AI-слой для CRM группы сельхозтрейдинга: RAG, CAG, агенты и проверка документов отгрузки
Мы встроили AI-слой в работающую CRM группы сельхозтрейдинга из Китая, которая импортирует растительные масла, кормовые добавки, зерно и масличные культуры из России, ЕС, Латинской Америки и стран АСЕАН. Сотрудники задают вопросы к 20+ годам торговых данных на китайском, русском или английском, агенты создают сделки и заводят контрагентов, а модель QwenVL 3 сверяет документы отгрузки. Ручного ввода в охваченных процессах стало примерно на 90 % меньше.
- срок проекта
- 4 месяца
- функциональных модулей
- 8
- этапов разработки
- 3
- ключевых технологий
- 7
02 — Контекст
Задача проекта
Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.
Заказчик — группа сельхозтрейдинга из Китая, один из крупных импортёров сельхозсырья в стране. Больше 20 лет она поставляет на китайский рынок растительные масла, кормовые добавки, зерно и масличные культуры из России, ЕС, Латинской Америки и стран АСЕАН и работает с 300+ зарубежными компаниями. Её операции порождают огромные объёмы данных: по сделкам, клиентам, поставщикам, документам отгрузки и сертификатам качества.
За два десятилетия в собственной CRM компании накопились истории сделок, договоры с поставщиками, записи об отгрузках, сертификаты качества, ценовые соглашения и переписка с клиентами на нескольких языках. Чтобы найти нужное, сотрудник должен был точно знать, где искать, и часто вручную перебирал тысячи записей. Задача — модернизировать CRM под сложность международной торговли сельхозсырьём, встроив в неё AI-слой.
Знания спрятаны в тысячах записей
Ответ на вопрос по истории сделок требовал либо спросить опытного сотрудника, либо копаться в архиве. Новички годами накапливали знания, которые уже были в системе, но оставались недоступны без точного знания, где они лежат.
Ручной ввод в каждом процессе
Создание сделок, регистрация поставщиков, обновление данных клиентов и отслеживание отгрузок требовали собирать сведения из нескольких источников и вручную вносить их в CRM. На одну сделку уходило 20–30 минут, на регистрацию нового партнёра — часы.
Ошибки в документах отгрузки
На одну отгрузку приходится 10–20 документов, и одно расхождение — вес, код ТН ВЭД или дата — может задержать таможенное оформление на дни и недели. Такие ошибки часто всплывали только в порту, когда исправлять их уже дорого.
Три языка в одной базе
Переписка, договоры и документы отгрузки ведутся на китайском, русском и английском, а часть документов смешивает языки. И поиск, и распознавание документов должны были одинаково работать со всеми тремя языками.
03 — Возможности
Что делает система
Ключевые сценарии и рабочие модули, собранные в единую систему.
Вопросы к истории бизнеса на трёх языках
Сотрудник пишет вопрос обычными словами на китайском, русском или английском: «Какие российские партнёры нарастили объёмы год к году?» или «Какой была средняя цена подсолнечного масла по поставщикам в III квартале 2023 года?». Ответ приходит сразу и со ссылками на источники, поэтому его легко проверить. Новые сотрудники получают доступ к накопленным знаниям с первого дня.
CAG на Redis для справочных данных
Данные, к которым обращаются чаще всего, — текущие цены, действующие договоры, спецификации поставщиков и товарные каталоги — заранее загружены в кеш Redis. Модель получает их сразу в контексте, без поиска по базе, поэтому справочные вопросы закрываются меньше чем за секунду. Это самый быстрый контур системы: на вопрос о текущей цене или условиях действующего договора не нужно ждать поиска по всей истории.
RAG по всему массиву документов
Сложные исторические вопросы обрабатывает RAG: система ищет нужные фрагменты по всему массиву за 20+ лет. Проиндексированы не только структурированные данные CRM, но и неструктурированные: цепочки писем, переписка в WeChat, сканы договоров и документы отгрузки. Сотруднику не нужно знать, в какой системе лежит ответ, — поиск идёт по всем источникам сразу.
Агент создания сделок
Агент создаёт карточку сделки по краткому изложению переговоров: извлекает товар, объём, цену, условия поставки и реквизиты контрагента, сверяет их с уже существующими записями и заполняет CRM. От менеджера остаётся проверка. Создание сделки, которое раньше занимало 20–30 минут, теперь укладывается в 2–3 минуты просмотра готовой записи.
Агент регистрации контрагентов
Когда компания начинает работать с новым поставщиком — например, из Казахстана, — агент обрабатывает его документы, проверяет регистрационные данные компании, настраивает условия оплаты в зависимости от страны и вида товара и создаёт записи в CRM. Работа, на которую раньше уходили часы ручного ввода, теперь занимает минуты.
Агент сопровождения поставщиков
Агент следит за текущими отношениями с поставщиками: отслеживает соблюдение сроков поставок, напоминает о договорах, которые пора продлевать, и предупреждает сотрудников, когда показатели качества у поставщика опускаются ниже порога. Каждому агенту доступны только инструменты и данные его задачи — принцип минимальных привилегий.
Распознавание документов на QwenVL 3
Визуально-языковая модель QwenVL 3 принимает весь пакет документов по отгрузке: коносаменты, фитосанитарные сертификаты, протоколы контроля качества, сертификаты происхождения, таможенные декларации и коммерческие инвойсы. Она читает документы на китайском, русском, английском и смешанные, разбирает рукописные пометки, печати и подписи. Пакет обрабатывается меньше чем за 30 секунд.
Сверка документов и подсветка расхождений
Система сверяет каждое значение, которое встречается в нескольких документах: веса, даты, характеристики товара, названия компаний, данные судна и номера контейнеров. Найденное расхождение подсвечивается прямо в каждом документе, где оно есть, — например, 42 % протеина в сертификате качества и 41 % в инвойсе. Заодно проверяются требования для страны назначения и вида товара.
04 — Архитектура
Технологический стек
Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.
Зачем в проекте · 01 / 07
Python
Основной язык AI-слоя: конвейеры индексации, сервисы поиска, логика агентов и обработка документов написаны на Python. Один язык для всего контура упрощает развитие и сопровождение.
- RAG
- CAG
- OCR
05 — Процесс
Как шла разработка
Последовательность работ от исследования задачи до запуска и проверки результата.
AI-слой в CRM: RAG и CAG
Встроили RAG и CAG в существующую CRM, проиндексировали исторические данные и сделали интерфейс вопросов на естественном языке с поддержкой китайского, русского и английского. Слой данных шёл первым, агенты и проверка документов — следом.
Агенты автоматизации
Разработали агентов для самых частых процессов — создания сделок, регистрации клиентов и сопровождения поставщиков — и для каждого собрали свой набор инструментов под конкретную задачу.
Проверка документов
Запустили конвейер распознавания на QwenVL 3, перекрёстную сверку документов, поиск расхождений и проверку документов на соответствие требованиям. Весь проект — три этапа за четыре месяца, сдан в 2025 году.
06 — Итог
Результаты
Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.
- лет торговых данных в одном поиске
- 20+
- зарубежных партнёров в CRM
- 300+
- меньше ручного ввода данных
- ~90 %
- на проверку пакета из 10–20 документов
- < 30 с
Система вопросов на естественном языке обрабатывает сотни запросов в день по всей истории компании. То, что раньше требовало спрашивать опытных коллег или искать в архивах, теперь получает ответ сразу. Агенты сократили ручной ввод примерно на 90 % в охваченных процессах: создание сделки заняло 2–3 минуты проверки вместо 20–30 минут, и сотрудники больше времени уделяют отношениям с партнёрами и стратегическим решениям.
Проверка документов поймала множество расхождений, которые привели бы к задержкам на таможне. Она изменила и поведение: зная, что документы проверяются автоматически, сотрудники и партнёры внимательнее готовят их с самого начала, и доля ошибок в поданных документах заметно снизилась. Теперь компания может наращивать обороты и вести сотни активных партнёрств, не увеличивая пропорционально административный штат.
Детали проекта
Почему кейс без имени клиента
Название компании мы не раскрываем. Это группа сельхозтрейдинга из Китая, и для неё данные о сделках, ценах, поставщиках и объёмах закупок — коммерческая тайна. Поэтому закрытыми остаются имя клиента, его партнёры и всё, что позволяет их вычислить.
При этом мы открыто рассказываем, как устроена система: RAG и CAG поверх существующей CRM, агенты с узкими наборами инструментов и сверка документов отгрузки на QwenVL 3. Конкретику под вашу CRM и ваши процессы разберём на встрече.
FAQ
Вопросы о проекте
Далее
Похожие проекты
Обсудим похожий проект?
Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки
