פיתוח בוט למענה על שאלות במרקטפלייסים

פיתוח בוט למענה על שאלות במרקט플ייסים

כל יום מוכרים ב-Ozon, Wildberries ו-Yandex.Market מקבלים עשרות שאלות זהות: זמינות, מידה, זמני אספקה. מענה ידני לכל אחת אורך 2-3 דקות, ו-50 שאלות צורכות שעתיים. החמצת שאלה או תשובה שגויה פוגעת באמון הקונה. אוטומציה מסירה את הנטל הזה ומאפשרת למנהלים להתמקד בפניות מורכבות. אנו מפתחים בוטים עם עיבוד LLM שעונים על שאלות סטנדרטיות תוך שניות ומעבירים שאלות לא סטנדרטיות למנהל. זה מקצר את זמן התגובה מ-4 שעות ל-30 שניות ומעלה את ההמרה ב-15-20%.

למה אוטומציה של שאלות משתלמת

השעות המושקעות בתשובות חוזרות יכולות להיות מופנות לפיתוח מוצר ושיווק. הבוט עובד 24/7 ללא הפסקות או חופשות—כל שאלה שהוחמצה עלולה לאבד מכירה. לקוחות שמקבלים תשובות מהירות נוטים יותר להזמין ולחזור.

ארכיטקטורת עיבוד שאלות

הבוט בודק את ה-API של המרקט플ייס כל 60 שניות או מקבל התראות webhook. עבור כל שאלה מתבצע סיווג: היא מושווה למאגר תבניות באמצעות דמיון קוסינוס של embeddings. אם הדמיון גבוה מ-0.9, נשלחת תשובה מוכנה מראש. אם נמוך יותר, ה-LLM נכנס לפעולה.

אנו משתמשים ב-gpt-4o-mini או במודלים דומים עם טמפרטורה 0.3 כדי ליצור תשובות על בסיס מאגר הידע של המוכר. לפרטים נוספים, ראו OpenAI API. קריאה נוספת ל-LLM מעריכה ביטחון: אם הוא מתחת ל-0.85, השאלה מועברת לצ'אט טלגרם למנהל.

שליפת שאלות דרך API של מרקט플ייס

# Ozon Seller API — получение новых вопросов
import httpx

class OzonQAClient:
    def __init__(self, client_id: str, api_key: str):
        self.headers = {
            'Client-Id': client_id,
            'Api-Key': api_key,
        }

    def get_unanswered_questions(self) -> list:
        resp = httpx.post(
            'https://api-seller.ozon.ru/v1/qa/list',
            headers=self.headers,
            json={'status': 'without_answer', 'page_size': 50}
        )
        return resp.json().get('result', {}).get('questions', [])

    def reply(self, question_id: str, answer_text: str) -> bool:
        resp = httpx.post(
            'https://api-seller.ozon.ru/v1/qa/answer/seller',
            headers=self.headers,
            json={'question_id': question_id, 'text': answer_text}
        )
        return resp.status_code == 200

למה LLM עדיף על תבניות בלבד

LLM מטפל בשאלות שאינן במאגר ומנסח תשובות בשפה טבעית, תוך שמירה על טון דיבור עקבי.

סיווג ויצירת תשובות

from openai import OpenAI
client = OpenAI()

FAQ_CONTEXT = """
Вы — помощник продавца на маркетплейсе.
База знаний:
- Доставка: 3-7 дней по России, СДЭК или Почта России
- Гарантия: 12 месяцев на все товары
- Возврат: в течение 14 дней
- Оплата: картой, СБП, наличными при получении
"""

def generate_answer(question: str, product_info: dict) -> dict:
    system_prompt = FAQ_CONTEXT + f"\n\nТовар: {product_info['name']}\n{product_info['description']}"
    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[
            {'role': 'system', 'content': system_prompt},
            {'role': 'user', 'content': question},
        ],
        temperature=0.3,
    )
    answer = response.choices[0].message.content
    # Определяем уверенность через отдельный запрос
    confidence = classify_confidence(question, answer)
    return {
        'answer': answer,
        'confidence': confidence,  # 0.0 — 1.0
        'auto_send': confidence >= 0.85
    }

העברה למנהל

שאלות עם ביטחון נמוך מועברות לבדיקה:

if not result['auto_send']:
    # Отправляем менеджеру в Telegram с кнопками
    await telegram.send_message(
        chat_id=MANAGER_CHAT,
        text=f"❓ Вопрос по товару \"{product['name']}\"\n\n"
             f"Вопрос: {question}\n\n"
             f"Предлагаемый ответ:\n{result['answer']}",
        reply_markup=InlineKeyboardMarkup([[
            InlineKeyboardButton("✅ Отправить", callback_data=f"approve:{question_id}"),
            InlineKeyboardButton("✏️ Изменить", callback_data=f"edit:{question_id}"),
        ]])
    )

הגדרת הבוט שלב אחר שלב

1. אינטגרציה עם API של מרקט플ייס — אנו מתחברים ל-Ozon Seller API או Wildberries API.
2. העלאת מאגר ידע — אתה מספק שאלות ותשובות אופייניות, ואנו מגדירים embeddings.
3. בחירת מודל LLM — בדרך כלל # Ozon Seller API — получение новых вопросов import httpx class OzonQAClient: def __init__(self, client_id: str, api_key: str): self.headers = { 'Client-Id': client_id, 'Api-Key': api_key, } def get_unanswered_questions(self) -> list: resp = httpx.post( 'https://api-seller.ozon.ru/v1/qa/list', headers=self.headers, json={'status': 'without_answer', 'page_size': 50} ) return resp.json().get('result', {}).get('questions', []) def reply(self, question_id: str, answer_text: str) -> bool: resp = httpx.post( 'https://api-seller.ozon.ru/v1/qa/answer/seller', headers=self.headers, json={'question_id': question_id, 'text': answer_text} ) return resp.status_code == 200 או from openai import OpenAI client = OpenAI() FAQ_CONTEXT = """ Вы — помощник продавца на маркетплейсе. База знаний: - Доставка: 3-7 дней по России, СДЭК или Почта России - Гарантия: 12 месяцев на все товары - Возврат: в течение 14 дней - Оплата: картой, СБП, наличными при получении """ def generate_answer(question: str, product_info: dict) -> dict: system_prompt = FAQ_CONTEXT + f"\n\nТовар: {product_info['name']}\n{product_info['description']}" response = client.chat.completions.create( model='gpt-4o-mini', messages=[ {'role': 'system', 'content': system_prompt}, {'role': 'user', 'content': question}, ], temperature=0.3, ) answer = response.choices[0].message.content # Определяем уверенность через отдельный запрос confidence = classify_confidence(question, answer) return { 'answer': answer, 'confidence': confidence, # 0.0 — 1.0 'auto_send': confidence >= 0.85 } , אופטימלי למחיר ואיכות.
4. הגדרת ספי ביטחון — אתה מחליט על ההסתברות שבה הבוט עונה אוטומטית לעומת העברה למנהל.
5. פריסה על שרת או פונקציית ענן — באמצעות Docker או serverless.
6. לאחר הפריסה, בדיקות עומס מבטיחות יציבות.

מה כלול בעבודה

• פיתוח ואינטגרציה של מודול איסוף שאלות דרך API של מרקט플ייס.
• הגדרת הסיווג ויצירת LLM עם מאגר הידע שלך.
• הטמעת העברה לטלגרם עם כפתורי אישור/עריכה.
• תיעוד ארכיטקטורה ומדריך הפעלה.
• מסירת גישת שרת, מפתחות API וקוד מקור.
• הדרכת צוות: עדכון תבניות, שינוי ספים, הוספת מנהלים חדשים.
• תמיכה טכנית לחודש לאחר ההשקה.
• הגדרת ניטור והתראות על תקלות.

מה עוד הגישה הזו מספקת

מעבר לאוטומציה, הבוט אוסף סטטיסטיקות שאלות, מזהה בעיות מוצר נפוצות ועוזר לשפר כרטיסי מוצר. לדוגמה, אם 10% מהשאלות是关于 מידה, הוסף טבלת מידות.

השוואת פלטפורמות לפי יכולות API

בחירת הפלטפורמה משפיעה על מורכבות האינטגרציה; לדוגמה, Wildberries אינו תומך בתשובות עם תמונות, מה שמגביל אפשרויות.

לוחות זמנים

גרסה בסיסית למרקט플ייס אחד עם העברה לטלגרם: 5–8 ימי עסקים. אם נדרשים מספר מרקט플ייסים, לוגיקה מורכבת או אינטגרציה עם CRM, לוח הזמנים עשוי להתארך ל-14–20 ימים.

איך להתחיל?

נעריך את הפרויקט שלך — צור קשר. נבהיר באילו מרקט플ייסים אתה משתמש, נפח השאלות ודרישות מאגר הידע. הפתרון נמסר במפתח: מניתוח ועד השקה והדרכת צוות.

לצוות שלנו ניסיון של למעלה מ-5 שנים באינטגרציות מרקט플ייס ו-LLM. אנו מבטיחים שהבוט יטפל אוטומטית בלפחות 80% מהשאלות. קבל ייעוץ מהנדס לפרויקט שלך.

Маркетплейс API (polling / webhook)
    ↓
Question Classifier
    ↙             ↘
Шаблонный ответ   LLM-генерация
(FAQ-база)        (OpenAI / Claude)
    ↓                    ↓
Auto-Reply          Проверка менеджером
    ↓
Marketplace API → Отправка ответа