AI-агент «Пресейл-менеджер» для подготовки КП

Клиент CorpSoft24 обратился с задачей автоматизировать работу пресейл-менеджеров: быстро анализировать клиента (бизнес, потребности, конкурентов) и готовить коммерческие предложения и презентации, опираясь на корпоративную базу прошлых КП и шаблонов, а не с нуля.

Монорепозиторий на Bun workspaces с асинхронной архитектурой: frontend обращается только к backend API на Hono, который не выполняет никакой AI-логики — он валидирует запрос и кладёт задачу в очередь Redis (BullMQ). Вся тяжёлая работа выполняется в отдельном горизонтально масштабируемом сервисе ai-agent-worker. Инфраструктура — 7 Docker-контейнеров: PostgreSQL, Redis, Qdrant, MinIO, backend API, воркер, frontend на Nginx.

• Асинхронный конвейер обработки сообщений: сохранение сообщения → создание AgentTask → постановка в очередь → мгновенный ответ 202 с task_id
• AI Agent Worker на BullMQ: маршрутизация по типу задачи (chat_message_processing, artifact_generation, rag_document_ingestion), concurrency 4, ретраи с exponential backoff
• RAG-пайплайн: извлечение текста из txt/md/docx/xlsx/pdf, чанкинг с overlap, батч-эмбеддинг, upsert в Qdrant
• Веб-ресёрч по клиенту и конкурентам для режима «Анализ клиента» через отдельного провайдера
• Генерация файлов: DOCX через библиотеку docx, PDF через pdfkit с явным поиском кириллического TTF-шрифта
• Общий markdown-парсер ответа LLM в промежуточные блоки, которые оба генератора файлов интерпретируют по-своему
• Автоматический детектор запроса на файл (regex по русским глаголам «сохрани», «выгрузи», «сформируй файл»)
• Модульная сборка system-промпта: база → режим → язык → уточняющие вопросы → RAG-контекст → веб-контекст → история
• Схема данных на Drizzle ORM: users, chats, messages, agent_tasks, artifacts, documents, document_chunks
• Presigned URL с TTL 7 дней и переписыванием внутреннего docker-хоста на публичный эндпоинт
• Полное тестовое покрытие: unit-тесты по всем модулям + e2e smoke-скрипт против поднятого docker-стека

• Полностью асинхронная архитектура на очередях: отправка сообщения — мгновенный ответ, реальная LLM-обработка идёт в отдельном масштабируемом воркере
• Graceful degradation без API-ключа: LLM-задачи предсказуемо завершаются failed, RAG продолжает работать на детерминированных офлайн-эмбеддингах
• Pluggable-архитектура через интерфейсы SearchProvider и WebResearchProvider — переключение реализации одной переменной окружения
• Честный mock вместо галлюцинаций: провайдер веб-ресёрча по умолчанию возвращает пустой результат, а не выдуманные данные о клиенте
• Кириллица в PDF из коробки — иначе документ выходил бы «крякозябрами» на встроенном шрифте pdfkit
• Горизонтальное масштабирование воркера без изменений в коде (docker compose up --scale ai-agent-worker=N)
• Явная граница MVP зафиксирована в коде: неподдерживаемые провайдеры содержат явные заглушки с комментарием «вне MVP»
• Ограниченные ретраи с сохранением причины ошибки — полный жизненный цикл статусов задачи created → queued → processing → completed/failed