Если вы пополнили ИИ баланс в проекте MoreKIT, вам откроется возможность взаимодействия с ИИ в рамках процесса MoreKIT. Данные блоки доступны в общих функциях

В данной статье будут описаны параметры и возможности при работе с ИИ

Пополнение ИИ баланса

Для использования ИИ блоков внутри MoreKIT необходимо пополнить ИИ баланс

Заходим в раздел О проекте —> оплата, пополняем ИИ баланс на любую сумму

ИИ блоки

Что умеют ИИ-блоки:

• передавать в запрос данные из схемы
• задавать инструкции для модели
• использовать ответ ИИ в следующих шагах сценария
• работать с ссылками на файлы и изображения

В MoreKIT доступно два ИИ блока: Запрос на чат-ответ и Запрос на ответ модели

По своей сути — данные блоки имеют практически аналогичный функционал, но отличаются набором некоторых параметров

Если обработка будет только текстовой информации — подойдет блок Запрос на чат-ответ

Если нужны более тонкие настройки или работа с файлами — подойдет Запрос на ответ модели

Параметры блоков

• Модель — ИИ модель, которая будет использовать для генерации ответа. Стоимость токенов зависит от модели. Например — Deepseek имеет самую дешевую цену за токены, когда модель GPT — более дорогу
• Инструкции от разработчика — своего рода «Промпт» для модели. Здесь вы указываете инструкцию, по которой будет работать модель. Это могут быть: поведение ИИ, его роль, стиль ответа и ограничения.
  90% качества ответа зависит от того, какой промпт вы зададите модели. Здесь важно не перегрузить модель большим промптом, а максимально точно описать, что нужно сделать и какой результат вы ожидаете увидеть в ответе
• Сообщение от пользователя — ваш запрос к модели.
  Именно это сообщение будет обработано с учетом инструкций разработчика
• Ссылка на изображение или ссылка на файл — URL публично доступного изображения для анализа. Поддерживаются форматы JPG, PNG, WEBP и другие, если выбранная модель умеет работать с изображениями
• Повторение токенов в ответах — Штраф за повторение уже использованных тем. 0 — значение по умолчанию. Положительные значения делают ответ более разнообразным. Чаще применяется при использовании агентной системы, когда блок учитывает прошлый ответ
• Максимальное количество используемых токенов — сколько токенов модель потратит на ответ. Чем больше значение, тем длиннее может быть ответ
• Отклонение от темы — Штраф за повторение одних и тех же слов и фраз. Большие значения уменьшают количество повторов
• Уровень рассуждений — интенсивность внутреннего анализа модели перед ответом. Уровень рассуждение может сильно влиять на качество ответов, но и потребует больше токенов. Рекомендуется для задач, когда важна точность ответа
• Формат ответа — определяет формат, в котором модель должна вернуть результат. Если вам нужен ответ в формате JSON — модель способна его вернуть. Рекомендуется, когда в зависимости от ответа модели потребуется разделять логику работы процесса
• Рандомность ответа — степень случайности генерации.
  0.2-0.5 — рекомендуется для аналитики
  0.7-1.0 — рекомендуется для более творческих ответов
  2.0 — высокая вариативность, меньше точности
• ID пользователя — используется для учета запросов, маршрутизации и аналитики. Рекомендуется передавать постоянный идентификатор (например, это может быть ID проекта внутри MoreKIT)
• Укоротить ответ — добавляет требование к лаконичности в ответе
• verbosity — Уровень детализации логов или пояснений. Высокая verbosity заставляет модель давать более развернутые, «многословные» пояснения к своим действиям
• ID предыдущего ответа — используется для создания цепочки диалога. Чтобы модель «помнила», о чем шла речь раньше, нужно передать ID предыдущего сообщения

Примеры использования

Применений ИИ блоков может быть очень много, здесь все ограничивается лишь вашей фантазией

Аналитика

Когда сделка переходит на успешный этап — собирать информацию о сделке, о контакте, о задачах из сделки и выводить менеджеру в примечание краткую аналитику

Здесь в блок Запрос на чат-ответ передаем полные данные о сделке, о контакте, о задачах сделки. ИИ проведет аналитику данных и прикрепит ее в примечание к сделке

В результате, получим вот такую краткую аналитику. Итог аналитики будет зависеть от данных, переданных в ИИ и от вашего промпта. Если нужно что-то вынести детальнее — прописывайте в промпт

Работа с файлами

Следующий пример покажет принцип работы с файлами. Здесь главное — чтобы была публичная ссылка на этот файл. Если файл доступен для скачивания и не блокируется родительским ресурсом, можно передать его в ИИ для анализа

Прикрепим в поле сделки публичный пример коммерческого предложения:

В процессе MoreKIT — передадим в блок «Запрос на ответ модели» ссылку на скачивание КП

В результате отработки процесса — получим вот такое примечание

Распознавание речи

Если у вас есть файл, который содержит в себе запись разговора — с помощью ИИ можно провести краткую аналитику разговора и закрепить информативное примечание для менеджера

В данном примере схемы — идет распознавание звукового файла с помощью сервиса tinkoff voice kit и применяется JSON схема ответа для сборки данных в примечание сделки

С помощью данной JSON-схемы, ответ от ИИ будет в JSON, его можно декодировать блоком JSON-декодировать и аккуратно разложить

Пример декодировки:

{
    "item": {
        "summary": "Клиент рассказал о текущем автоплатеже за интернет: фиксированная сумма 550 рублей списывается автоматически 25-го числа, приходит SMS об оплате, что удобно. Также клиент отметил, что если поступлений на карту сейчас не будет, пополнит ее после зарплаты и при необходимости сможет оплатить через банк/терминал. При этом клиенту неудобны наличные платежи и предпочтительнее оплата с карты.",
        "result": "Клиент в целом пользуется автоплатежом и считает его удобным, но сейчас зависит от поступления денег на карту; решение — пополнить карту после зарплаты. Явного отказа нет, есть готовность продолжать при удобном способе оплаты.",
        "client_interest": "Средний: клиент вовлечен, понимает механизм оплаты и признает удобство карты, но есть сомнения из-за текущего отсутствия поступлений.",
        "next_step": "Дождаться поступления зарплаты/средств на карту, после чего подтвердить возможность оплаты. При следующем контакте уточнить, удобно ли клиенту оставить автоплатеж и нужна ли помощь с настройкой оплаты с карты."
    }
}

В результате — получим примечание вот такого вида:

Чат-бот

Пример реализации чат-бота для квалификации лидов. Представим, что у вас есть интернет-магазин и к вам обращается клиент в мессенджере. Бот будет задавать клиенту базовые вопросы и передавать их менеджеру

Схема состоит из двух частей:

Здесь задается промпт с описанием воронки вопросов и происходит проверка флага квалификации клиента. Если флаг выключен — ИИ будет общаться, если он включен — процесс не уйдет на запрос к ИИ

Нижняя ветка схемы — первое сообщение клиента

Здесь происходит запись в поле c типом «Текстовая область» истории переписки и ответ в telegram. История переписки используются в последующих сообщениях для сохранения контекста диалога при обращении к ИИ-модели

Верхняя ветка схемы — когда первое сообщение от пользователя уже было

Здесь происходит суммаризация нового сообщения и старого, поле с диалогом перезаписывается. Также по прохождению воронки вопросов — происходит активация флага квалификации, чтобы пометить, что клиент был квалифицирован. Флаг активируется динамической проверки, ориентируясь на переменную в ответе от ИИ

{% if ID5.item.qualified %}true{% else %}false{% endif %}

В результате — получается вот такой диалог с ИИ:

В CRM-системе по окончанию диалога активируется флаг квалификации клиента и запишется история диалога

Эти данные можно использовать как угодно, например — собрать примечание, либо заполнить поля сделки (телефон, адрес, товар клиента)

Распознавание документов

Данный блок отдает данные о документе, принимает на себя файл с документом

Блок распознавания ИИ может распознать следующие типы документов:

Пример схемы с передачей файла в блок:

Передать файл в схему можно с помощью блока HTTP-запрос, в качестве типа ответа выбрать файл. Главное требование — чтобы ссылка на файл была публичной

Пример ответа блока

Поле classifier отдает тип документа, который был распознан

Пример реализации блока можно прочитать в частых кейсах