O projekcie
Asystent zakupowy osadzony w sklepie z akcesoriami AGD — filtrami, uszczelkami, koszami, wkładami i częściami zamiennymi. Prowadzi klienta rozmową od pierwszego zdania do jednej, konkretnej części, zamiast zostawiać go z wyszukiwarką i czterdziestoma wynikami, z których pasuje jeden.
Ta kategoria ma jeden problem, który przesądza o wszystkim innym: prawie każdy zakup jest pytaniem o zgodność, a klient nie zna odpowiedzi. Zna „pralkę Bosch, srebrną, kupioną chyba w 2019”. Katalog jest indeksowany numerem katalogowym części i numerem modelu urządzenia. Między jednym a drugim nie ma filtra, który to domknie — i właśnie w tej szczelinie giną koszyki oraz powstają zwroty.
Asystent zaczyna więc od tego, co klient ma, a nie od tego, czego potrzebuje katalog. Pyta o markę i o to, co się dzieje z urządzeniem; przyjmuje zdjęcie tabliczki znamionowej jako skrót; dobiera kolejne pytanie pod największą niewiadomą, zamiast przechodzić stałą ankietę. Klient może cofnąć odpowiedź — wtedy asystent przelicza to, co już wie, a nie zaczyna od początku.
Rzecz, która decyduje o tym, czy to jest narzędzie, czy tylko rozmowa: MODEL NIE ORZEKA O ZGODNOŚCI. Prowadzi dialog i rozumie opis urządzenia, ale o tym, co do czego pasuje, mówi wyłącznie graf dopasowań — jawne krawędzie między urządzeniem, serią i numerem katalogowym. Rekomendacja może wskazać tylko część, którą graf łączy z rozpoznanym urządzeniem; wszystko inne jest w odpowiedzi niewyrażalne, bo nie przechodzi walidacji struktury.
Dlatego „nie wiem” jest tu pełnoprawnym wynikiem, a nie porażką. Brak krawędzi w grafie kończy się przekazaniem do obsługi razem z tym, co już udało się ustalić — zamiast najbliższym trafieniem, które wygląda na odpowiedź. To ta sama zasada, którą ten zespół zapisał przy usłudze agentów AI: czego agent nie jest pewien, trafia do człowieka.
Rekomendacja nie kończy się na ekranie. Wariant trafia do koszyka po numerze katalogowym, a nie po nazwie produktu, razem z zapisanym uzasadnieniem — obsługa widzi, skąd wziął się wybór, a klient ma czym zweryfikować radę, zamiast musieć jej zaufać. Transkrypty wracają do sklepu jako sygnał handlowy: o co klienci pytają, czego katalog nie umie opisać i do jakich urządzeń nie ma części na stanie.
Problem
W akcesoriach AGD prawie każdy zakup jest pytaniem o zgodność, a klient nie zna odpowiedzi. Zna markę i to, co się zepsuło; katalog zna numer modelu. Wyszukiwarka zwraca czterdzieści pasujących nazw, klient wybiera niewłaściwą część i ją odsyła.
Rozwiązanie
Asystent prowadzi rozmowę od pierwszego zdania i dobiera pytania do tego, czego brakuje do jednoznacznego wskazania części. Zgodność bierze z grafu dopasowań, nie z pamięci modelu, a czego nie potrafi potwierdzić — oddaje obsłudze razem z ustaleniami.
Funkcje
- rozmowa zaczyna się od tego, co klient wie — nie od numeru modelu
- zdjęcie tabliczki znamionowej jako skrót do rozpoznania urządzenia
- kolejne pytanie dobierane do największej niewiadomej, nie stała ankieta
- jedna wskazana część zamiast listy czterdziestu pasujących wyników
- uzasadnienie przy rekomendacji: dlaczego ta i czym różni się od tańszej
- cofnięcie odpowiedzi przelicza ustalenia, zamiast zaczynać rozmowę od zera
- rozmowa przeżywa odświeżenie strony i da się do niej wrócić później
- brak pewności kończy się przekazaniem do obsługi, nie zgadywaniem
Moduły
agd-rozmowa
usługa dialoguProwadzi klienta od pierwszego zdania do jednoznacznie wskazanej części.
- stan rozmowy po stronie serwera: co już wiadomo, czego brakuje, co zostało odrzucone
- kolejne pytanie wybierane pod największą niewiadomą, a nie z listy w stałej kolejności
- cofnięcie odpowiedzi przelicza ustalenia — rozmowa nie zaczyna się od nowa
- rozmowa wznawialna po odświeżeniu strony i po powrocie z innego urządzenia
- próg pewności: poniżej niego asystent nie rekomenduje, tylko przekazuje do obsługi
agd-graf-dopasowan
warstwa zgodnościŹródło prawdy o tym, co do czego pasuje. Model go pyta, a nie zastępuje.
- urządzenia, serie i numery katalogowe powiązane jawnymi krawędziami zgodności
- rekomendacja może wskazać wyłącznie część, którą graf łączy z rozpoznanym urządzeniem
- wyszukiwanie po znaczeniu służy WYŁĄCZNIE rozpoznaniu urządzenia, nigdy orzekaniu zgodności
- zamienniki oznaczone jako zamienniki, z różnicą wobec oryginału wypisaną wprost
- brak krawędzi to odpowiedź „nie wiem”, a nie najbliższe trafienie
agd-most-koszyka
integracja sklepuZamienia rekomendację w pozycję w koszyku razem z jej uzasadnieniem.
- wariant dobierany po numerze katalogowym, nie po nazwie produktu
- stan magazynowy sprawdzany przed rekomendacją, nie po kliknięciu w koszyk
- uzasadnienie zapisane przy pozycji zamówienia — obsługa widzi, skąd wziął się wybór
- transkrypty jako sygnał handlowy: o co pytają klienci i czego katalog nie umie opisać
Architektura
- Podstawa
- widget osadzany w sklepie; logika w osobnej usłudze, nie w motywie ani we wtyczce
- Model
- Claude prowadzi rozmowę i rozumie opis urządzenia; rozstrzygnięcia o zgodności zapadają poza modelem
- Kontrakt odpowiedzi
- model zwraca strukturę, nie prozę — numer katalogowy spoza katalogu nie przechodzi walidacji
- Dane
- PostgreSQL na graf dopasowań i stan rozmów; wyszukiwanie po znaczeniu tylko do rozpoznania urządzenia
- Granica uprawnień
- asystent czyta katalog i stany magazynowe; niczego nie kupuje i nie zmienia w złożonym zamówieniu
- Integracja sklepu
- REST API sklepu do stanów i koszyka, identyfikacja wariantu po numerze katalogowym
- Prywatność
- rozmowa bez danych osobowych; zdjęcie tabliczki znamionowej kasowane po rozpoznaniu urządzenia
- Koszt i szybkość
- pytania rozstrzygalne na katalogu idą bez modelu — wywołanie modelu tylko tam, gdzie wejściem jest język
- Obserwowalność
- każda rekomendacja zapisana z wejściem i krawędzią grafu, która ją uzasadnia — da się odtworzyć powód
Technologie
- Claude
- TypeScript
- Next.js
- PostgreSQL
- Supabase
- WooCommerce
Autor
Mariusz PerzyńskiClient Relations & Operations