😐 Продолжаем наш курс #AI_Automation с двумя почти что самыми важными пунктами во всей автоматизации - база автоматизации и все самые распространенные ошибки. Разбираемся ✏️
AI-автоматизация никакое не животное, но у него есть скелет:
Триггер –> AI-решение –> Действие –> Вывод
Обьясняю: Что-то происходит (то есть триггер), дальше следует AI-решение (мы его классифицируем, извлекаем и генерируем)
–> Действие (записывам все в систему) –> финальный шаг - Вывод (Нужно уведомить, залогировать и подтвердить).
🔔 Ресурсы для понимания темы:
• Anthropic: Building Effective Agents – читаем лишь раздел «Workflow patterns (остальное не нужно);
• n8n AI Templates – советую разобрать хотя бы 2-3 шаблона по скелету, который я описал выше (берете и расставляете этапы по пунктам).
После разбора шаблонов, вам будет не сложно выполнить практическое задание (позже отдельным файлом закину еще):
Создать рабочий процесс, который читает входящие письма (Gmail-триггер), использует AI для классификации в (поддержка, продажи, личное, спам) и маршрутизирует каждую категорию в разное действие: создать тикет, создать CRM-лид, переслать или архивировать. Важно создать этот процесс без агентов. По чистой цепочке и только.
🔔 Поскольку ошибки вас будут преследовать на каждом шагу, сразу пишу на что вам стоит обратить внимание (исходя из личного опыта):
• Включить «Retry On Fail» на каждой ноде, вызывающей API (ошибки выскакивают не всегда на уровне кода, перепроврка ключ к их исключению);
• Построить один центральный обработчик ошибок, ловящий сбои из всех рабочих процессов (так у вас будет список ваших ошибок перед глазами, не придется тратить время на ручной ресерч);
• Обязательно вводим условие повторного промпа к LLM при кривом JSON;
• Настраиваем уведомления в Slack или Telegram при поломке критического процесса (спасет немало нервов при обработке реальных заказов, поскольку о поломке вы узнаете из уведомления, а не от недовольного клиента);
• Запасная логика: если основная модель упала – пробуем вторую.
🔔 Более подробные материалы по ошибкам, читаем здесь:
• n8n Error Handling - основные ошибки автоматизации;
• Nate Herk: Workflow for Unlimited Error Handling - наглядный пример, насмотренность важна.
🔔 По токенам, ценам и ошибкам новичков:
• Входные токены дешевые, выходные – дорогие (обычно в 4–5 раз дороже);
• Дешевые модели «достаточно хороши» для классификации, маршрутизации и извлечения;
• Дорогие модели – только для креативной генерации и сложного рассуждения (не наоборот!);
• Считайте месячную стоимость процесса ДО запуска для клиента (чтобы не ставить клиента перед фактом больших трат, чем подразумевалось).
🔔 Ресурсы по ценовой политике:
• OpenAI Pricing + Anthropic Pricing - цены на AI;
• OpenAI Tokenizer - очень наглядно показывает за какие промты вы тратите сколько токенов.
Практическое задание (еще пару приложу в файле):
Посчитайте месячную стоимость процесса, который обрабатывает 1 000 писем/день, где каждое письмо – 1 вызов классификации на дешевой модели и 1 генерация черновика на средней. Привыкайте к этой математике – именно за это вам доверяют клиенты.
А кто поленился и не прочитал прошлый пост, советую выполнить 1-2 практических задания по промтингу? из файла, который я для вас собрал 🥤
😐 Следующий этап - работа с монетизацией. В нем я расскажу где и как находить клиентов. А пока у вас есть время освоить базу и избежать большинства ошибок. Воркаем 👊
Канал | Чат воркеров
