Sales Copilot

Рабочий черновик AI-агента для менеджера продаж: подготовка к звонку и разбор звонка после встречи. Прототип сделан для одного синтетического B2B SaaS-клиента и показывает полный сценарий "бриф -> звонок -> разбор и микро-обучение".

Быстрый ответ для проверяющего

• Рабочий прототип: run_agent.py.
• Использованная модель: gpt-5.4-mini.
• Две связанные фазы: outputs/phase1_brief.md передается в фазу 2.
• Промпты: prompts/phase1_brief.md, prompts/phase2_review.md.
• Короткая записка: docs/submission_note.md.
• Презентация: docs/slides.md.
• Мини-демо: demo/demo.html и PNG в demo/screenshots/.

Что внутри

• run_agent.py - запускаемый CLI на стандартной библиотеке Python.
• data/sample_client.json - синтетическая карточка клиента, прошлые касания и транскрипт звонка.
• prompts/phase1_brief.md - промпт подготовки к звонку.
• prompts/phase2_review.md - промпт разбора после звонка.
• outputs/phase1_brief.md - live-результат фазы 1.
• outputs/phase2_review.md - live-результат фазы 2.
• outputs/run_metadata.json - модель, длительность и usage без секретов.
• docs/submission_note.md - короткая записка по заданию.
• docs/slides.md - 4 слайда для показа команде.
• demo/demo.html - статичный отчет "вход -> выход".
• demo/phase1.html, demo/phase2.html - страницы, из которых сделаны PNG-скриншоты.
• demo/screenshots/phase1.png, demo/screenshots/phase2.png - мини-демо для обеих фаз.

Как запустить

1. Положить ключ OpenAI API в .env:

cp .env.example .env
# затем заменить значение OPENAI_API_KEY в .env

2. Запустить обе фазы:

python3 run_agent.py --input data/sample_client.json --out outputs --model gpt-5.4-mini

Скрипт читает .env локально, не печатает ключ и не сохраняет его в outputs.

Требования: Python 3.11+ и доступ к OpenAI API. Внешние Python-пакеты не нужны.

Что делает агент

Фаза 1 берет карточку клиента и прошлые касания, затем готовит короткий бриф:

• кто клиент и на каком этапе сделки;
• цель звонка;
• 3-5 вопросов;
• вероятные возражения и ответы;
• что не забыть перед звонком.

Фаза 2 берет транскрипт состоявшегося звонка и бриф фазы 1, затем выдает:

• что прошло хорошо и что упустили;
• выполнен ли план из брифа;
• рекомендации на следующий раз;
• микро-урок в формате "было -> стало".

Архитектура

flowchart LR
  A["CRM карточка клиента"] --> D["run_agent.py"]
  B["Письмо / заметка менеджера"] --> D
  C["Транскрипт звонка"] --> D
  D --> E["OpenAI Responses API<br/>gpt-5.4-mini"]
  E --> F["Фаза 1: бриф"]
  F --> G["Фаза 2: разбор звонка"]
  C --> G
  G --> H["Рекомендации + микро-урок"]
  F --> I["HTML demo + screenshots"]
  H --> I

Loading

Тестовый live-прогон и стоимость

Live-прогон выполнен на gpt-5.4-mini; фактическая модель API: gpt-5.4-mini-2026-03-17. Скрипт прошел обе фазы на одном синтетическом клиенте: сначала сгенерировал бриф, затем передал этот бриф вместе с транскриптом в фазу 2 для разбора звонка.

Команда прогона:

python3 run_agent.py --input data/sample_client.json --out outputs --model gpt-5.4-mini

Результаты по outputs/run_metadata.json:

Этап	Input tokens	Output tokens	Total tokens	Стоимость
Фаза 1: бриф	1,324	839	2,163	$0.0048
Фаза 2: разбор	2,910	1,556	4,466	$0.0092
Полный цикл на 1 звонок	4,234	2,395	6,629	$0.0140

Расчет сделан по заданным тарифам: $0.75 за 1M input tokens и $4.50 за 1M output tokens.

Формула:

input_cost = 4,234 / 1,000,000 * 0.75 = $0.0031755
output_cost = 2,395 / 1,000,000 * 4.50 = $0.0107775
total_cost = $0.013953 ~= $0.014 на один звонок

Суммарная длительность live-прогона: 16.87 секунды.

Проверка качества

Ручная проверка:

• фаза 2 использует бриф фазы 1 в таблице "Выполнен ли план из брифа";
• рекомендации привязаны к конкретному транскрипту и next steps;
• слабая фраза менеджера взята из звонка без выдумывания;
• факты вроде CFO, HubSpot, сроков и KPI совпадают с синтетическими входными данными.

Минутный pitch менеджеру

Перед звонком агент за 3 минуты собирает для тебя главное: кто клиент, зачем звонок, какие вопросы задать, какие возражения вероятны и что нельзя забыть. После звонка он сравнивает разговор с планом, показывает, что было сделано, где провисли квалификация и next steps, и дает одну конкретную тренировку фразы. Это экономит время подготовки, дисциплинирует follow-up и ускоряет обучение менеджеров без прослушивания каждого звонка руководителем вручную.