AI-сервис для поиска лидов по смыслу сообщений
Система помогает находить тёплых лидов в Telegram-чатах: людей, которые уже обсуждают покупку, ищут решение или жалуются на текущий сервис. Вместо чтения тысяч сообщений команда получает список пользователей с признаками спроса и может быстрее передавать их в работу.



О проекте
На первом этапе система искала лидов через проверку отдельных сообщений: модель получала одну реплику и решала, подходит ли она под запрос. Такой подход быстро упирался в качество выдачи: короткие фразы без контекста могли выглядеть релевантными, а проверка большого потока сообщений требовала до 1200 отдельных обращений к модели на один запрос.
Мы перестроили логику поиска: система сначала отбирает кандидатов через многоступенчатый поиск и ранжирование, затем группирует сообщения по пользователям и собирает по каждому короткое досье. Финальное решение принимает модель уже не по одной фразе, а по нескольким сообщениям одного пользователя: есть ли у него реальный спрос, похож ли он на лида, стоит ли передавать его в выдачу.
В результате пайплайн стал ближе к рабочей логике продаж: лидом считается не случайное совпадение по словам, а пользователь с подтверждённым контекстом интереса. В лучшем прогоне система нашла 131 лида, совпадение с эталонной выдачей выросло до 52%, а слабые совпадения были отфильтрованы до нуля.
131 лид
Формализация проектов, связок и поисковых запросов
Заложили структуру сервиса: проект как цель поиска, связка как набор чатов и запросов, лид как найденный пользователь с контекстом сообщения.Подключение Telegram-чатов и сбор корпуса сообщений
Реализовали добавление чатов вручную или из списка, запуск парсинга и регулярную обработку сообщений по заданным запросам внутри проектаПостроение RAG-пайплайна поиска потенциальных лидов
Собрали пайплайн, который извлекает релевантные сообщения из всего контекста, ранжирует потенциальных лидов и формирует список пользователей для дальнейшей оценкиПереход от оценки сообщений к оценке пользователя
Вместо проверки каждого сообщения отдельно добавили peer judge: модель анализирует несколько сообщений одного пользователя и решает, похож ли он на потенциального лида по запросуИнтерфейс проверки и управления лидами
Вывели найденных пользователей в интерфейс: карточка лида, детализация, статусы “принять” и “отклонить”, фильтрация и статистика по проектамИнтересный факт
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управленияBackend
Логика обработки и базовые компоненты системыLLM
Языковые модели и AI-инструментыВызовы и решения
По одному сообщению сложно отличить спрос от случайного совпадения
Короткая фраза могла выглядеть подходящей, но без соседних сообщений система не понимала, это реальный интерес пользователя или нет?Оценка пользователя через мини-досье
Мы перестроили пайплайн: система группирует сообщения по пользователю, собирает 3–4 релевантные реплики и только после этого решает, похож ли человек на лида по запросуМы перестроили пайплайн: система группирует сообщения по пользователю, собирает 3–4 релевантные реплики и только после этого решает, похож ли человек на лида по запросу
Первый подход проверял сообщения по одному, из-за чего росло время обработки, нагрузка на LLM и количество спорных результатовМногоступенчатый отбор до финальной проверки
Сначала система ищет потенциальных лидов через гибридный поиск, ранжирует результаты, убирает дубли по пользователям и только потом отправляет на финальную оценку короткий список наиболее вероятных лидов. В итоге проверка ушла от сотен отдельных сообщений к батчам по пользователямРост нерелевантной выдачи с масштабированием
Для сервиса важно было находить как можно больше пользователей с реальным спросом, но не превращать результат в список случайных совпадений и спамаОтдельная настройка поиска и финального подтверждения
Мы усилили поиск по всему массиву сообщений, добавили диверсификацию по чатам и финальную проверку лучшего сообщения пользователя. Лучший прогон дал 131 лида, 52% совпадения с эталонной выдачей и 0 слабых совпаденийв 2
раза точнее поиск по сравнению с предыдущей версией
в 13
раз меньше проверок через языковую модель
78
из 150 эталонных лидов нашла локальная система
Команда, которая внедрила проект
Константин Порошкин
ML-инженер
Алексей Цибульников
Python backend-разработчик
Дмитрий Соркин
DevOps-инженер
Дмитрий Палий
Frontend-разработчик
Никита Болдырев
ML-инженер
Бесплатный разбор вашей задачи
На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.
Рассмотрим технические ограничения и возможный первый этап проекта.
Готовые проекты
Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.












