Техническая документация
Agent A – закрытие на диагностику | Agent B – «дожим» сделки

Общая концепция и место в системе

Разрабатываемые агенты представляют собой прототипы моделей, которые будут обучены, будут иметь достукп к данным заказчика (интеграции с CRM, мессенджерами или базами данных) и встроены в пайплайн продаж заказчика. Каждый из агентов выполнятет свою задачу:

• Agent A – выполняет функцию оценки готовности лида к покупке и формирования приветственного/диагностического сообщения.
• Agent B – выполняет функцию «дожима» лида до оплаты, после того как лид уже прошёл диагностику (CTA‑сообщения).

Компоненты агентов и расчёты

Входные данные: используются в обоих агентах.
(Предпологается, что при реализации проекта, эти данные будут передаваться через интеграции с источниками заказчика.)

Поле	Тип / Описание	Источник данных
lead_id	Уникальный идентификатор лида.	AmoCRM, Google‑таблица, webhook.
first_name / last_name	Имя и фамилия клиента.	Telegram/Instagram профиль или форма заявки.
lead_source	Откуда пришёл лид – «Instagram», «Telegram» или «Referral».	Тэг в CRM, параметр UTM‑метки.
last_message_days_ago	Кол‑во дней с последнего сообщения.	Считается по timestamp последнего входящего сообщения в диалоге с клиентом.
questionnaire_score	Оценка заполнения анкеты от 0 до 10.	Подсчитывается из формы (кол‑во вопросов, которые пользователь заполнил).
engagement_score	Суммарный балл активности (лайки + комментарии + просмотры).	Получается через API Instagram/Twitter/Telegram (метрика “interactions”).
budget_indicator	Флаг, указывающий готовность зайти на обучение/оплатить прямо сейчас.	Определяется по ключевым словам в анкете или отдельному чек‑боксу.
pain_points	Проблем, озвученных клиентом.	Текстовое поле анкеты → разбиваем запятыми.
desired_result	Что клиент хочет достичь.	Ответ в форме «цель проекта».

Расчёт индекса готовности («readiness_score»)

Формула создана для наглядности, в реальном сценарии будет использоваться отдельная модель, вычисляющая индекс

score = 0
score += max(0, 20 - last_message_days_ago * 2)          // свежесть общения (max 20)
score += questionnaire_score * 5                         // полнота анкеты (0‑50)
score += min(engagement_score, 10) * 2                    // активность (max 20)

if budget_indicator:   score += 10                       // готовность инвестировать

// Боли из массива «pain_points» повышают оценку
if "низкая конверсия вебинаров" in pain_points: score += 5
if "недостаток команды"          in pain_points: score += 5
if "не хватает времени"          in pain_points: score += 3

score = min(max(score, 0), 100)                         // ограничиваем 0‑100
readiness_score = round(score)

Только после вычисления `readiness_score` агент выбирает сценарий.

Выбор сценария (для обоих агентов)

• cold (0‑30) – мягкое приветствие, обсуждение потребности, прогрев на диагностику.
• warm (31‑60) – отправка релевантного кейса, приглашение обсудить детали.
• high_interest (61‑100) – сразу запись на звонок‑диагностику (для Agent A)
  или прямой «купить сейчас» с бонусом и таймером (для Agent B).

Формат выходных сообщений

Agent A:

{
  "lead_id": "...",
  "readiness_score": <число>,
  "scenario": "<cold|warm|high_interest>",
  "message": "Текст сообщения, готовый к отправке в Telegram/Instagram."
}

Agent B:

{
  "lead_id": "...",
  "readiness_score": <число>,
  "scenario": "<cold|warm|high_interest>",
  "close_message": "Текст финального CTA‑сообщения (ссылка на оплату, таймер и т.д.)."
}