Задача
Нужна была своя (self-hosted) система поддержки клиентов: почта, Telegram и другие каналы — в одном окне, с историей переписки и без ежемесячной платы за каждого оператора. Главное требование — умная фильтрация. Каждое входящее сообщение должно автоматически проверяться нейросетью: спам закрывается и получает метку, а целевые обращения сразу попадают к живым менеджерам.
Вторым этапом та же связка должна была стать консультантом: подбирать товары по запросу клиента, читать присланные файлы и передавать менеджеру уже разобранную заявку.
Стек
- Chatwoot — омниканальная платформа поддержки, развёрнута в Docker.
- n8n — оркестратор: принимает события Chatwoot, вызывает нейросети, отвечает через API.
- DeepSeek — языковая модель для классификации: спам или целевой запрос.
- Gemini — распознавание сканов, фотографий и PDF во втором этапе.
- PostgreSQL — очередь входящих сообщений для бота-консультанта.
- Инфраструктура: Proxmox, изолированные Docker-контейнеры, Nginx Proxy Manager (NPM) для маршрутизации и SSL.
Вызов 1. Сетевая изоляция и NAT hairpinning
Симптом. Chatwoot должен отправлять вебхук о новом сообщении в n8n, но получал ошибку Connection refused.
Причина. Оба сервиса стоят на одной площадке за Nginx Proxy Manager, но в разных виртуальных сетях Docker. Chatwoot стучался в n8n по публичному HTTPS-домену, а локальный роутер не умеет заворачивать трафик сам на себя (проблема NAT hairpinning). Вдобавок путались порты: по HTTPS нужен 443, а контейнер n8n слушает локальный 5678.
Решение. Вместо сложной настройки маршрутизатора прописали маршрут прямо в docker-compose.yaml Chatwoot — директивой extra_hosts направили домен n8n на локальный адрес шлюза NPM:
extra_hosts:
- "n8n.ecom-studio.ru:192.168.0.108"
После пересборки контейнеров связь восстановилась сразу.
Что добавили потом. Для бота-консультанта мы пошли ещё дальше: вебхук аккаунта Chatwoot отправляет события напрямую на внутренний адрес n8n в локальной сети, минуя прокси, домен и сертификат. Меньше звеньев — меньше мест для отказа. Заодно нашли и выключили старую автоматизацию Chatwoot, которая продолжала слать события на недоступный публичный адрес и тихо падала.
Вызов 2. Бот, который не отдаёт диалог
Симптом. n8n и нейросеть уверенно классифицировали письма. Но когда целевое сообщение передавалось менеджерам, Chatwoot блокировал поле ответа. Внизу чата висела плашка «This conversation is currently handled by Антиспам», и чтобы ответить клиенту, менеджер каждый раз вручную нажимал «Take over».
Причина. В Chatwoot сущность Agent Bot по умолчанию забирает управление диалогом. Обычный запрос к API на смену статуса (status: "open") не снимал бота с роли ответственного.
Решение. Переделали передачу диалога человеку в n8n. Узел HTTP Request отправляет PUT-запрос к API Chatwoot, который не только открывает диалог, но и принудительно обнуляет исполнителя:
{
"status": "open",
"assignee_id": null
}
Пришли и к более изящному варианту: вообще не назначать Agent Bot на канал, а получать события обычными вебхуками. Тогда конфликта интерфейсов нет в принципе — чат всегда открыт для оператора.
Тонкость, о которой мало пишут. Токен Agent Bot в Chatwoot умеет работать только с конкретным диалогом: список диалогов и сообщений аккаунта ему недоступен (ответ 401). Поэтому всё, что нужно боту, n8n берёт из самого события вебхука и ходит в API точечно — по номеру диалога.
Вызов 3. Интерфейс, который грузился 66 секунд
Симптом. Интерфейс Chatwoot стал невыносимо медленным: страница входящих сообщений открывалась почти 66 секунд.
Причина. Разбор HAR-файла показал, что главный JS-бандл Vite (dashboard.js) весит 3,35 МБ и передаётся без сжатия. Ситуацию усугублял включённый в NPM HTTP/2: при мультиплексировании множества мелких модулей через виртуальную сеть Proxmox поток зависал и обрывался по стандартному тайм-ауту прокси в 60 секунд.
Решение.
- В Nginx Proxy Manager для домена Chatwoot принудительно отключили HTTP/2.
- В разделе Advanced добавили сжатие и отключили буферизацию прокси:
proxy_buffering off;
gzip on;
gzip_proxied any;
gzip_comp_level 5;
gzip_types text/plain text/css application/javascript application/json;
Бандл сжался с 3,35 МБ до ~800 КБ и стабильно отдаётся по HTTP/1.1. Полная загрузка интерфейса сократилась с 66 секунд до 1–2 секунд.
Вывод для своих проектов: HTTP/2 — не «всегда лучше». За связкой прокси и виртуальной сети его надо проверять на реальной нагрузке, а сжатие — включать явно: gzip_proxied any нужен, чтобы nginx сжимал и ответы, пришедшие через прокси.
Этап 2. От фильтра спама — к ИИ-консультанту
Когда антиспам заработал, следующий шаг напрашивался сам: если нейросеть уже читает каждое обращение, пусть она и помогает с ответом. Для интернет-магазина светотехники мы собрали в n8n бота-консультанта — ассистента менеджера, который подбирает товары по запросу клиента.
Как устроен бот
- Включается меткой. Бот отвечает только в диалогах с меткой
бот-подборщик. Менеджер сам решает, где помощь нужна, а где он ведёт клиента лично. - Очередь и пауза. Клиенты часто пишут несколькими короткими сообщениями подряд. Каждое входящее сначала попадает в очередь в PostgreSQL, бот ждёт 60 секунд и отвечает на всё сразу — одним связным сообщением, а не пятью обрывками.
- Ищет по нашему каталогу. Главный инструмент — поиск по самому сайту магазина: бот предлагает только товары, которые реально есть в продаже, со ссылками. Поиск в интернете — только для справок (характеристики, аналоги), он не подменяет каталог.
- Читает страницы. Если клиент присылает ссылку на товар конкурента, бот открывает страницу, выделяет характеристики и ищет аналог у себя.
- Отвечает в тот же канал — почта, Telegram или другой мессенджер, — откуда пришёл вопрос.
Читаем вложения клиентов
В оптовой светотехнике клиенты редко пишут «нужна гирлянда». Чаще присылают спецификацию в Word, таблицу Excel, PDF с чертежом или просто фото листа с ручными пометками. Это то, что изначально стояло в планах как «RAG на будущее», — и это оказалось самым ценным.
- Тип файла — по содержимому, а не по расширению. Бот смотрит на сигнатуру файла: клиенты часто присылают
.doc, который на самом деле.docx, или файл вовсе без расширения. - Текстовые форматы — без внешних сервисов. DOC, DOCX, RTF, XLSX, TXT и HTML разбираются прямо в n8n чистым JavaScript: быстро, бесплатно и без отправки документа куда-либо ещё.
- PDF, сканы и фото — через распознавание. Мы сравнили 14 моделей на реальных вложениях клиентов: чертежах, сканах, фото таблиц. Победила лёгкая модель семейства Gemini: качество не хуже «старших», а цена — около $0,002 за картинку. Для PDF включили встроенный разбор текстового слоя — без него сканированные страницы возвращались пустыми. Если основной сервис недоступен, работает запасной.
Когда бот передаёт клиента человеку
- Клиент просит менеджера — сразу, без участия нейросети: просьбу ловит простое правило по тексту, это быстрее и надёжнее.
- Счёт или коммерческое предложение — только после того, как бот подобрал позиции и клиент их подтвердил. Раньше бот передавал диалог на первой же фразе «нужен счёт» — и менеджер получал заявку без списка товаров.
- Бот не знает ответа — честно передаёт, а не выдумывает.
При передаче бот снимает свою метку, ставит метку оператор и оставляет менеджеру приватную заметку: что клиент хочет, что уже подобрано, какие вопросы остались. Диалог остаётся открытым — без всякого «Take over».
Итог
- Одно окно для всех каналов — почта, Telegram и мессенджеры в Chatwoot на своём сервере.
- Спам не доходит до людей: нейросеть закрывает его и ставит метку
spam, менеджеры видят только чистый поток заявок. - Интерфейс открывается за 1–2 секунды вместо 66.
- ИИ-консультант подбирает товары из реального каталога, читает спецификации, таблицы, PDF и сканы и передаёт менеджеру уже разобранную заявку.
Что из этого можно взять себе
- Связь сервисов внутри одной площадки — по локальной сети, а не через публичный домен:
extra_hostsили внутренний адрес. Меньше звеньев — меньше отказов. - Не давайте боту «владеть» диалогом, если отвечать должны люди: вебхуки вместо Agent Bot или сброс
assignee_idпри передаче. - Медленный интерфейс — сначала HAR-файл. Часто причина не в «тяжёлом приложении», а в выключенном сжатии и капризах HTTP/2 за прокси.
- Модель для распознавания выбирайте на своих файлах. Разница в цене между моделями — в разы, а в качестве на реальных документах — иногда в пользу дешёвой.
- Правила там, где можно, нейросеть — где нужно. Просьбу позвать менеджера надёжнее поймать регулярным выражением, чем спрашивать у модели.
Что дальше
Следующий шаг — база знаний (RAG) по каталогу и типовым вопросам, чтобы бот вёл полноценную первичную консультацию: сравнивал серии, подсказывал совместимость блоков питания и контроллеров и только потом передавал клиента менеджеру с готовым списком.
Хотите такую же поддержку у себя? Расскажите о задаче — посмотрим, какие каналы и сценарии можно автоматизировать.