Как собрать no-code ИИ-агента для аудита процессов на n8n, Qdrant и Docker: кейс Woyax

Аудит на автопилоте: зачем бизнесу еще один ИИ-агент

Представьте, что ваш бизнес - это старый дом. Вы живете в нем годами, подстраиваете, делаете пристройки. Где-то проводка скручена изолентой, где-то труба течет только если по ней похлопать. Вы об этом знаете? Скорее всего, нет. Точнее, знаете, но в моменте, когда уже залило соседей или выбило пробки.

То же самое с процессами. Они обрастают костылями, исключениями, "временными решениями", которые живут годами. Нанимать консультанта за полмиллиона - дорого. Делать самому - некогда. Решение из 2026 года - автономный ИИ-агент, который ползает по вашим данным и рисует карту всех этих утечек. Без кода, на коленке, за выходные.

Проект Woyax - живой пример такого подхода. Не стартап с сотнями миллионов, а pragmatic stack: n8n, Qdrant, Docker и актуальная LLM. Работает локально, не сливает данные, стоит копейки. Звучит утопично? Сейчас разберем по винтикам.

Сердце системы: что внутри черного ящика

Три кита, на которых стоит агент. Ничего экзотического, только проверенные инструменты с открытым исходным кодом.

Альтернативы? Конечно. Можно заменить n8n на Node-RED (но там меньше готовых коннекторов). Вместо Qdrant взять Weaviate или Pinecone (но последний - облачный). Суть в том, что этот конкретный стек проверен в бою и не требует танцев с бубном.

1Собираем базу знаний в Qdrant

RAG - не магия, а способ заставить нейросеть помнить то, чего нет в ее тренировочных данных. В нашем случае - ваши внутренние регламенты, шаблоны договоров, скрипты продаж.

Как это работает в Woyax:

• Вы загружаете документы (PDF, Word, даже скриншоты) через веб-интерфейс n8n.
• n8n отправляет текст на splitting - разбивку на чанки. Не делайте чанки по 5000 символов, это убьет точность. 800-1200 символов с перекрытием - золотая середина 2026 года.
• Каждый чанк превращается в вектор с помощью модели эмбеддингов (например, text-embedding-3-large или локальной nomic-embed-text). Векторы летят в Qdrant.

Теперь у агента есть память. Когда вы спрашиваете "Как у нас проходит возврат товара?", он не галлюцинирует, а ищет ближайшие векторы в Qdrant и выдает точный фрагмент из реального регламента.

2Настраиваем детектор аномалий в n8n

Здесь начинается магия no-code. В n8n вы создаете workflow, который:

1. Берет данные из вашей CRM (например, через API). Допустим, все заказы за последний месяц.
2. Для каждого заказа задает LLM вопрос: "Отличается ли этот процесс от эталонного в базе знаний?".
3. Анализирует ответы. Если LLM находит отклонения (например, менеджер пропустил этап согласования), записывает это в лог.
4. Формирует сводный отчет и отправляет в Telegram или на почту.

Весь этот пайплайн собирается перетаскиванием узлов в интерфейсе n8n. Ни строчки кода. Если вы уже работали с интеграцией Woyax и Dynamics, принцип будет знаком.

3Упаковываем в Docker и запускаем

Самое простое. Готовый docker-compose.yml поднимает три сервиса: n8n, Qdrant и LLM-сервер (например, использующий Ollama или vLLM). Все общается между собой по внутренней сети.

Развертывание на дешевом VPS от Hetzner или Selectel:

git clone https://github.com/woyax/audit-agent-stack.git
cd audit-agent-stack
docker-compose up -d

Через 5-10 минут у вас работает полноценный ИИ-агент. Останется только настроить триггеры (например, запуск аудита каждую пятницу) и подключить источники данных.

А теперь по чесноку: где этот агент спотыкается

Не все так розово. После месяца использования Woyax в реальных условиях вылезают типичные грабли.

• Качество эмбеддингов. Если ваши документы - это сканы с кривым OCR, векторный поиск будет возвращать ерунду. Придется чистить данные. (Об этом же писали в разборе галлюцинаций AI-ассистентов).
• Стоимость запросов к LLM. Даже с локальной моделью. 1000 запросов к Llama 3.2 на GPU займут время и электричество. Нужно балансировать между частотой аудита и ресурсами.
• Сложные процессы. Агент отлично ловит пропущенные этапы. Но если отклонение - это не пропуск, а изменение логики (менеджер сам принял решение без согласования, потому что так быстрее), LLM может не понять контекста. Нужна тонкая настройка промптов.

И главное - агент не принимает решения. Он только находит аномалии. Что с ними делать - решает человек. Это не искусственный интеллект, а инструмент для усиления вашего собственного.

Кому это нужно? (Спойлер: не всем)

Этот стек - не серебряная пуля. Он идеален для трех сценариев:

Если ваши процессы прописаны в Jira или Asana, и у вас есть доступ к API - это идеальный кандидат. Если данные лежат в бумажных папках или в головах сотрудников, сначала придется их оцифровать. ИИ-агент не волшебник.

Что дальше? Экспериментируйте. Замените LLM на более новую модель. Добавьте узел для анализа не только текста, но и изображений (скриншоты интерфейсов). Подключите оркестратор вроде Beads, чтобы управлять несколькими агентами.

Главный урок Woyax не в технологиях, а в подходе. Не ждите готового решения. Соберите своего агента из кубиков, которые уже есть. Это дешевле, быстрее и дает контроль над данными. А в 2026 году контроль - это главная валюта.

Подписаться на канал