ИИ-агент, который находит клиентов сам: как устроен B2B-лидогенератор на LangGraph
Как работает автономный ИИ-агент лидогенератор на базе LangGraph: сбор данных с сайтов и вакансий, проверка выручки по ЕГРЮЛ, генерация офферов и тест-драйв.
Каждый, кто хоть раз пытался продавать сложные B2B-услуги или заказную разработку с чеком от 500 000 до 3 000 000 ₽, знает эту боль. Контекстная реклама в Яндексе перегрета: аукцион забит конкурентами, а стоимость одного квалифицированного лида (SQL) легко пробивает 35 000 ₽. Покупные холодные базы из справочников 2ГИС или Rusprofile дают отклик в районе 1.1–1.2%: секретари блокируют звонки, корпоративные почтовые спам-фильтры безжалостно сжигают домены, а сеньор-менеджеры тратят по 1.5–2 часа на компанию, чтобы просто понять, кто там принимает решения и жива ли компания вообще.
Мы в NextCore столкнулись ровно с этой проблемой при масштабировании заказной разработки и платформы TimeFlow ERP. Вместо того чтобы нанимать армию джуниор-лидогенераторов и сжигать миллионы на контекст, мы спроектировали и выкатили в бой автономного ИИ-агента Гошу (Gosha AI Leadgen) на базе Python, FastAPI и фреймворка LangGraph. Агент круглосуточно сканирует открытые цифровые следы бизнеса, выявляет острую потребность по сигналам найма, исследует сайты компаний, проверяет их финансовую состоятельность по ЕГРЮЛ и строит доказательные офферы без единой галлюцинации.
Результат боевого внедрения: время сбора глубокого досье сократилось со 120 минут до 2–3 минут, стоимость привлечения лида (CPL) упала в 5.8 раз, а конверсия в ответ выросла до 14–18%. В этой статье мы подробно и на реальных примерах из нашего кейса разберём архитектуру системы, работу StateGraph, 6-стадийный конвейер и покажем, как запустить бесплатный тест-драйв в Telegram.
1. Фундаментальный инсайт: почему открытые вакансии — лучший триггер B2B-спроса
Почему традиционный аутрич проваливается? Потому что он обращается к компании в случайный момент времени, когда у неё нет горящей проблемы. Вектор меняется на 180 градусов, если перейти на триггерную лидогенерацию (Intent-Based Lead Generation).
Когда предприятие публикует вакансию на HeadHunter, SuperJob или Хабр Карьере — это не просто объявление HR. Это публичная декларация трёх ключевых условий сделки:
- Подтвержденная боль: у компании горит проект, не хватает рук или внедряется новая технология, о чем прямо написано в обязанностях.
- Выделенный бюджет: открытая ставка с зарплатой 250 000 – 350 000 ₽ означает, что бизнес готов инвестировать от 3 до 5 млн ₽ в год в решение этой задачи.
- Окно возможности: поиск сотрудника длится в среднем 2–3 месяца. В этот период компания максимально открыта к предложениям проектного подряда и экспертной помощи со стороны.
Если завод ищет «Ведущего архитектора 1С:ERP» — рекрутер видит вакансию, а наш ИИ-агент видит проект миграции на миллионы рублей, где дедлайн сдачи горит уже в следующем квартале.
2. Реальный боевой пример: что видит и извлекает агент
Чтобы понять разницу между слепым спамом и работой агента, взглянем на один из сотен реальных кейсов, обработанных нашим конвейером:
| Параметр анализа | Что собирает традиционный парсер | Что извлекает и доказывает ИИ-агент Гоша |
|---|---|---|
| Объект поиска | ООО «Завод ТехноМаш» (название и телефон) | Производитель горно-обогатительного оборудования |
| Первоисточник | Строка из телефонного справочника | Вакансия HH.ru: «Ведущий архитектор 1С:ERP», з/п 320 000 ₽ |
| Прямая цитата боли | Отсутствует | «Предстоит бесшовный перевод учета с 1С:УПП 1.3 на ERP 2.5 к Q3, 4 склада, 120 000 SKU» |
| Сайт и технологии | Ссылка на главную страницу | Обход каталога и новостей: запуск 2-й очереди цеха, WMS-системы, стек интеграций |
| Финансовый скоринг | «Неизвестно» | ФНС / ЕГРЮЛ: Выручка 480 млн ₽, чистая прибыль 42 млн ₽, статус юрлица активен, 0 исков |
| Контакты ЛПР | info@zavod.ru (секретарь) | ФИО генерального директора из ЕГРЮЛ + открытый e-mail IT-директора |
| Персональный оффер | «Здравствуйте, мы IT-компания, купите наши услуги» | «Здравствуйте! Заметили, что вы расширяете цех и переводите учет с УПП на ERP. В нашем портфолио есть проект аналогичного завода с 150 000 SKU, где мы ускорили закрытие месяца в 3 раза...» |
Конверсия первого обращения возрастает с 1.2% до 16%, потому что клиент видит: перед ним не спамер, а эксперт, который детально погрузился в его производственную ситуацию.
3. Архитектура на LangGraph: почему линейные скрипты бессильны в реальном вебе
Первая мысль разработчика при создании парсера — написать последовательный скрипт: скачал вакансию, распарсил сайт, дёрнул GPT, сохранил в базу. В реальном вебе такой скрипт падает на третьем шаге. Сайты компаний защищены Cloudflare, страницы контактов упрятаны во вложенные меню, у холдингов десятки юрлиц, а некоторые компании находятся в стадии ликвидации.
Мы спроектировали ядро на базе LangGraph — библиотеки для построения циклических и ветвящихся графов состояний (StateGraph). Это даёт системе инженерные преимущества:
- Условный роутинг (Conditional Branching): агент анализирует результат каждого узла. Если сайт компании недоступен — граф не падает с исключением, а активирует резервную ветвь: переходит в госреестры, картографические профили или профессиональные сообщества.
- ReAct-петля рассуждений: модель формулирует гипотезу, выбирает подходящий Tool из реестра, проверяет валидность данных и только затем переходит к следующему шагу.
- Персистентные чекпоинты (Checkpoints): состояние графа пишется в PostgreSQL через Checkpoint Saver. Если внешнее API временно возвращает 504 или процесс ожидает решения человека, граф возобновляется с точной точки паузы без повторной траты токенов.
- Human-in-the-Loop через interrupt(): критические стадии (например, отправка лида в боевую CRM) могут требовать модерации оператором в один клик.
4. Шесть стадий конвейера (S1–S6): как работает агент под капотом
В нашем боевом кейсе конвейер поиска и квалификации клиентов разделен на 6 четко изолированных стадий:
- 1S1 — Сбор сырых вакансий (Scraper Engine): Фоновый Celery-воркер собирает через официальный API HH.ru свежие вакансии по динамической поисковой матрице (роли, отрасли, регионы).
- 2S2 — Детерминированный префильтр (0 токенов): Мгновенная фильтрация по правилам из БД и PostgreSQL GIN-индексам (<50 мс): отсекаются нецелевые регионы, сомнительные отрасли и кадровые агентства без расхода дорогостоящих токенов LLM.
- 3S3 — Deep Research Agent (Краулинг сайта и ЕГРЮЛ): Автономный обход официального домена компании, анализ структуры разделов «О нас», технологий и кейсов. Параллельно отправляется асинхронный запрос к реестрам ФНС/ЕГРЮЛ: извлекаются выручка, прибыль, отсутствие банкротства и имя генерального директора.
- 4S4 — Theory Pipeline (Факты → Боль → Оффер → Скор): Интеллектуальное ядро на базе LangGraph. Четыре шага строгой Pydantic-цепочки с принципом Zero Hallucination: каждый аргумент обязан иметь прямую цитату из первоисточника.
- 5S5 — Входящие Гоши (Human-in-the-Loop): Карточка лида появляется во входящих с подсветкой доказательств, выручки и скоринга от 0 до 100. Оператор может одобрить лид в один клик.
- 6S6 — Экспорт в CRM и Excel: Автоматическая генерация структурированного отчета Excel с форматированием и цветовой дифференциацией, а также создание сделки в amoCRM / Битрикс24 с готовым персонализированным скриптом.
5. Принцип Zero Hallucination: строгие доказательства вместо фантазий нейросети
Главная опасность применения LLM в B2B-продажах — галлюцинации. Если модель придумает несуществующую проблему компании или назовет не того директора, менеджер сядет в лужу на первом же звонке.
Чтобы исключить этот риск, в Гоше реализован строгий контракт доказательств (Proof Contract):
Если агент не может найти дословное подтверждение боли в тексте вакансии или сайта — он не придумывает её. Лид либо отправляется на доразведку, либо отбраковывается.
6. Экономика и реальные результаты: цифры из боевого кейса NextCore
Давайте сопоставим объективные метрики ручной работы менеджера по продажам (SDR) и боевого конвейера ИИ-лидогенератора:
| Критерий оценки | Ручной поиск менеджером (SDR) | ИИ-конвейер NextCore на LangGraph |
|---|---|---|
| Время на глубокий сбор досье | 90–120 минут на одну компанию | 2–3 минуты в автоматическом режиме |
| Объем обработки в сутки | 10–20 компаний на человека | 300–600 квалифицированных компаний |
| Себестоимость одного лида | 600–900 ₽ (с учетом ФОТ и налогов) | 18–35 ₽ (затраты на API, LLM и краулер) |
| Проверка выручки и рисков | Часто игнорируется из-за нехватки времени | 100% лидов проверены по официальным базам ЕГРЮЛ |
| Доказательная база боли | Субъективное предположение менеджера | Точные цитаты с кликабельными URL первоисточников |
| Конверсия в ответ на письмо | 1.1–2.0% (классический холодный аутрич) | 14–18% (за счет привязки к горящей проблеме) |
| Снижение CPL относительно рекламы | Базовый уровень контекста (35 000+ ₽) | Снижение CPL в 5.8 раз |
Интерактивную демонстрацию всех боевых экранов, включая интерфейс модерации Гоши и примеры сформированных Excel-отчетов, вы можете изучить на странице нашего кейса.
7. Как протестировать технологию бесплатно: тест-драйв на 15 лидов
Мы упаковали боевое ядро ИИ-лидогенератора в доступный Telegram-бот, чтобы любая компания могла бесплатно оценить качество собранных лидов на своей реальной нише:
- Запустите официального Telegram-бота @NextCoreB2BLeadGen_bot.
- Укажите название компании, профиль услуг и ключевые роли специалистов (например: «поставка промышленного оборудования», роли «главный энергетик», «инженер АСУ ТП», регион «Урал и Поволжье»).
- Агент автономно исследует открытые вакансии, зайдет на сайты предприятий, запросит данные ЕГРЮЛ и сформирует выборку целевых компаний.
- Прямо в чат вам придет готовый файл Excel с 15 горячими лидами: прямыми контактами, подтвержденной выручкой, болями и готовыми питчами для первого звонка.
Тест-драйв не требует привязки карты, ввода платежных реквизитов или звонков от назойливых менеджеров — только чистый результат работы нейросетевого конвейера.
Резюме: трансформация B2B-продаж
Автономный ИИ-лидогенератор — это не замена талантливым переговорщикам. Это мощный экзоскелет, который избавляет коммерческий отдел от цифровой каторги: ручного перелопачивания сайтов, сопоставления ИНН в Excel и звонков наугад.
Когда менеджер каждое утро открывает CRM и видит перед собой 15–20 теплых компаний с подтвержденным бюджетом и разобранными болями, его работа превращается в содержательные экспертные переговоры с высокой конверсией в оплату.
