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: AI-помощник продавца -- агенты анализируют контекст каждого проекта, находят похожие успешные сделки через КРАБ (Корпоративную Распределённую Адаптивную Базу знаний) и формулируют конкретную стратегию: кому позвонить, что предложить, какой шаг сработал в аналогичной ситуации. Менеджер получает готовую рекомендацию в Telegram -- не отчёт, а инструкцию к действию. Контроль качества данных CRM -- система автоматически отслеживает полноту и актуальность данных по каждому проекту, подсвечивает то, что требует внимания. РОП видит реальную картину по команде без ручного сбора информации. Умные уведомления -- Telegram-бот с напоминаниями, рекомендациями и эскалациями, адаптированными под роль получателя: менеджер, РОП, зам. ГД получают разную информацию в нужный момент. 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: Агент анализирует полный контекст проекта: стадию, историю взаимодействий, тип клиента, отрасль, давность последнего контакта. Через КРАБ агент ищет похожие успешные сделки из истории АйТек -- например, как продвигалась аналогичная поставка ГРЩ для жилого комплекса, какие шаги привели к подписанию договора. Агент выдаёт конкретную рекомендацию на естественном языке с указанием действия, срока и обоснования. Рекомендация приходит в Telegram-бот (приоритет) или отображается в CRM. «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: Проектирование агентной архитектуры -- для каждого агента нужно чётко определить роль, входные данные, правила работы и критерии эскалации. Без этого система не будет работать предсказуемо, даже если код написан правильно. КРАБ -- качество рекомендаций агента напрямую зависит от того, как структурированы данные о сделках АйТек. Это исследовательская работа, которая требует глубокого погружения в специфику электрощитового производства. Промпт-инжиниринг -- рекомендации должны быть практичными и говорить языком менеджера АйТек, а не общими фразами. Интеграция с Grace CRM -- нестандартное API требует отдельного исследования и построения надёжного слоя синхронизации. Обучение команды -- система даёт результат только тогда, когда менеджеры понимают как с ней работать и доверяют её рекомендациям. Это часть проекта, а не опция. 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): Менеджер видит только свои проекты и свою аналитику -- и ничего больше. РОП видит данные по своим подчинённым. Зам. ГД -- доступ к агрегированной аналитике по команде. Фильтрация данных реализуется на уровне API-запросов -- даже при прямом обращении к API невозможно получить чужие данные. Аутентификация и шифрование: JWT-аутентификация с 2FA для администраторов. Весь трафик -- HTTPS (TLS 1.3). API-ключи LLM-провайдеров и Grace CRM хранятся в защищённом хранилище (Vault), не в коде. Аудит и мониторинг: Все действия пользователей фиксируются в audit log: кто, когда, что просматривал или менял. Мониторинг аномалий через Sentry. Защита от уязвимостей: Валидация всех входных данных через Pydantic. Parameterized queries для всех SQL-запросов (защита от инъекций). Тестирование безопасности включено в Этап 3 как обязательный блок работ. On-premise развёртывание: Вся система разворачивается на внутреннем сервере АйТек -- данные не покидают периметр компании. Исключение: запросы к LLM-провайдеру -- передаются только обезличенные контексты проектов. 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: Проектирование мультиагентных AI-систем с архитектурой RAG и корпоративными базами знаний Внедрение CRM и автоматизация процессов продаж Интеграция с 1С, Bitrix24, самописными ERP и производственными системами Построение аналитических систем и дашбордов для управления командами 9. Следующие шаги Обсудить и согласовать данное предложение. Утвердить условия оплаты. Подписать договор. 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: Низкая дисциплина заполнения CRM: Неполные или неактуальные данные приводят к снижению коэффициента качества (Кк) и, как следствие, к потере части квартальной премии менеджерами. Отсутствие прозрачности в расчете премии: Менеджеры не имеют возможности в реальном времени отслеживать прогноз по своей квартальной премии, что демотивирует и не позволяет корректировать действия. Потеря проектов и клиентов: Из-за несвоевременных действий или отсутствия запланированного «следующего шага» проекты «зависают», а клиенты переходят в разряд «спящих» (>3 месяцев без активности). Длительное обучение новых менеджеров: Отсутствие встроенного обучающего модуля и четких подсказок по регламенту увеличивает время адаптации новых сотрудников. 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): Повысить дисциплину заполнения CRM: Увеличить средний коэффициент качества (Кк) по отделу на 30% в течение 6 месяцев после запуска. Снизить потери проектов: Уменьшить количество «спящих» клиентов (нет активности >3 мес.) на 25% за квартал. Повысить прозрачность и мотивацию: Обеспечить 100% менеджеров доступом к прогнозу премии в реальном времени. 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 Рабочий инструмент: Grace CRM (через браузер) + уведомления в Telegram/e-mail. Окружение: Работа с ~1000 активными клиентами и ~700 проектами одновременно. Ключевой регламент: «Правила заполнения данных CRM-системы. Продажи» (утв. 24.06.2024). 3. Детальное описание основных функций (Core Features) 3.1. Мониторинг качества данных CRM Описание: Автоматический движок правил, который анализирует каждую запись о проекте в Grace CRM на предмет соответствия регламенту. Функциональные требования: Проверка обязательных полей: Клиент, Объект, Стадия, Следующий шаг, Дата следующего контакта/действия. Проверка актуальности: Дата следующего контакта не должна быть в прошлом. Проверка логики стадий (например, стадия «КП отправлено» не может быть без прикрепленного файла КП). Расчет персонального коэффициента качества (Кк) для каждого менеджера как отношения количества корректно заполненных проектов к общему числу активных проектов. Визуализация проблемных мест в интерфейсе (например, подсветка проектов с низким качеством). Бизнес-правила: Правила проверки должны быть настраиваемыми администратором без привлечения разработчиков (через админ-панель). 3.2. Умные напоминания и рекомендация «Следующего шага» Описание: Recommendation Agent -- LLM-агент, который по расписанию или по событию получает полный контекст проекта (стадия, история активностей, тип клиента, отрасль, прошлые коммуникации) и формулирует конкретное, аргументированное действие для менеджера на естественном языке. Функциональные требования: Агент вызывает инструменты ( get_project_context, get_activity_history, get_client_profile) и на их основе генерирует рекомендацию вида: «По проекту X для клиента Y (строительная отрасль, стадия "Переговоры") -- последний контакт 18 дней назад. Рекомендую: позвонить и уточнить статус решения по КП от 10.05, предложить пилотный запуск на одном объекте. Срок: до 15.05». Агент использует RAG по истории закрытых сделок: находит похожие по отрасли и стадии проекты из векторной памяти и учитывает, какие действия привели к успеху. Агент самостоятельно решает, требует ли ситуация эскалации к РОПу (просрочка > N дней, высокая сумма, риск потери клиента) -- и уведомляет его с кратким обоснованием. Каналы доставки: Telegram-бот (приоритет), e-mail, всплывающее окно в Grace CRM. 3.3. Калькулятор премии в реальном времени Описание: Модуль, отображающий прогноз квартальной премии для менеджера на основе актуальных данных CRM. Функциональные требования: Расчет по формуле: П = [Σ((Пр × Ку) - КРр)] × Кк, где: Пр -- плановая сумма проекта. Ку -- коэффициент уверенности (берется из стадии проекта в CRM). КРр -- коэффициент риска по проекту (может зависеть от типа клиента, условий). Кк -- коэффициент качества (из п. 3.1). Отображение текущего прогноза премии, разбивки по проектам, динамики изменения за неделю/месяц. Система доступа: Данные видны только самому менеджеру и его непосредственному руководителю (РОП). Для РОП -- виджет со сводкой по всем менеджерам. Возможность «посмотреть расчет» для каждого проекта (прозрачность формулы). 3.4. Аналитический дашборд воронки продаж Описание: Интерактивная панель визуализации ключевых метрик отдела продаж. Функциональные требования: Виджеты: Воронка продаж по стадиям в динамике. Распределение проектов и сумм по менеджерам. Топ-10 «спящих» клиентов (по длительности неактивности). Прогноз закрытий на текущий/следующий квартал (на основе Ку и дат). Динамика среднего Кк по отделу. Фильтры: по менеджеру, периоду, стадии, типу клиента. Возможность выгрузки отчетов в Excel/PDF. 3.5. Обучающий модуль Описание: Интегрированный в интерфейс помощник, помогающий освоить правила работы с CRM. Функциональные требования: База знаний: Структурированные статьи и видеоинструкции на основе «Правил заполнения...» от 24.06.2024. Интерактивные туры: Пошаговые подсказки при первом входе в систему или при открытии нового раздела. Примеры: Галерея «как правильно/как неправильно» заполнены карточки проектов. Тестирование: Тесты для новых менеджеров по завершении модулей. Результаты тестов доступны РОПу. 3.6. Интеграция с Grace CRM API Описание: Технический модуль, обеспечивающий двусторонний обмен данными. Функциональные требования: Чтение данных: Синхронизация справочников (клиенты, объекты, пользователи), проектов, статусов, истории активностей. Запись данных: Обновление полей (напр., Следующий шаг по рекомендации ассистента), добавление комментариев. Режим работы: Периодический полинг (раз в N минут) или вебхуки (если API Grace поддерживает). Отказоустойчивость: Очередь сообщений, логирование ошибок, механизм повторных попыток. 4. Технические и бизнес-ограничения 4.1. Технические ограничения 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. 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). Нормы времени в Excel. Интеграция с производственными нормативами отложена на фазу 2. В фазе 1 расчеты ведутся только на данных CRM. Производительность. Система должна работать с объемом данных: ~1000 клиентов, ~700 активных проектов, ~15 одновременных пользователей без деградации производительности. 4.2. Бизнес-ограничения и политики 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. 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. 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: agno.storage .PostgresStorage -- персистентная структурированная память агентов (история сессий, кэш CRM-данных, расчёты Кк). agno.knowledge.PgVector2 -- векторная база знаний на pgvector: закрытые сделки и успешные паттерны переговоров для RAG в Recommendation Agent. agno.Team (mode="coordinate") -- Orchestrator делегирует подзадачи агентам и собирает единый ответ. Встроенный мониторинг -- Agno natively интегрируется с agno.io для трейсинга вызовов агентов и просмотра истории сессий. Типы памяти агентов: Краткосрочная (in-context / AgentMemory): история текущей сессии агента, хранится в PostgresStorage. Долгосрочная (векторная, PgVector2): закрытые сделки, удачные рекомендации, паттерны успешных переговоров -- используется Recommendation Agent через RAG. Структурированная (PostgreSQL): кэш данных Grace CRM, расчёты Кк, история уведомлений, конфигурации правил. 5.2. Высокоуровневая архитектура системы Бэкенд: Python 3.12 + FastAPI. Агентный фреймворк -- Agno ( agno.Agent, agno.Team). Планировщик агентных задач -- Celery Beat. Фронтенд: React 18 + TypeScript. Встраивается в Grace CRM как iframe или отдельный портал. Адаптивный дизайн. База данных: PostgreSQL 16 + расширение pgvector (векторная база знаний через agno.knowledge.PgVector2). agno.storage .PostgresStorage -- для персистентной памяти агентов. LLM провайдеры: OpenAI GPT-4o / GPT-4o-mini (основной), Google Gemini 1.5 Pro (резервный). Agno поддерживает оба провайдера нативно -- переключение без изменения логики агентов. Очередь задач: Celery + Redis -- фоновые запуски агентных задач по расписанию и по событиям из Grace CRM. Уведомления: Telegram Bot API (приоритет); SMTP для e-mail резерва. Деплой: Docker Compose на внутреннем сервере компании (on-premise). CI/CD через GitLab CI. 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 Аутентификация: SSO через существующую корпоративную систему (LDAP/AD) или собственный JWT с 2FA для администраторов. Авторизация (RBAC): Роли -- manager, senior_manager, rop, deputy_gd, admin. Доступ к данным фильтруется на уровне API-запросов, а не только UI. Шифрование: HTTPS (TLS 1.3) для всего трафика. Пароли и API-ключи хранятся в переменных окружения ( .env, Vault) -- не в коде. Логирование: Все действия пользователей (просмотр премий, изменение правил) фиксируются в audit log с timestamp и user_id. Персональные данные: Данные о премиях -- конфиденциальные. Передача третьим лицам запрещена. Хранятся только агрегированные данные для аналитики Зам. ГД. Защита от инъекций: Все входные данные валидируются через Pydantic. Parameterized queries для всех SQL-запросов. 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) Аналитический дашборд воронки продаж (п. 3.4) для РОП и Зам. ГД. Обучающий модуль (п. 3.5): база знаний, интерактивные туры. Расширенная фильтрация и выгрузка отчётов (Excel/PDF). Первые ML-эксперименты: предсказание вероятности закрытия сделки. Фаза 3 -- Интеграция с 1С ЕРП (срок: после 01.07.2026) Подключение к 1С ЕРП для учёта производственных норм и сроков. Расширение калькулятора премии с учётом производственных коэффициентов. Модуль проектирования и контроля производственных этапов. Полноценная интеграция с нормативной базой (Excel -> 1С ЕРП). 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 Доступность системы: ≥ 99.5% uptime в рабочие часы (Пн–Пт, 8:00–20:00 МСК). Время отклика API: P95 < 500 мс для всех эндпоинтов. Точность расчёта Кк: 100% соответствие ручному расчёту по регламенту (верифицируется на тестовых наборах). NPS системы: Опрос менеджеров через 3 месяца после запуска -- цель NPS ≥ 30. 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 API Grace CRM: Существует ли официальная документация? Поддерживаются ли вебхуки? Каков лимит запросов в минуту? Формула Кк: Финальная формула и веса для каждой проверки -- требует утверждения РОПом и Зам. ГД. Telegram-бот: Разрешено ли корпоративными политиками использование Telegram для рабочих уведомлений? Альтернатива -- корпоративный мессенджер. Хостинг: Определить конкретный сервер / инфраструктуру для деплоя (on-premise или корпоративное облако). Команда: Кто несёт ответственность за разработку -- внутренняя команда ООО «АйТек» или внешний подрядчик? 9.2. Следующие шаги Согласовать PRD с РОПом, Зам. ГД и ключевыми менеджерами (до [дата]). Провести spike по API Grace CRM -- 2-недельное исследование возможностей интеграции. Уточнить формулу Кк и утвердить правила проверки у бизнеса. Собрать команду и назначить Product Owner. Запустить Спринт 1 после согласования технического задания. 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.