AI-советник по развитию существующих клиентов

Клиент CorpSoft24 обратился с задачей дать руководителям продаж единый инструмент, который сводит воедино разрозненные корпоративные данные о клиенте и подсказывает, как развивать отношения с уже существующими клиентами — где есть потенциал upsell/cross-sell, а где риск оттока требует немедленного внимания. Ключевое требование — советник не должен «галлюцинировать»: при нехватке данных он обязан не выдумывать рекомендации, а прямо спросить у пользователя недостающую информацию.

Full-stack MVP: React-фронтенд, Bun/Hono backend, PostgreSQL и MinIO, поднимаемые через Docker Compose. Backend написан без ORM — все SQL-запросы идут напрямую через postgres-js. Центральная часть системы — движок советника, который перед каждым ответом собирает 360°-контекст о клиенте и оценивает его полноту, прежде чем разрешить LLM дать рекомендацию.

• Движок советника: сбор 360°-контекста клиента, оценка полноты данных, решение о режиме ответа (answer/clarify)
• Строгая структурированная схема ответа: LLM обязан отвечать валидным JSON по фиксированной схеме (mode, confidence, missing_data, clarifying_questions, facts, recommendations, sources)
• RAG-пайплайн: извлечение текста из txt/md/csv/pdf/docx/xlsx, чанкинг по абзацам, эмбеддинг и косинусный поиск с лексическим fallback
• Импорт продаж из Excel/CSV с авто-распознаванием колонок по regex на русском и английском
• Схема БД из 8 таблиц: clients, contracts, projects, sales_records, documents, doc_chunks, chats, messages со статусными полями
• Детерминированный mock-советник, воспроизводящий логику гейтинга без единого внешнего API-вызова
• Голосовой чат на Web Speech API без сторонних сервисов синтеза речи
• Собственные SVG-графики выручки и продуктов без chart-библиотек
• Генерация Markdown-отчёта по клиенту
• Presigned URL с разделением internal/public endpoint для доступа к MinIO из браузера

• Гейтинг по полноте контекста: при скоре ниже 60% советник принудительно переходит в режим clarify вместо того, чтобы придумывать выводы на неполных данных
• Жёсткое разделение фактов и рекомендаций — заложено в промпте, схеме данных и UI
• Уровень уверенности (high/medium/low) — обязательное поле в каждом ответе
• RAG с graceful degradation: без API-ключа поиск по документам автоматически переключается на лексический скоринг по тому же коду
• Полностью рабочий mock-режим без LLM — продукт демонстрируем без единого внешнего вызова и затрат на токены
• Провайдеро-независимый LLM-клиент — переключение OpenAI ↔ OpenRouter одной переменной окружения
• «Спор» с пользователем при риске оттока — при негативном тренде выручки советник рекомендует сначала снять недовольство клиента
• Отсутствие ORM — параметризованные SQL-запросы напрямую, идемпотентная схема для воспроизводимых пересозданий БД в деморежиме