Задача, которую раньше закрывали людьми
В каталоге автозапчастей «новая позиция» — это не только название и фото. Нужно проставить применяемость (к каким машинам/типам подходит), разложить по категориям дерева и найти аналоги среди уже существующих артикулов. На живом aftermarket-потоке это была ежедневная рутина нескольких менеджеров: открыть карточку, сверить с TecDoc/OEM-контекстом, руками прокликать связи, не ошибиться в кроссах.
Ошибки дорогие: неверная применяемость = возврат и негатив; пропущенный аналог = потерянная продажа; кривая категория = мёртвый SEO и слепой поиск.
Идея: микросервис + AI + MCP над API автомобилей
Вместо «ещё одной админки с галочками» сделали контур, где модель работает с доменными инструментами, а не галлюцинирует VIN из воздуха.
- Микросервис применяемости — владеет черновиками связей, очередью задач, аудитом решений, статусами «предложено / принято / отклонено».
- API автомобилей (марки, модели, типы, модификации, атрибуты) — источник правды по vehicle-графу.
- MCP-сервер, собранный поверх этого API: инструменты вроде «найти типы по марке/модели», «сравнить две позиции», «кандидаты аналогов», «предложить категорию».
- AI-агент (в IDE или внутреннем ассистенте) вызывает MCP-инструменты, собирает доказательную базу и пишет предложение в микросервис.
Ключ: модель не «знает каталог» — она пользуется API через MCP. Это резко снижает фантазии и оставляет следы: какие tool-call’ы были, какие id вернулись, кто утвердил.
┌─────────────┐ tool calls ┌──────────────────┐
│ AI-агент │────────────────────▶│ MCP-сервер │
│ (оператор) │◀────────────────────│ vehicles tools │
└──────┬──────┘ structured └────────┬─────────┘
│ proposals │
▼ ▼
┌──────────────────┐ ┌────────────────────┐
│ Микросервис │ │ API автомобилей │
│ применяемости │◀─ audit ─────│ make/model/type │
│ drafts / review │ └────────────────────┘
└────────┬─────────┘
│ approve
▼
каталог / кроссы / категории
Сценарий 1: применяемость для новой запчасти
На вход — новая карточка (бренд, артикул, описание, иногда OEM-номер). Агент через MCP:
- достаёт кандидатов vehicle-типов по марке/модели/критериям;
- сопоставляет с уже известными связями похожих артикулов;
- формирует список применяемости с уверенностью и ссылками на источники в API;
- кладёт draft в микросервис — менеджер только ревьюит, а не набивает с нуля.
новая запчасть
│
▼
normalize (бренд/артикул/OEM)
│
▼
MCP: search vehicles / types
│
▼
MCP: similar parts applicability
│
▼
draft links ──▶ human review ──▶ publish
Сценарий 2: перенос по категориям
Когда дерево категорий живое (новые узлы, укрупнение, SEO-перестройки), массовый ручной перенос — ад. Агент предлагает целевую ветку по названию, атрибутам и соседям в графе, а микросервис хранит batch-операции с откатом. Человек утверждает пачку, а не кликает тысячу карточек.
Сценарий 3: «это аналог?» — сравнение с существующими
Классика: пришёл новый артикул, в базе уже есть кросс/замена, но менеджер её не видит. Через MCP сервис сравнения тянет кандидатов (нормализованный номер, бренд-семейство, пересечение применяемости) и отдаёт вердикт: «добавить как аналог / не уверен / конфликт».
новый артикул ──▶ candidates ──▶ compare attrs + fitment
│
┌─────────────────┼─────────────────┐
▼ ▼ ▼
link as analog needs review reject / conflict
Важно: финальная связь в каталог пишет только после review. AI ускоряет подготовку, не подменяет ответственность.
Что изменилось в операционке
До внедрения закрывали поток пятью менеджерами контента/применяемости. После стабилизации контура AI+MCP хватило двух: роль сместилась с «набить связи» на «проверить предложения и разрулить исключения». По факту автоматизация сократила трёх менеджеров и ускорила обработку новых позиций в разы — меньше очереди на карточку, быстрее выход в поиск и витрину.
С инженерной стороны меня это искренне радовало: наконец доменный API перестал быть «документацией для людей» и стал инструментом агента; MCP оказался удачным клеем между LLM и скучным, но критичным vehicle-графом.
Моральный хвост, который не закрывается деплоем
И одновременно — честно неприятный эффект. Три человека потеряли работу не потому, что «плохо старались», а потому что процесс, который я помог автоматизировать, перестал требовать столько рук. С профессиональной точки зрения решение верное: меньше ошибок, быстрее time-to-shelf, дешевле unit economics. С человеческой — мысль, что моя разработка уволила трёх человек, гнетёт до сих пор.
Я не романтизирую это и не прячу за словами «высвободили ресурс». Кого-то перевели, кого-то нет. Автоматизация в aftermarket — не только latency и recall по аналогам; это ещё и ответственность за то, кого она вытесняет. Если строите похожее — закладывайте не только MCP и очередь draft’ов, но и план переобучения/перевода людей до того, как метрики «ускорили в разы» попадут на слайд руководству.
Практические выводы
- AI без tool-layer над vehicle API быстро врёт в применяемости.
- MCP из существующего API автомобилей — быстрый путь дать агенту безопасные операции без изобретения нового протокола.
- Микросервис нужен для audit trail и human-in-the-loop, а не как «ещё один CRUD».
- Экономический выигрыш реален — и этический долг тоже.
Чем могу помочь (оффер)
Если вы строите или уже ведёте aftermarket-магазин, могу закрыть конкретные задачи:
- аудит за 1 созвон — что выносить из OpenCart/PrestaShop первым, где теряется маржа и время на складе/контенте;
- архитектура и внедрение — микросервисы каталога, поставщиков/WMS, поиска, применяемости;
- AI/MCP-контур — ускорение ввода применяемости, категорий и аналогов с human-in-the-loop.
Формат: платная консультация или поэтапная разработка с измеримым результатом (очередь карточек, достоверность остатка, time-to-shelf). Пишите через форму контактов или на info@prybytkow.ru — кратко опишите стек и узкое место.
