AI-ассистент смены для ресторанной сети
Регламенты, ТТК и SOP — в одном чате: персонал сети получает ответы за <30 секунд, 95% типовых вопросов закрывает ассистент
Демо-кейс: сеть кафе «Тепло» (референс-деплой, 2 точки)
Задача
В общепите оборот штата — 75%+ в год (в фастфуде — больше 100%), и 64% предотвратимых увольнений случается за первые 90 дней: новичку некогда учиться, а онбординг съедает 10+ часов менеджера на человека. Пустая смена из-за нехватки людей стоит 7–8% дневной выручки — до $1,500 в день.
Знания сети лежат в 80 страницах PDF, 10 Word-файлах и закреплённом посте в чате. «Что в составе?», «Как принять товар?», «Как оформить акт?» — эти вопросы задают каждый час, а в «запаре» инструкцию никто не откроет. Ответ уже есть в регламенте — просто до него не добираются.
Что сделали
- Собрали 110+ документов базы знаний: регламенты, ТТК, SOP, инструкции по iiko, карточки поставщиков, глоссарий — с метаданными по ролям, городам и корпусам.
- Сделали ассистента с ролевыми доступами: официант видит меню и FAQ, кладовщик — склад и приёмку, управляющий — всё.
- Запустили живое демо: вопрос → ответ за <30 секунд со ссылкой на документ, откуда взялся ответ.
- Пилот на точке — 5 дней: без кода и ИТ-ресурсов со стороны клиента.
Как это устроено
Бэкенд — FastAPI + LangGraph: узел reception решает, нужен ли контекст из базы знаний или хватит общих знаний; classify выбирает корпуса (меню, склад, поставки, SOP) с вероятностями; дальше ответ с цитатами или без.
Retrieval: Qdrant (эмбеддинги bge-m3, 1024 dim) → метаданные-фильтры (роль, город, корпус) → реранкер (top-5). Для корпусов с точными терминами (склад, поставки, глоссарий) — гибридный поиск с русским BM25 (вес 0.25). Чанкинг — с профилями по типу документа: ТТК — компактные чанки, FAQ — вопрос-ответ.
Надёжность: Guardrails AI на входе (jailbreak и prompt injection блокируются детерминированно, без LLM) и на выходе (токсичность, попытка вытянуть системный промпт). Качество — LLM-as-a-Judge evals: ~31 кейс в Langfuse со скорингом groundedness, relevancy, role_fit, честного отказа и эскалации. Фронтенд — Hugo-лендинг, ответ стримится через SSE.
Этапы
База знаний
Документы сети — в структурированный индекс
- Регламенты, ТТК, SOP, инструкции iiko, карточки поставщиков — 110+ файлов
- Метаданные в YAML-frontmatter: роли, города, корпуса, версии
RAG-пайплайн
Вопрос → корпус → ответ с цитатой
- LangGraph: маршрутизация и выбор корпусов с вероятностями
- Qdrant + bge-m3, гибридный поиск с русским BM25, реранкинг
Роли и доступы
Каждый видит только своё
- Официант, менеджер смены, кладовщик, шеф-повар, управляющий
- Фильтрация по роли и точке на уровне retrieval — без утечек внутри команды
Качество и запуск
Evals, guardrails, живое демо
- LLM-as-a-Judge: ~31 кейс — groundedness, role_fit, честный отказ без данных
- Guardrails: jailbreak и токсичность блокируются автоматически
- Публичное демо + пилот на точке за 5 дней
Результат
Стек
Какую услугу это закрывает
Хотите похожий результат?
Расскажите о задаче — ответим с планом и оценкой в течение 24 часов.
Обсудить задачу