Агент поддержки для WooCommerce

Задача

Магазин на WooCommerce обрабатывал сотни обращений в поддержку в неделю, и большинство спрашивало одни и те же три вещи: где мой заказ, как его вернуть и подходит ли этот товар для моей задачи. Каждый ответ требовал, чтобы сотрудник поддержки зашёл в WooCommerce, нашёл заказ и скопировал трек-номер. Работа была механической и времязатратной; ответы никогда не были ошибочными, но время команды уходило на задачи с нулевой творческой ценностью и без необходимости в суждении.

Рассмотренные варианты

1. Статичная страница FAQ - снизила часть потока обращений, но не помогала клиентам, которые не могли найти нужный ответ или которым требовались данные по конкретному заказу.
2. Хелпдеск с шаблонными ответами (Zendesk, Freshdesk) - ускорил работу оператора, но всё равно требовал участия человека для отправки ответа. Не решал вопрос поддержки в нерабочее время.
3. ИИ-агент с живым доступом к API WooCommerce - выбрано. Агент получает реальные данные заказа, сверяет политику возврата с конкретным товаром и передаёт человеку только нестандартные случаи.

Решение

Агент подключается к WooCommerce REST API, чтобы искать заказы по email или номеру заказа в реальном времени. Он отвечает на вопросы о статусе заказа, ожидаемой доставке, праве на возврат и характеристиках товара. Когда случай требует человека - повреждённый товар, спор по оплате или вопрос вне базы знаний - он эскалирует с полным резюме диалога.

Реализация

Бэкенд на Python оборачивает WooCommerce REST API в интерфейс с вызовом инструментов (tool-calling). LLM вызывает подходящий инструмент (get_order, check_return_policy, search_catalog) и включает результат в свой ответ. База знаний хранится в виде векторных эмбеддингов и запрашивается через RAG для вопросов по FAQ и политикам. Агент встроен как чат-виджет в магазин и подключён к существующему каналу email-поддержки через webhook.

При передаче человеку сохраняется вся история диалога, а тикет в хелпдеске предзаполняется номером заказа, категорией проблемы и оценкой агента - так сотрудник поддержки начинает с контекстом, а не с пустого тикета.

Результат

Примерно 75% диалогов поддержки решаются без участия человека. Поддержка в нерабочее время выросла с нуля до полной. Среднее время первого ответа сократилось с 3 часов до менее чем 10 секунд. Команда поддержки переключилась на сложные случаи и выстраивание отношений с клиентами.