01
Required fields
Обязательные данные
Проверка, собраны ли имя, контакт, услуга, объект запроса и комментарий клиента.
data
AI Automation / Quality Control / Dashboard
AI Bot
Quality
Overview
Dashboard для контроля качества AI-бота: события диалога, обязательные поля, handoff, ошибки сценария и очередь ручной проверки.
Role
Product logic / UI / Validation
Stack
HTML / CSS / JS / CSV / JSON
Focus
AI bot QA / Rules / Review queue
Status
Working demo
Problem
AI-бот без контроля —
это чёрный ящик
Бот может отвечать красиво, но это ещё не значит, что он правильно ведёт сценарий, собирает нужные данные и вовремя передаёт диалог человеку.
Без контроля
чат ответы бота неясный результат ошибки всплывают вручную
С контролем
чат события правила ошибки review queue
Ключевая мысль
Для AI-автоматизации мало запустить бота. Нужно видеть, что произошло в диалоге: какие данные собраны, где сценарий сломался, был ли handoff и какие кейсы нужно проверить вручную.
What it checks
Dashboard проверяет
не ответы,
а прохождение
сценария
AI-бот может говорить уверенно, но качество автоматизации определяется не красотой ответа, а тем, собрал ли он нужные данные, не сломал ли сценарий и передал ли заявку дальше.
02
Scenario events
События диалога
Фиксация ключевых шагов: intent detected, service selected, contact captured, handoff ready.
events03
Rule violations
Ошибки сценария
Показывает, где сценарий нарушил правило: нет телефона, не определена услуга или не выполнен handoff.
rules04
Review queue
Ручная проверка
Проблемные диалоги попадают в очередь, где человек может быстро понять, что пошло не так.
review05
Handoff control
Передача менеджеру
Проверка, дошла ли заявка до менеджера, а не просто закончился ли диалог с клиентом.
handoff Главная мысль
LLM здесь не источник истины для статусов и результата. Ответы бота — это только часть процесса. Качество проверяется через события, правила, обязательные поля и состояния.
Modules breakdown
Три зоны,
через которые видно
качество работы бота
Вместо общего ощущения “бот вроде работает” dashboard раскладывает качество на конкретные слои: метрики, ручную проверку и нарушения правил.
01 / Metrics overview
Общая картина
Общая картина
по диалогам
Верхний уровень dashboard показывает, сколько диалогов прошло через бота, сколько сценариев завершилось нормально, где появились warnings, errors и случаи для ручной проверки.
View in demo
02 / Review queue
Очередь
Очередь
ручной проверки
Проблемные диалоги не теряются в общем потоке. Они попадают в отдельную очередь, где человек может быстро увидеть причину, статус и следующий шаг.
View in demo
03 / Rule violations
Конкретные
Конкретные
нарушения правил
Dashboard показывает не абстрактное “плохо”, а конкретную причину: не собран контакт, не определена услуга, не выполнен handoff или сценарий ушёл в fallback.
View in demo
Зачем это важно
Такой разбор показывает dashboard не как красивый интерфейс, а как инструмент диагностики: где AI-бот стабилен, где ломает сценарий и где нужен человек.
Открыть demoValidation rules
Качество бота
проверяется
правилами,
а не ощущениями
LLM может помочь с текстом ответа или извлечением данных, но статусы, handoff, обязательные поля и ошибки сценария должны проверяться через правила и события.
Rules engine
Для dashboard я заложил rule-based логику: каждый диалог можно проверить по набору условий и понять, где сценарий прошёл нормально, где появился warning, а где нужен ручной разбор.
Rule Condition Result Severity
Required contact
phone is missing
required field violation error Undefined service
service = unknown
manual review warning Handoff control
handoff_ready = true, but event is missing
handoff not completed error Repeated fallback
fallback appears several times
dialog needs review warning Missing summary
dialog closed without summary
summary required check Принцип
AI-бот не должен быть чёрным ящиком. Если сценарий важен для бизнеса, его нужно проверять по событиям: что собрано, что пропущено, где ошибка и какой следующий шаг должен сделать человек или система.
Data flow
От диалога
до проверки
качества
Dashboard строится не вокруг текста ответа, а вокруг событий: что произошло в диалоге, какие данные были собраны, какие правила сработали и нужен ли ручной разбор.
01
Client dialog
Клиент пишет боту, задаёт вопрос, описывает задачу или оставляет заявку.
02
Bot events
Важные действия фиксируются как события: intent, service, contact, handoff.
03
Structured data
Данные приводятся к понятной структуре: поля, статусы, ошибки, признаки.
04
Validation rules
Правила проверяют, что собрано, что пропущено и где сценарий нарушен.
05
Dashboard
Результат попадает в dashboard: метрики, ошибки и очередь ручной проверки.
LLM role
LLM может помогать извлекать смысл из текста, классифицировать запрос и формулировать ответ. Но он не должен быть источником истины для статусов, handoff и критичных бизнес-решений.
Source of truth
Истина должна храниться в данных: событиях, полях, статусах, правилах и действиях системы. Именно это позволяет проверять качество, а не гадать по отдельным сообщениям.
Вывод
Такой подход превращает AI-бота из “чата с магией” в управляемый процесс: у каждого шага есть событие, состояние, проверка и понятный следующий action.
Technical implementation
Что было
собрано
технически
Кейс собран как working demo: интерфейс dashboard, структура данных, rule-based проверки, состояния ошибок и публичная демонстрация на отдельном домене.
Stack
Frontend demo
HTML, CSS, Vanilla JS, JSON / CSV-структура данных и кастомная логика отображения.
Data
Структура событий
Диалоги, статусы, ошибки, handoff, обязательные поля и признаки ручной проверки.
Logic
Rule-based validation
Проверки качества построены через правила: condition → issue → severity → action.
Delivery
Demo + GitHub
Проект вынесен в live demo и оформлен как портфолио-кейс с понятной логикой.
01
Спроектировал структуру данных для оценки качества диалогов.
02
Собрал dashboard-интерфейс для метрик, ошибок и review queue.
03
Заложил rule-based проверки для обязательных полей, handoff и fallback-сценариев.
04
Подготовил live demo и GitHub-репозиторий для быстрой проверки проекта.
Next step
AI-ботов нужно
не просто запускать,
а делать
проверяемыми
Открыт к задачам, где нужно собрать AI-автоматизацию, dashboard, QA-логику, CRM-сценарий или внутренний инструмент с понятными правилами, статусами и контролем результата.
Focus
AI automation / QA logic / dashboards / CRM scenarios / internal tools
Value
Не “магия ИИ”, а управляемые процессы, события, правила и контроль качества
Format
Working demos, MVP, Bitrix24, n8n, Telegram bots, dashboard-инструменты
