Цель — разработка интеллектуальной вопросно-ответной системы для повышения качества и скорости обслуживания покупателей за счёт автоматизации обработки типовых клиентских запросов в интернет-магазине автозапчастей «Amautozap». Проведён анализ предметной области и существующих отечественных и зарубежных решений в области ИИ-ассистентов для ритейла. Сформированы функциональные требования, выбрана модель Qwen3.5 через OpenRouter API. Спроектирована модульная архитектура с распределением запросов между ИИ-агентами (маршрутизатор, поиск запчастей, диагностика, подбор аналогов, эскалация). Подготовлены три базы данных: каталог запчастей, база аналогов и база знаний по неисправностям. Реализовано серверное ядро на Python/Flask и чат-виджет на HTML/CSS/JS. Система развёрнута на облачной платформе Render. Проведено пользовательское тестирование на выборке из 50 запросов. Среднее время ответа — 2,1 с (против 2–10 мин у оператора). Доля успешно обработанных запросов без оператора — 88%, точность классификации — 94%, оценка «полезно» от пользователей — 92%.

The goal is to develop an intelligent question—and-answer system to improve the quality and speed of customer service by automating the processing of typical customer requests in the online auto parts store Amautozap. The analysis of the subject area and existing domestic and foreign solutions in the field of AI assistants for retail is carried out. Functional requirements have been formed, and the Qwen3.5 model has been selected via the OpenRouter API. A modular architecture has been designed with the distribution of requests between AI agents (router, spare parts search, diagnostics, selection of analogues, escalation). Three databases have been prepared: a spare parts catalog, a database of analogues, and a knowledge base on malfunctions. Implemented a server core in Python/Flask and a chat widget in HTML/CSS/JS. The system is deployed on the Render cloud platform. User testing was performed on a sample of 50 queries. The average response time is 2.1 seconds (versus 2-10 minutes for the operator). The percentage of successfully processed queries without an operator is 88%, the classification accuracy is 94%, and the "useful" rating from users is 92%.