LeadForge AI
AI-платформа B2B sales intelligence на базе мультиагентных workflows.
LeadForge AI автоматизирует полный цикл B2B-продаж: исследование компаний, квалификацию лидов и персонализированный аутрич — с помощью AI-агентов, RAG и структурированного вывода.
Проект Alchemia StudioAI SaaS Platform
B2B-отделы продаж
Конвейер: исследование → квалификация → аутрич
01Обзор проекта
LeadForge AI — платформа sales intelligence, построенная как оркестрированная мультиагентная система: один workflow, покрывающий весь B2B-цикл продаж.
Что было создано
Мультиагентная AI-платформа: исследование компаний, квалификация лидов и генерация персонализированных предложений в едином workflow.
Для кого
B2B-отделы продаж и business development, которые тратят много времени на ручное исследование, анализ данных и персонализацию.
Основная цель
Автоматизировать полный цикл продаж — от поиска компаний до готовых персональных предложений — с помощью специализированных AI-агентов.
Технологический фокус
Мультиагентная LLM-архитектура с RAG-контекстом, структурированным выводом и валидацией с участием человека.
02Проблема
Перед проектированием системы мы зафиксировали реальную проблему B2B-команд — без допущений и шаблонных формулировок.
Проблема
- Исследование ручное: поиск и анализ компаний занимает часы на каждого лида.
- Данные разбросаны по множеству инструментов без единого взгляда на аккаунт.
- Квалификация лидов зависит от субъективного суждения, а не от структурированных критериев.
- Аутрич шаблонный и не учитывает конкретный контекст каждой компании.
Ограничения
- Ни один публичный датасет недостаточно полон, чтобы быть единственным источником данных о компаниях.
- Командам продаж нужен прозрачный и проверяемый AI-вывод, а не чёрный ящик.
- Система должна встраиваться в существующие процессы без полной перестройки workflow.
Почему обычный подход не работает
- Обычный LLM-чат не может выполнить многоэтапный процесс: исследование → квалификация → сообщение.
- Правила и скрипты ломаются на неструктурированных веб-данных и свободном исследовании.
- CRM с «прикрученным» AI не автоматизирует цикл исследования и персонализации.
03Решение
LeadForge AI — оркестрированная мультиагентная система. Каждый агент отвечает за свой этап цикла продаж и возвращает типизированные, проверяемые результаты.
AI Company Research
Research-агент обогащает компании данными о рынке из веб-источников.
ICP & Persona Modeling
Агенты определяют профиль идеального клиента и персоны покупателей на основе данных.
Lead Qualification
Прозрачный скоринг с понятными и объяснимыми критериями.
Personalized Outreach
Content-агент генерирует сообщения на основе контекста компании через RAG.
Multi-Agent Orchestration
Workflow-движок координирует агентов по этапам с типизированными контрактами.
Sales Intelligence
Аналитика и рекомендации по аккаунтам, воронкам и эффективности.
04Workflow
Внутри агентного пайплайна: каждый шаг возвращает структурированные результаты, которые потребляет следующий агент.
Business goal input
01Определяем целевой рынок, ICP и цели кампании.
Research Agents
02Агенты собирают и анализируют данные о компаниях из веб-источников.
Company Intelligence Layer
03Для каждого аккаунта строится структурированный профиль, сигналы и контекст.
ICP Analysis
04Аккаунты сопоставляются с критериями идеального клиента.
Qualification Agent
05Лиды скорятся по прозрачным и объяснимым правилам.
Personalized Outreach
06Сообщения генерируются из контекста компании через RAG.
Human Review
07Команда продаж проверяет и утверждает сообщения перед отправкой.
05Стратегия продукта
Стратегия продукта переводит проблему в конкретное решение: агенты выполняют исследование, люди принимают решения.
Product vision
Платформа sales intelligence, где AI-агенты берут на себя исследование, а решения принимают люди.
User flow
Определить ICP → добавить компании → агенты исследуют → квалификация → ручное ревью → персональный аутрич готов к утверждению.
Core features
Исследование компаний, скоринг квалификации, сообщения на основе персон и автоматизация workflow.
AI opportunities
Автоматизация исследования, стандартизация квалификации, контекстный аутрич и обучение на результатах.
06AI-архитектура
Система спроектирована как конвейер из пяти этапов. У каждого слоя — чёткая роль, зона ответственности и технологический фокус.
Input
01Списки компаний, данные CRM и публичные веб-источники поступают в конвейер.
APIs, web research, CRM exportsAI Processing
02Данные нормализуются, обогащаются и превращаются в структурированные признаки.
ETL, embeddings, structured parsingAgents / RAG / LLM layer
03Специализированные агенты обрабатывают данные с RAG-контекстом.
LLM, RAG, vector searchValidation
04Проверяется качество вывода, применяются guardrails и ручное ревью критичных шагов.
Structured output schemas, review UIOutput
05Квалифицированные лиды, скоринг и персональный аутрич, готовые к работе.
APIs, message templates, dashboard07Инженерные решения
Почему такая архитектура? Каждое ключевое решение отвечает на конкретное требование продукта.
Почему AI Agents
Каждый этап цикла продаж требует своей роли, инструментов и контекста. Агенты инкапсулируют ответственность и оркестрируются независимо.
Почему RAG
Качество аутрича зависит от контекста компании. RAG привязывает генерацию к извлечённым данным, а не к общим знаниям модели.
Почему структурированный вывод
Автоматизация downstream-этапов — скоринг, хранение, отправка — требует типизированных машинно-читаемых результатов, а не свободного текста.
Почему human-in-the-loop
Аутрич касается клиентов. Критичные шаги проверяются и утверждаются людьми до выполнения.
Почему этот стек
TypeScript на всём пути, PostgreSQL для состояния, LLM API для интеллекта — быстро строить, легко поддерживать, готово к production.
08Технологический стек
Четыре слоя: модели, retrieval, само приложение и production-инфраструктура.
AI Models
Retrieval / RAG
Application
Infrastructure
09Реализация
Как система устроена под капотом — реальные технические детали без раскрытия специфики.
Архитектурные паттерны
Оркестрированный мультиагентный workflow с типизированными контрактами между этапами и изолированными зонами ответственности.
Интеграции
Веб-источники исследования, импорт данных из CRM и структурированный экспорт для инструментов аутрича.
Data flow
Список компаний → обогащение исследованием → скоринг квалификации → генерация контента → ручное ревью.
Подход к деплою
Контейнеризованный сервис, состояние в базе данных и конфигурация через окружение для воспроизводимых деплоев.
10Результаты
Что получил проект — реальные возможности и бизнес-эффект без неподтверждённых цифр.
Что построено
Исследование, обогащение и анализ работают как один скоординированный конвейер.
Аккаунты хранятся как типизированные, доступные для поиска профили.
Лиды скорятся по прозрачным и объяснимым критериям.
Сообщения генерируются на основе контекста компании через RAG.
Бизнес-эффект
Команды продаж тратят меньше времени на сбор данных и черновики.
Каждый аккаунт оценивается по одним и тем же структурированным правилам.
Конвейер можно переиспользовать для новых кампаний и рынков.
11Принципы
Принципы, стоящие за системой — как Alchemia Studio проектирует, строит и выпускает AI-продукты.
AI-first архитектура
Система проектируется вокруг AI-возможностей с первого дня, а не достраивает их позже.
Валидация с человеком в цикле
Каждый критичный AI-вывод проходит проверку человеком до того, как достигнет клиента.
Структурированный вывод
Агенты возвращают типизированные машинно-читаемые результаты, которым доверяют downstream-системы.
Разработка, управляемая оценкой
Поведение моделей измеряется и сравнивается до выпуска изменений.
Production thinking
Каждый компонент создаётся с учётом мониторинга, надёжности и поддержки.
Связанные материалы
Глубокие разборы инженерии систем, подобных этой.
12Связанные продукты
Связанные продукты
Ещё продукты студии, построенные на том же инженерном подходе.