AI-Support: AI-диспетчер (L0):

   Промпт-инжиниринг для классификатора: JSON-структура на выходе.

1. Управленческая задача: Детерминированная классификация запросов AI.
Промпт-инжиниринг (Prompt Engineering — проектирование запросов) для классификатора с JSON-структурой (JavaScript Object Notation — текстовый формат обмена данными) на выходе — это ключевой инструмент для создания надежной и предсказуемой L0 (нулевой линии) поддержки на базе искусственного интеллекта. Цель — научить AI-агента (через Open WebUI) не просто "отвечать" на вопросы, а четко классифицировать входящие клиентские запросы по заданным параметрам и выдавать результат в машиночитаемом формате. Это позволяет n8n автоматически обрабатывать результат классификации, направляя запрос по верному маршруту без вмешательства человека. Без детерминированного вывода от ИИ, его ответы будут непредсказуемы и непригодны для автоматизации.

2. Суть промпт-инжиниринга для классификации.

• Задача: Мы не просим ИИ ответить на вопрос, а просим его "проанализировать" текст запроса и "выдать" его характеристики.
• Роль ИИ: ИИ выступает в роли "эксперта-аналитика", который разбирает входящее сообщение клиента и заполняет "отчет" по заданному формату.
• Формат вывода: JSON выбран как универсальный, машиночитаемый формат, который легко парсится (анализируется) n8n.

3. Структура промпта и ожидаемый JSON-вывод.
Промпт должен четко инструктировать ИИ о его роли, задаче, доступных категориях и требуемом формате вывода.

• Системный промпт (инструкция для ИИ):
  "Ты — IT-диспетчер, твоя задача — классифицировать входящие обращения клиентов. Извлеки следующую информацию из текста запроса клиента и предоставь её в формате JSON.
  • type: Тип запроса (выбери один из: 'Инцидент', 'Запрос на обслуживание', 'Консультация', 'Финансовый вопрос', 'Спам').
  • priority: Приоритет (выбери один из: 'P1-Критический', 'P2-Высокий', 'P3-Средний', 'P4-Низкий').
  • keywords: Список ключевых слов (не более 3), описывающих проблему.
  • summary: Краткое перефразированное описание сути проблемы (до 20 слов).
  • confidence: Уровень уверенности в классификации (число от 0 до 100).
  • asset_type: Тип актива, если упомянут (выбери один из: 'Сервер', 'ПК', 'Ноутбук', 'Принтер', 'Сеть', 'ПО-1С', 'ПО-CRM', 'Сайт', 'Неизвестно').
    Строго придерживайся JSON-формата, никаких дополнительных слов или объяснений вне JSON."
• Пример входящего запроса клиента: "У меня не работает 1С, я не могу подключиться к серверу. Это очень срочно, бухгалтерия стоит."
• Ожидаемый JSON-вывод от AI:

{

"type": "Инцидент",

"priority": "P1-Критический",

"keywords": ["1С", "сервер", "нет подключения"],

"summary": "Недоступность сервера 1С, критический простой бухгалтерии.",

"confidence": 95,

"asset_type": "Сервер"

}

4. Интеграция с n8n.

• Вызов AI: n8n отправляет запрос клиента в Open WebUI с этим промптом.
• Парсинг JSON: n8n получает JSON-ответ от AI и легко разбирает его на отдельные поля.
• Условная логика: Далее n8n использует эти поля для условной логики:
  • Если type == "Спам" -> Отклонить тикет.
  • Если confidence < 80 -> Переслать L1 для ручной классификации.
  • Если type == "Инцидент" и priority == "P1-Критический" -> Создать тикет P1 в Vtiger, создать задачу в OpenProject, уведомить дежурного инженера и руководителя.
  • Иначе -> Создать тикет в Vtiger с полученным типом и приоритетом.

5. Управленческие выгоды.

• Автоматизация L0: Значительное снижение нагрузки на L1-операторов по первичной обработке.
• Скорость: Мгновенная классификация и маршрутизация 24/7.
• Уменьшение ошибок: ИИ следует строгому алгоритму.
• Масштабируемость: Система обработки легко справляется с большим объемом запросов.
• Детерминированность: Результат предсказуем и машиночитаем, что критично для дальнейшей автоматизации.

   Сценарий n8n: "Если AI уверен < 80% -> переслать человеку".

1. Управленческая задача: Создание "умной" L0, которая знает свои пределы.
Сценарий n8n "Если AI уверен < 80% -> переслать человеку" — это ключевой элемент построения надежной и безопасной L0 (нулевой линии поддержки) на базе искусственного интеллекта. AI-агенты эффективны в обработке типовых и однозначных запросов, но могут "галлюцинировать" или ошибаться в сложных, неоднозначных случаях. Цель — создать механизм контроля качества AI-классификации, который гарантирует, что ни один критически важный или сложный запрос не будет ошибочно обработан автоматикой. Это позволяет извлекать максимальную выгоду от AI, минимизируя при этом риски его ошибок, и поддерживать высокий уровень качества обслуживания.

2. Механизм работы "Уровня уверенности" (Confidence Score).

• Confidence Score (уровень уверенности): При промпт-инжиниринге для AI-классификатора (через Open WebUI) мы явно просим модель вернуть не только классификацию, но и "confidence" (число от 0 до 100), показывающее, насколько ИИ уверен в своем ответе.

• Пример JSON-вывода от AI:

  {

  "type": "Инцидент",

  "priority": "P1-Критический",

  "summary": "Недоступность сервера 1С.",

  "confidence": 95, // Высокая уверенность

  "asset_type": "Сервер"

  }

  {

  "type": "Консультация",

  "priority": "P4-Низкий",

  "summary": "Непонятный запрос от клиента, возможно, о новой функции.",

  "confidence": 65, // Низкая уверенность

  "asset_type": "Неизвестно"

  }

  ›

3. Реализация сценария в n8n.
После того как n8n отправил запрос клиента в Open WebUI и получил JSON-ответ с классификацией и уровнем уверенности:

• Блок "Set" (Установка переменных): n8n извлекает значение confidence из JSON-ответа и сохраняет его в переменную.
• Блок "If" (Условный оператор): Это ключевой блок логики. Он проверяет условие: if (confidence < 80).
  • Ветвь "True" (Истина): Если уверенность ниже установленного порога (например, 80%), n8n не продолжает автоматическую обработку. Вместо этого он:
    • Создает тикет в Vtiger со статусом "Нужна ручная классификация" и высоким приоритетом.
    • Присваивает этот тикет L1-оператору или дежурному менеджеру.
    • Добавляет внутренний комментарий: "AI не уверен в классификации, требуется ручная проверка."
    • Может отправить уведомление L1-оператору (Email/Telegram).
  • Ветвь "False" (Ложь): Если уверенность >= 80%, n8n продолжает автоматизированный процесс:
    • Создает тикет в Vtiger с классификацией от AI.
    • Создает задачу в OpenProject.
    • Запускает таймеры SLA.
    • И так далее, по основной логике автоматизации.

4. Настройка порога уверенности.
Порог 80% — это пример. Он должен быть установлен эмпирически (на основе опыта) и корректироваться в процессе эксплуатации.

• Высокий порог (90%+): Меньше ошибок AI, но больше ручных перепроверок.
• Низкий порог (60%-): Больше автоматизации, но выше риск ошибок AI.
  Задача собственника — найти оптимальный баланс между автоматизацией и качеством.

5. Управленческие выгоды.

• Сохранение качества обслуживания: Клиент не получает неверные ответы или неверную маршрутизацию из-за ошибок AI.
• Минимизация рисков: Критические запросы не остаются без внимания из-за некорректной автоматической классификации.
• Оптимизация работы L1: L1-операторы занимаются только сложными и неоднозначными случаями, а не рутинной работой.
• Улучшение AI: Кейсы с низкой уверенностью можно использовать для дообучения или корректировки промптов AI, делая его со временем более точным.
• Гибкость: Возможность динамически настраивать порог в зависимости от нагрузки или требований.