Едино — AI-сотрудник в едином окне

Едино — SaaS-платформа для малого и среднего бизнеса, которая собирает обращения клиентов из разных каналов в один кабинет и помогает отвечать на них с помощью AI.

План первых задач по серверной и клиентской части: TASKS.md.

Продукт работает как “AI-сотрудник”: он читает базу знаний компании, отвечает на типовые вопросы клиентов, показывает источники ответа и передаёт сложные случаи живому менеджеру.

Зачем нужен продукт

Малый бизнес часто теряет заявки не из-за отсутствия спроса, а из-за перегрузки коммуникаций:

• клиенты пишут в Avito, VK, мессенджеры и чат на сайте одновременно;
• менеджеры не успевают отвечать быстро, особенно вечером и в выходные;
• новые сотрудники долго учатся и могут отвечать неточно;
• информация о ценах, доставке, наличии и правилах хранится в разных местах;
• обычные кнопочные боты раздражают клиентов и не решают нестандартные вопросы.

Едино решает это через единое окно, базу знаний и AI-ответы под контролем человека.

Что делает система

MVP продукта включает несколько ключевых частей:

1. Единый inbox Все обращения из подключённых каналов попадают в одну ленту диалогов.

2. База знаний компании Компания загружает документы: FAQ, прайсы, условия доставки, правила возврата, инструкции.

3. AI-ответы по базе знаний AI не отвечает “из головы”, а ищет релевантные фрагменты в базе знаний и строит ответ на их основе.

4. Уверенность и эскалация Если система не уверена в ответе или не нашла достаточный контекст, диалог передаётся менеджеру.

5. Самообучение через менеджеров Ответ менеджера может стать кандидатом на добавление в базу знаний. Так база постепенно растёт из реальных вопросов клиентов.

6. Аналитика Владелец видит долю автоответов, скорость реакции, причины эскалаций и использование лимитов тарифа.

Как это работает

flowchart TD
    A["Клиент пишет в канал: Avito, VK, MAX или веб-чат"] --> B["Канальный адаптер нормализует сообщение"]
    B --> C["Core API сохраняет клиента, диалог и сообщение"]
    C --> D["RAG ищет релевантные фрагменты в базе знаний"]
    D --> E["LLM генерирует ответ по найденному контексту"]
    E --> F{"Уверенность достаточная?"}
    F -->|Да| G["Ответ отправляется клиенту автоматически"]
    F -->|Нет| H["Диалог уходит менеджеру"]
    H --> I["Менеджер правит/отправляет ответ"]
    I --> J["Ответ становится кандидатом в базу знаний"]

Loading

Для кого

Основная аудитория — российский малый и средний бизнес с большим количеством повторяющихся обращений:

• продавцы на Avito;
• интернет-магазины;
• сервисные компании;
• клиники и бьюти-бизнес;
• агентства;
• локальные торговые компании.

Особенно полезно компаниям, у которых 50–500 диалогов в день и 1–10 менеджеров.

Чем отличается

Фокус продукта — не просто “чат-бот”, а связка:

• единое окно для нескольких каналов;
• ответы по базе знаний компании;
• прозрачность источников ответа;
• метрика уверенности;
• передача человеку при риске ошибки;
• пополнение базы знаний из ответов менеджеров;
• стек, ориентированный на российский рынок и хранение данных в РФ.

Архитектура

Проект разделён на несколько репозиториев:

• Backend — API, БД, RAG, интеграции каналов, фоновые задачи.
• Frontend — веб-интерфейс: лендинг, кабинет, inbox, база знаний, аналитика, настройки.
• Main — описание продукта и верхнеуровневая документация проекта.

Высокоуровневая схема:

flowchart LR
    Channels["Каналы: Web-chat, Avito, VK, MAX"] --> Backend["Backend: FastAPI"]
    Frontend["Frontend: Next.js"] --> Backend
    Backend --> Postgres["PostgreSQL"]
    Backend --> Qdrant["Qdrant"]
    Backend --> Redis["Redis / очередь"]
    Backend --> Storage["S3 / объектное хранилище"]
    Backend --> LLM["YandexGPT / GigaChat / MockLLM"]

Loading

Планируемый стек

Backend

• Python 3.12
• FastAPI
• Pydantic v2
• SQLAlchemy 2.x async
• Alembic
• PostgreSQL
• Redis
• ARQ / async workers
• Qdrant
• S3-compatible storage: Yandex Object Storage / MinIO
• JWT + Argon2
• httpx
• structlog

AI / RAG

• RAG-пайплайн: чанкинг → эмбеддинги → поиск → генерация ответа
• Qdrant для векторного поиска
• LLM-provider interface
• MockLLM для локальной разработки
• YandexGPT / GigaChat как целевые LLM-провайдеры
• локальные или облачные embeddings

Frontend

• Next.js
• React
• TypeScript
• Tailwind CSS
• TanStack Query
• Axios
• Zustand
• React Hook Form
• Zod
• Orval для генерации API-клиента из OpenAPI

Infrastructure

• Docker / docker-compose для локальной разработки
• PostgreSQL, Redis, Qdrant, MinIO локально
• Yandex Cloud как целевая инфраструктура
• GitHub Actions для CI

MVP-экраны

В MVP интерфейс намеренно компактный:

• лендинг;
• вход и регистрация;
• onboarding;
• диалоги / inbox;
• база знаний;
• аналитика;
• каналы;
• настройки;
• профиль;
• legal-страницы.

Тарифы и описание продукта находятся секциями на лендинге, чтобы не раздувать первую версию.

Текущий статус

Проект находится на стадии инициализации MVP:

• создан каркас backend;
• описана инициальная схема БД через Alembic;
• создан каркас frontend;
• добавлены основные страницы кабинета;
• подготовлены demo-данные для проверки интерфейса;
• AI-провайдеры и внешние каналы пока подключаются через интерфейсы и заглушки.

Ближайшие шаги

1. Реализовать настоящую регистрацию и вход.
2. Подключить PostgreSQL и применить миграции.
3. Реализовать загрузку документов базы знаний.
4. Собрать первый end-to-end RAG-сценарий: документ → вопрос → ответ → источники.
5. Подключить веб-чат как первый канал.
6. Реализовать очередь обработки входящих сообщений.
7. После web-chat подключать Avito и VK.

Рабочее название

Текущее рабочее название продукта — «Едино».

Название можно заменить позже, но продуктовая идея остаётся прежней: много каналов, одна база знаний, один AI-сотрудник и человек на контроле.