«Мир Квестов» запустил ИИ-бота Квестошу и протестировал пять моделей на 12 гейтах

«Мир Квестов» — агрегатор квестов в реальности — с третьего квартала 2026 года использует ИИ-бота Квестошу в контакт-центре. Он подбирает квесты по запросу, отвечает фактами из каталога, объясняет правила, собирает данные для брони и передаёт клиента оператору при необходимости.

Для компании контакт-центр — источник дохода: клиент пишет, получает рекомендацию, бронирует. Поэтому бот должен продавать, а не просто сокращать расходы. Прогноз на Q4 2026: четверть сообщений закроются без оператора, время до первого ответа упадёт с пяти минут до полутора.

Вики из markdown-файлов как основа

Основу системы составляет LLM-вики — база знаний из markdown-файлов с правилами и процедурами. Правила не писались вручную: ИИ-агенты проанализировали 7,5 млн исторических диалогов операторов (обезличенные), выделили скрипты и лучшие практики, добавили юридические ограничения компании.

Вики разделена на три слоя: политика (HSB — жёсткие запреты, абсолютные запреты вроде эротики, оружия, ограничения свободы; правила по возрасту и согласию), сценарии (бронирование, предоплата/оплата, подбор квеста) и процедуры (формат рекомендаций, алгоритмы, реакции на спецпожелания).

Вики содержит только процедуры и формулировки, без цен, адресов, расписания. Факты о квесте бот берёт из базы сайта перед ответом через инструменты: search_quests (поиск по городу, тематике, возрасту, числу игроков, цене, продолжительности), get_quest, list_cities, platform_info, расчёт цены, рекомендации.

Маскировка данных и ночной цикл

Персональные данные не уезжают во внешние сервисы. В модель идут псевдонимы (PERSON_1, PHONE_1, EMAIL_1), привязка хранится локально. Распознавание использует регулярные выражения, библиотеку Natasha и pymorphy3 с подавлением ложных срабатываний.

Каждую ночь в 3 часа продвинутая модель разбирает 300 сообщений дня и обновляет вики: правит текст, добавляет примеры, проверяет новые сценарии на экзамене (порог 70/100; выдуманный факт даёт максимум 20). Ошибки классифицируются по шести категориям: технический сбой, правило не показано, длинный контекст (>100K токенов), противоречие в вики, неоднозначность правила, ошибка модели. На третьем повторе одной ошибки пишется заявка на код.

Сравнение пяти моделей на критических сценариях

Протестировали пять конфигураций на 25 реальных диалогах (12 гейтов — критические сценарии, провал которых считается происшествием). Судья, промпт и инструменты одинаковые, temperature = 0.

Результаты по гейтам и безопасности:

• Qwen3 0.6B (Ollama, локально): 12/12 гейтов, 7/7 безопасность, 6,3 с ответ, 0 ₽ • Qwen3-235B-A22B (Yandex AI Studio): 12/12 гейтов, 6/7 безопасность, 7,0 с ответ, 12,10 ₽ • YandexGPT Pro (Yandex Cloud): 11/12 гейтов, 7/7 безопасность, 3,3 с ответ, 5,36 ₽ • GigaChat-2 Lite (Сбер): 10/12 гейтов, 5/7 безопасность, 5,2 с ответ, 3,42 ₽ • T-Pro 2.0 (A100, локально): 8/12 гейтов, 5/7 безопасность, 23,0 с ответ, 0 ₽

Лучшие по гейтам — две модели на 12/12: Qwen3 0.6B (локальная, бесплатная, быстрая) и Qwen3-235B-A22B (облачная, медленнее, дороже). YandexGPT Pro набрала 11/12 при лучшей скорости (3,3 с на ответ). T-Pro 2.0 показала худший результат: 8/12 гейтов при самом медленном ответе (23 с). Выбор зависит от приоритета: локальный хостинг требует вычислительных ресурсов, облачные сервисы добавляют стоимость и задержку, но дают гибкость масштабирования.