Назад к блогу
ИИ 10 мин чтения

AI + MCP над API автомобилей: применяемость и аналоги без армии менеджеров

Как микросервис с AI-агентом и MCP-сервером из vehicle API ускорил ввод применяемости, перенос по категориям и поиск аналогов — и почему радость от автоматизации соседствует с тяжёлым моральным осадком.

AI + MCP над API автомобилей: применяемость и аналоги без армии менеджеров

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:

  1. достаёт кандидатов vehicle-типов по марке/модели/критериям;
  2. сопоставляет с уже известными связями похожих артикулов;
  3. формирует список применяемости с уверенностью и ссылками на источники в API;
  4. 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.

Читайте также