От данных к объяснению
Почему не голосовой агент
Консультации по процентам слишком разнообразны, чтобы автоматизировать полностью — у каждого вклада своя комбинация условий. Здесь нужен не автономный агент, а инструмент контекстной поддержки оператора.
Агент не заменяет консультацию и не принимает решений за оператора. Его задача — проанализировать расчёт и выдать готовую сводку прямо в интерфейсе.
Не заменить оператора, а провести аналитику
Что выдаёт агент
В сводке отражается:
- Корректны ли начисленные проценты или применённая ставка
- Какие факторы повлияли на итоговый результат (период, надбавки, операции)
- На что обратить внимание при объяснении клиенту
Если в расчётном периоде менялись условия — агент подсвечивает эти изменения и их влияние.
Две точки входа
Сначала рассматривали вариант с одной точкой входа, где агент отвечает на всё сразу — и по ставке, и по надбавкам, и по капитализации. Не сработало: слишком много информации в одном ответе, польза размывалась, агент путался, а текст при успешном ответе получался неподъёмным.
Я предложил разделить агента на два сценария с отдельными точками входа. Благодаря разделению ответ стал точным и предметным: оператор получает сводку именно по тому вопросу, с которым пришёл клиент.
Ответ агента — готовая сводка с анализом ставки и начислений для оператора
Архитектура
В контуре задействованы два агента и валидатор. Агент «Занять и Сберегать» (смежная команда) собирает данные по вкладу. Наш основной агент анализирует расчёт и формирует сводку. Валидатор проверяет ответ перед выводом.
Весь флоу агента — от запроса оператора до готовой сводки, включая промежуточные состояния
Что не сработало с первого раза
Агент придумывал данные и использовал аббревиатуры
Модель дополняла ответ «из головы», использовала внутренние аббревиатуры (например, «ПОС») и сложные банковские термины. Формат ответа каждый раз отличался.
Жёсткие ограничения в промпте
Зафиксировали формат вывода, составили правила замены аббревиатур на понятные термины, запретили агенту использовать что‑либо кроме данных из API.
Языковая модель склонна дополнять ответ «из головы». Для инструмента оператора это критично — любая выдумка подрывает доверие. Жёсткие ограничения в промпте оказались важнее, чем «умные» инструкции.
