Агентство недвижимости: AI-ассистент для подбора объектов и работы с возражениями

TL;DR. 2 этапа: MVP на n8n → Python-бэкенд с персонализацией. Агент пишет в Telegram «двушка до 9 млн в Октябрьском», бот находит объекты, помнит профиль каждого клиента и выдаёт готовые аргументы для закрытия возражений.

Ситуация

Агенты по продаже новостроек вручную ищут подходящие объекты на сайтах застройщиков. Пока ищут — клиент остывает. Отработка возражений («дорого», «далеко», «подождём скидок») полностью зависит от опыта конкретного агента. Контекст по клиенту — бюджет, приоритеты, история — нигде не хранится: агент держит всё в голове или теряет.

Задача

1. Автоматизировать первичный подбор объектов по запросу на естественном языке.
2. Синхронизировать базу объектов по всем крупным застройщикам в реальном времени.
3. Дать агентам инструмент персонализированного подбора с профилями клиентов и готовыми аргументами для продаж.

Что сделали

Этап 1 — MVP. n8n + Supabase (PostgreSQL) + LLM + Telegram Bot API. Синхронизация из XML-фида застройщиков раз в час через n8n-воркфлоу с Upsert в базу (~15 000 объектов). На входящее сообщение агента: LLM извлекает параметры из текста (комнатность, цена, площадь, город) и возвращает типизированный JSON, который подставляется напрямую в SQL-запрос с фильтром 'Свободно'. Бот отвечает до 5 карточек с планировкой, площадью и ценой.

Этап 2 — персонализация. Переезд с n8n на единый Python-бэкенд: синхронизация, логика бота, оркестрация LLM — один сервис. Источник данных сменился с XML-фида на Realty API: сервис тянет 7 сущностей — застройщики, проекты, дома, теги, акции, ипотека, объекты (Units). Sweep-функция удаляет из БД записи, которых больше нет в API.

Профиль клиента: бот запоминает бюджет, район, приоритеты и возражения, привязывает профиль по номеру телефона, переключается между параллельными клиентами в одном диалоге с агентом.

Персонализированное ранжирование: выдача пересортируется под приоритеты профиля, к карточкам подмешиваются 1–2 факта УТП из акций и тегов ЖК.

Отработка возражений: бот классифицирует возражение и выдаёт 2–3 готовые формулировки в трёх стилях — мягкий, экспертный, жёсткий — с фактами из акций и альтернативами.

Результат

• Подбор объектов занимает секунды вместо нескольких минут ручного поиска.
• Агент получает готовые формулировки для каждого возражения — не придумывает ответ на ходу.
• Бот работает как CRM внутри чата: помнит профиль каждого клиента, переключается между ними без потери контекста.

Ключевые технические решения

1. LLM как типизированный парсер запросов. Вместо жёстких фильтров агент пишет обычным языком. LLM возвращает строго типизированный JSON (rooms, price_max, area_min, city), который подставляется напрямую в SQL — без промежуточного слоя трансляции.
2. Sweep-функция. При каждой синхронизации записи, которых больше нет в Realty API, удаляются из БД. Без этого устаревшие объекты накапливались бы и агент получал недоступные квартиры в выдаче.
3. Профиль клиента как контекст, а не отдельная система. Бюджет, приоритеты и возражения клиента хранятся как контекст того же Telegram-диалога, в котором работает агент — без переключения между инструментами.

Что было бы дальше

Естественное продолжение — автоматическая квалификация входящих обращений, AI-скоринг лидов по приоритетам профиля, аналитика паттернов возражений по базе диалогов.

Если у вас похожая задача — отдел продаж, который работает на скорости реакции, или агенты, которые каждый раз начинают с нуля — обсудим за 30 минут.