01 — Кейс · ML Нейросети

ProjectFlow AI — платформа AI-анализа рабочих чатов

Q: Что делает платформа ProjectFlow AI?

Платформа анализирует деловую переписку в групповых чатах WhatsApp и Telegram. Она находит поручения и сроки, замечает признаки проблем — например, сорванные сроки или путаницу в требованиях — и выделяет стратегическую информацию для руководства. Итог каждый день приходит руководителям в виде сводки, поэтому им не нужно часами читать чаты, чтобы понять, что происходит в проектах.

Q: Почему первую версию собрали на n8n, а не сразу на LangChain?

ProjectFlow AI нужно было быстро выйти к реальным клиентам и проверить идею. n8n даёт визуальный конструктор сценариев автоматизации, поэтому рабочую версию удалось собрать за три недели, и с ней компания получила первых платящих клиентов. Когда клиентов стало больше, ограничения n8n — слабая работа с контекстом и обработка сообщений по одному — стали заметны, и мы перешли ко второму этапу.

Q: Как RAG помогает понимать длинную переписку?

Система не отправляет в модель всю историю чата. Эмбеддинги всех сообщений хранятся в векторной базе, и для нового сообщения находятся похожие по смыслу обсуждения, в том числе недельной и месячной давности. Если сегодня кто-то пишет про «презентацию для клиента», RAG поднимает прежние сообщения о ней: какой клиент, о чём презентация и кто за неё отвечает. Gemini анализирует новое сообщение уже с этим контекстом.

Q: Какие AI-агенты работают в системе?

В системе три агента на LangChain. Агент извлечения задач находит поручения и сроки. Агент выявления рисков ищет признаки проблем, например сорванные сроки или путаницу в требованиях. Агент инсайтов выделяет стратегическую информацию, которую должен знать руководитель. Каждый агент перед анализом подтягивает через RAG исторический контекст, поэтому работает не с отдельной репликой, а с ходом обсуждения.

Q: Как платформа справляется с ростом числа клиентов?

Версия на n8n обрабатывала сообщения по одному сценарию за раз и замедлялась по мере роста клиентской базы. В версии на LangChain обработка асинхронная: платформа одновременно разбирает сотни сообщений. Мультиарендная архитектура изолирует данные каждого клиента на общей инфраструктуре. Сейчас система обрабатывает больше 1 000 сообщений в день, а анализ одного сообщения занимает меньше 3 секунд.

Q: Насколько выросла точность после перехода на RAG?

По оценке клиентов точность извлечения задач выросла с 73 до 91 %. Главное изменение — контекст: первая версия не понимала сообщений, которые ссылаются на события недельной давности, а с RAG система находит связанные обсуждения в истории и анализирует новое сообщение вместе с ними. Дополнительно помогает память разговоров, которая хранит сведения о проектах, участниках и повторяющихся темах.

Мы разработали платформу AI-анализа деловой переписки для ProjectFlow AI. Система читает групповые чаты в WhatsApp и Telegram, извлекает задачи и сроки, замечает риски и каждый день готовит сводку для руководителей. Работа шла в два этапа: сначала вместе с командой клиента за три недели собрали MVP на n8n, с которым ProjectFlow AI вышел к первым платящим клиентам, затем перевели платформу на Python, LangChain и RAG. Точность извлечения задач выросла с 73 до 91 %.

4 месяца

Обновлено: 22 октября 2026 г.

Смотреть кейс

срок проекта: 4 месяца
функциональных модулей: 8
этапов разработки: 6
ключевых технологий: 6

ProjectFlow AI — платформа AI-анализа рабочих чатов

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

В середине 2025 года к нам пришла команда ProjectFlow AI с идеей AI-системы, которая разбирает деловую переписку в WhatsApp и Telegram, находит в ней задачи и риски и выдаёт руководителям главное. Собственная команда разработки несколько месяцев пыталась построить такую платформу, но работа стояла на месте.

Сначала нужно было быстро выйти к реальным клиентам и проверить идею. Потом — превратить первую версию в систему, которая выдерживает рост: понимает контекст длинной переписки, точно находит задачи и не замедляется с каждым новым клиентом. Поэтому мы разбили проект на два этапа: MVP на n8n и перенос на LangChain с RAG.

Разработка буксовала месяцами
У команды ProjectFlow AI были технические навыки, но не было опыта создания AI-систем. Несколько месяцев попыток так и не дали продукта, с которым можно выйти к клиентам.
Руководители тонут в переписке
Поручения, сроки и проблемы команды растворены в групповых чатах. Руководителям приходилось часами читать переписку, чтобы понять, что происходит в проектах.
Идею нужно проверить быстро
Прежде чем вкладываться в сложную архитектуру, ProjectFlow AI нужно было запуститься и убедиться на реальных клиентах, что продукт им нужен.

03 — Возможности

Что делает система

Ключевые сценарии и рабочие модули, собранные в единую систему.

Подключение WhatsApp и Telegram
Платформа принимает сообщения из групповых чатов WhatsApp и Telegram и передаёт их в конвейер анализа. Данные идут от мессенджеров через AI-анализ к панели пользователя, где руководитель видит итог. Каждое сообщение сразу получает эмбеддинг и попадает в векторную базу, поэтому вся история переписки остаётся доступной для анализа.
Агент извлечения задач
Отдельный агент на LangChain находит в переписке поручения и сроки. Перед анализом он подтягивает через RAG связанные сообщения из прошлого. Если сегодня кто-то пишет про «презентацию для клиента», агент уже знает, о каком клиенте речь, что входит в презентацию и кто за неё отвечает.
Агент выявления рисков
Агент ищет в командной переписке признаки проблем — например, сорванные сроки или путаницу в требованиях. Как и остальные агенты, он опирается на исторический контекст из векторной базы, поэтому оценивает не отдельную реплику, а ход обсуждения. Руководитель узнаёт о риске из сводки, не читая чат целиком.
Агент инсайтов
Третий агент выделяет из переписки стратегическую информацию, которую должен знать руководитель. В общем потоке сообщений такие сведения легко пропустить, а агент выносит их отдельно. Как и другие агенты, он подтягивает через RAG прошлые обсуждения и оценивает новое сообщение с учётом всей предыстории.
RAG-контекст из истории переписки
Вместо того чтобы каждый раз отправлять в модель весь чат, система хранит эмбеддинги сообщений в векторной базе с индексами по проекту, участнику, дате и найденным темам. Для нового сообщения она ищет похожие по смыслу и находит связанные обсуждения недельной и месячной давности. Так система справляется даже с очень большими чатами.
Память о проектах и командах
Память разговоров сохраняется между сеансами анализа: система помнит текущие проекты, участников команды и повторяющиеся темы. Если команда несколько недель обсуждает релиз программного продукта, а сообщения приходят урывками, контекст этого обсуждения не теряется, и каждое новое сообщение анализируется с учётом всей предыстории.
Ежедневные сводки для руководителей
Каждый день платформа готовит руководителям сводку по рабочим чатам: задачи и сроки, возможные проблемы и важные сведения. Ещё на этапе MVP мы продумали, как строить такие сводки, чтобы их действительно читали. Руководителю больше не нужно тратить часы на переписку, чтобы понять, как идут дела.
Мультиарендность и асинхронная обработка
Данные каждого клиента изолированы, при этом все клиенты работают на общей инфраструктуре. Сообщения обрабатываются асинхронно: платформа одновременно разбирает сотни сообщений, а не проводит их по одному, как версия на n8n. Анализ одного сообщения занимает меньше 3 секунд даже при росте числа клиентов.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 06

Gemini

Языковая модель, которая анализирует переписку на обоих этапах: сначала в сценариях n8n, затем в конвейере на Python. Она получает новое сообщение вместе с найденным контекстом и извлекает из него задачи, риски и важные для руководства сведения.

Зачем в проекте · 02 / 06

n8n

Визуальный конструктор сценариев автоматизации позволил быстро собрать первую версию: сценарии принимали сообщения из чатов, отправляли их в Gemini и разбирали ответы. Для проверки идеи на клиентах этого хватило, а для роста — нет: слабая работа с контекстом и обработка по одному сценарию за раз стали узким местом.

Зачем в проекте · 03 / 06

Python

На Python мы заново собрали конвейер анализа чатов. По сравнению со сценариями n8n это дало полный контроль над тем, как обрабатываются разговоры и как сохраняется контекст, и позволило перейти на асинхронную обработку сотен сообщений одновременно.

Зачем в проекте · 04 / 06

LangChain

Фреймворк для LLM-приложений, в котором уже есть память разговоров, RAG и оркестрация агентов. На нём построены три агента анализа — извлечения задач, выявления рисков и инсайтов — и долговременная память о проектах и командах.

Зачем в проекте · 05 / 06

RAG

Поиск с дополненной генерацией даёт модели нужный фрагмент истории вместо всего чата. Так система понимает отсылки к событиям недельной давности и находит ключевую информацию даже в очень длинной переписке. Переход на LangChain с RAG поднял точность извлечения задач с 73 до 91 %.

Зачем в проекте · 06 / 06

Векторная база данных

Хранит эмбеддинги всех обработанных сообщений — их уже больше 500 000. Индексы по проекту, участнику, дате и темам позволяют находить связанный контекст быстрее чем за 200 мс, поэтому поиск по истории не замедляет анализ.

Ещё в проекте

Vector Database
PostgreSQL

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

Консультация по архитектуре
Разобрали с командой ProjectFlow AI, как устроить анализ чатов: как строить промпты, как держать контекст разговора на протяжении многих сообщений и как готовить сводки, которые руководители будут читать. Спроектировали поток данных от мессенджеров через AI-анализ к панели пользователя.
MVP на n8n за три недели
Собрали сценарии n8n, которые принимали сообщения из WhatsApp и Telegram, отправляли их в Gemini и извлекали задачи и выводы. Через три недели у ProjectFlow AI была рабочая версия: она разбирала групповые чаты, находила поручения и сроки, отмечала проблемы и готовила ежедневные сводки. С ней компания вышла к первым платящим клиентам.
Упор в пределы первой версии
С ростом числа клиентов стало видно, чего не хватает версии на n8n: лучшей работы с контекстом разговора, более точного извлечения задач и возможности опираться на старую переписку. Сценарии обрабатывали сообщения по одному и замедлялись. Это стало сигналом ко второму этапу.
Перенос на Python и LangChain
Пересобрали конвейер анализа на Python с LangChain и Gemini и разделили работу между тремя агентами: извлечения задач, выявления рисков и инсайтов. Каждый агент перед анализом подтягивает нужный исторический контекст через RAG.
RAG и векторная база
Настроили хранение эмбеддингов всех сообщений и индексацию по проекту, участнику, дате и темам. Для каждого нового сообщения система ищет похожие по смыслу и добавляет найденное в анализ — так модель видит, о чём шла речь неделями раньше.
Масштабирование и память
Перевели обработку на асинхронную модель, ввели мультиарендную архитектуру с изоляцией данных клиентов и добавили память разговоров между сеансами анализа. Оба этапа проекта заняли четыре месяца.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

точность извлечения задач по оценке клиентов: 73 → 91 %
сообщений из чатов в день: 1 000+
на анализ одного сообщения: < 3 с
эмбеддингов, контекст находится за 200 мс: 500 000+

Первый этап меньше чем за месяц дал ProjectFlow AI работающий продукт: на версии с n8n компания проверила идею, подключила первых клиентов и начала зарабатывать, пока мы строили версию для продакшна. Переход на LangChain с RAG поднял точность извлечения задач с 73 до 91 % по оценке клиентов: система понимает переписку, которая ссылается на события недельной давности, — первая версия так не умела.

Сейчас платформа обрабатывает больше 1 000 сообщений в день в аккаунтах нескольких клиентов. Анализ одного сообщения занимает меньше 3 секунд, в векторной базе больше 500 000 эмбеддингов, а связанный контекст находится быстрее чем за 200 мс. ProjectFlow AI вырос от первых бета-клиентов до корпоративных заказчиков с сотнями сотрудников во множестве групповых чатов, а их руководители получают ежедневные сводки вместо часов чтения переписки.