OpenSearch Dashboards

Настройка аналитических дашбордов для трёх ролей:

-- Менеджер: свои проекты, рекомендации, просроченные контакты

-- РОП: сводка по команде, динамика статусов, просроченные контакты по команде, эскалации

-- Зам. ГД: агрегированная воронка, прогноз выручки, сигналы по команде

5. Платформа базы знаний (RAGflow + AI-агенты)

5.1 RAGflow

Экобанкинг разворачивает RAGflow on-premise на сервере Заказчика:

-- Установка и настройка RAGflow (Docker, on-premise)

-- Настройка embedding-модели для русского языка (multilingual-e5 или аналог)

-- Подключение LLM-провайдера (GigaChat / YandexGPT / OpenAI -- по согласованию с Заказчиком)

-- Настройка хранилища документов (MinIO или локальная папка)

-- Настройка пайплайна: документ -> парсинг -> чанкинг -> векторизация -> индексация в RAGflow + OpenSearch

5.2 AI-агенты базы знаний

Разработка трёх агентов (Ingest, Query, Lint) в соответствии с функциональными требованиями раздела 3.2. Реализация включает:

-- Разработку скриптов Ingest-цикла: приём документа, определение блока знаний, создание/обновление wiki-страниц, обновление кросс-ссылок

-- Разработку Query-модуля: гибридный поиск (семантический + полнотекстовый) с фильтрацией по блоку, синтез ответа с цитатами

-- Разработку Lint-цикла: еженедельное сканирование, выявление противоречий (LLM-сравнение страниц), формирование отчёта, уведомление ответственного

-- Разработку веб-интерфейса прямого доступа сотрудников к базе знаний (поиск, просмотр страниц, загрузка документов)

-- Настройку RBAC: разграничение доступа к блокам знаний по ролям

Фреймворк реализации агентов определяется Исполнителем на Этапе 0 исходя из технических требований. Функциональные требования и Схема КРАБ (структура блоков, форматы страниц, правила Ingest) предоставляются Заказчиком в рамках смежного консалтингового проекта.

6. Этапы и состав работ

Этап Состав работ Срок
Этап 0 Исследование и архитектура Исследование API Grace CRM и схемы MS SQL; проектирование индексов OpenSearch; архитектура агентов обоих контуров; выбор фреймворка агентов базы знаний; ролевая модель; согласование 2 нед.
Этап 1 Инфраструктура и интеграция данных Развёртывание OpenSearch + Dashboards; коннектор MS SQL -> OpenSearch (Шаг 1); API-слой для внешних систем (Шаг 2); Sync Agent; Quality Agent; базовые дашборды 3 нед.
Этап 2 Agents + RAGflow Развёртывание RAGflow; настройка embedding и LLM; Ingest Agent, Query Agent, Lint Agent; Recommendation Agent с подключением к поисковому контуру; Telegram-бот; Orchestrator 3 нед.
Этап 3 Тестирование, внедрение Интеграционное и нагрузочное тестирование всех модулей; тестирование безопасности; веб-интерфейс базы знаний; деплой on-premise; обучение; пилот 2 нед.
ИТОГО ~10 нед.

Этап 0. Результаты:

-- Документ «Техническое описание архитектуры» -- роль, вход, выход и правила для каждого агента обоих контуров

-- Схема индексов OpenSearch (4 индекса, форматы документов, правила фильтрации)

-- Схема интеграции MS SQL -> OpenSearch (коннектор, периодичность, обработка конфликтов)

-- Спецификация API-слоя для внешних систем

-- Описание ролевой модели (RBAC) -- агенты продаж + база знаний

-- Выбор фреймворка и архитектура агентов базы знаний

-- Работающее окружение для разработки

Этап 1. Критерии приёмки:

-- OpenSearch развёрнут, базовые дашборды доступны по ролям

-- Данные из Grace CRM (MS SQL) корректно синхронизируются в индексы crm-projects и crm-clients

-- API-слой возвращает корректные ответы на тестовые запросы

-- Quality Agent формирует сигналы о пробелах в данных; очередь задач работает без потерь

Этап 2. Критерии приёмки:

-- RAGflow развёрнут, embedding-модель и LLM-провайдер настроены

-- Ingest Agent принимает тестовый документ -> создаёт wiki-страницу -> индексирует в OpenSearch

-- Query Agent возвращает релевантный ответ с цитатой за ≤ 5 сек.

-- Lint Agent формирует тестовый отчёт о состоянии базы знаний

-- Recommendation Agent формирует рекомендации с использованием данных CRM и поискового контура

-- Telegram-бот доставляет уведомления по ролям, эскалация работает корректно

Этап 3. Критерии приёмки:

-- Система развёрнута на production-сервере Заказчика и работает в штатном режиме

-- Веб-интерфейс базы знаний доступен сотрудникам по ролям

-- RBAC корректен на всех эндпоинтах обоих контуров; audit log ведётся

-- Проведено обучение: менеджеры (2–3 группы), РОП, зам. ГД, ответственный за базу знаний

-- Пилотная эксплуатация завершена, критические замечания устранены

7. Требования к безопасности и доступу

Роль Права доступа
Менеджер Свои проекты, аналитика, рекомендации; блоки БЗ-7, БЗ-8, БЗ-9, БЗ-11
РОП Проекты и аналитика по команде, эскалации; те же блоки базы знаний
Зам. ГД Агрегированная аналитика; БЗ-7, БЗ-8
Ответственный за блок Загрузка документов, просмотр и редактирование своего блока базы знаний
Администратор Конфигурация агентов, пользователей, RBAC; доступ к логированию

Технические меры безопасности:

-- JWT-аутентификация + двухфакторная аутентификация для администраторов

-- Весь трафик -- HTTPS (TLS 1.3)

-- API-ключи LLM-провайдеров и Grace CRM хранятся в защищённом хранилище

-- Все действия пользователей фиксируются с указанием времени, роли и действия (audit log)

-- Валидация входных данных; мониторинг аномалий

Развёртывание on-premise: вся система размещается на внутреннем сервере Заказчика. Данные не покидают периметр компании. К LLM-провайдеру передаются только обезличенные контексты. Соответствие 152-ФЗ.

8. Требования к инфраструктуре

Инфраструктурные расходы оплачиваются Заказчиком отдельно. Приведённые цифры носят ориентировочный характер; фактические расходы фиксируются ежемесячно и выставляются отдельными счётами по согласованию сторон.

Статья В месяц
LLM API + AI-инструменты разработки ~30 000 ₽
Сервер для разработки (если нет собственного) ~12 500 ₽

При наличии собственного сервера Заказчика статья «Сервер» не включается в расчёт.

Минимальные требования к production-серверу:

-- OpenSearch: 16 GB RAM, 4 CPU, SSD 200+ GB

-- RAGflow + агентный слой: 8 GB RAM, 4 CPU, SSD 100+ GB (GPU рекомендуется для embedding)

-- ОС: Linux (Ubuntu 22.04+)

10. Обязательства сторон

Исполнитель обязуется:

-- Выполнить работы в соответствии с настоящим ТЗ в установленные сроки

-- По завершении каждого этапа предоставить акт приёмки с описанием выполненных работ

-- Обеспечить конфиденциальность данных Заказчика

-- Провести обучение пользователей и предоставить инструкции в рамках Этапа 3

-- Реализовать агенты базы знаний в соответствии с Функциональными требованиями и Схемой КРАБ, предоставленной Заказчиком

Заказчик обязуется:

-- Предоставить доступ к API Grace CRM, схеме и данным MS SQL

-- Выделить ответственного представителя для участия в согласованиях на Этапе 0

-- Предоставить Схему КРАБ (структура блоков, форматы страниц, правила Ingest) до начала Этапа 2

-- Обеспечить production-сервер, удовлетворяющий требованиям раздела 8

-- Обеспечить доступ к тестовым данным для настройки и тестирования OpenSearch-индексов

-- Производить оплату в соответствии с графиком платежей

11. Порядок приёмки работ

По завершении каждого этапа Исполнитель направляет Заказчику уведомление о готовности и акт приёмки. Заказчик в течение 3 (трёх) рабочих дней проверяет результаты на соответствие критериям приёмки (раздел 6) и подписывает акт либо направляет мотивированный отказ. Исполнитель устраняет замечания в согласованные сроки. Приёмка Этапа 3 завершает выполнение всех работ по настоящему ТЗ.

Приложение №1 к Договору 04-002 · Версия 2.2 · апрель 2026 · Наполнение базы знаний и методология -- в рамках смежного консалтингового проекта.