Клиент развивал крупную платформу недвижимости в Грузии. Пользователи платформы — покупатели, инвесторы и брокеры — задавали много повторяющихся вопросов: по районам, объектам, доходности, инфраструктуре, рынку аренды и покупке недвижимости.
До проекта значительная часть консультаций проходила через менеджеров и риэлторов. Это создавало нагрузку на команду, замедляло первичную обработку обращений и не позволяло масштабировать консультации без увеличения операционной команды.
В рамках proptech-платформы был разработан AI-консультант, который помогает покупателям, инвесторам и брокерам разбираться в объектах, районах, инвестиционных метриках и сценариях покупки недвижимости. Система работает на RAG-архитектуре, использует базу знаний, intent recognition, API-слой, Pinecone и интеграции с сайтом, Telegram-ботом и CRM.
Сформировали базу знаний
База знаний собиралась на протяжении всего цикла разработки. В нее попадали данные о районах, инфраструктуре, объектах, рыночных показателях, правилах расчета метрик, справочные материалы, FAQ, внутренние документы и данные платформы.
Спроектировали intent recognition
Система определяет тип запроса: подбор района, подбор объекта, сравнение районов, объяснение инвестиционной метрики, общий вопрос по рынку, запрос аналитики, уточнение условий или необходимость передачи менеджеру.
Разработали agents/connectors для базы знаний
Для наполнения базы знаний были подготовлены источники и коннекторы. Они постепенно подключали данные платформы, справочные материалы, FAQ, рыночные данные и описание пользовательских сценариев.
Построили RAG-архитектуру на Pinecone
Для поиска релевантного контекста использовался retrieval-подход и векторное хранилище Pinecone. Ответ консультанта формировался на основе найденных знаний, prompt templates, ограничений сценария и текущего намерения пользователя.
Реализовали API на Python / FastAPI
API-слой обеспечивал доступ к архитектуре консультанта: прием запроса, определение intent, retrieval, генерацию ответа, fallback-логику, логирование и передачу результата в сайт, Telegram-бот или CRM.
Интегрировали консультанта в воронку продаж
Консультант был встроен не как отдельный чат, а как часть клиентского пути: от первичного вопроса до уточнения потребности, объяснения данных, подбора сценария и передачи квалифицированного обращения в CRM.
Пожаловаться
