Портфолио и кейсы фрилансеров по автоматизации на n8n

Клиент — B2B-компания (IT-услуги и внедрение), отдел продаж из двенадцати менеджеров. История сделок — в Bitrix24, переписка — в корпоративной почте. Перед звонком менеджер 15–20 минут вручную листал карточку и письма: «что обещали», «какой срок», «кто принимает решение». Задача: внутренний copilot с ответами только из CRM и почты — без выдумок и без автоотправки клиенту. Read-only к CRM; менеджер видит только свои сделки, руководитель — свою ветку. Реализация: • ETL: карточки сделок, задачи, комментарии; IMAP-архив писем по согласованным ящикам (152-ФЗ); • чанкинг с метаданными: deal_id, контакт, дата, автор, тип (письмо / звонок / заметка); • embeddings, PostgreSQL + pgvector, rerank перед ответом; • чат «что обещали клиенту X?», «кратко по сделке Y» — ответ с цитатами и ссылкой на источник; • веб-панель (React): история запросов, фильтр по сделке, копирование резюме; • роли: менеджер / руководитель / админ; JWT + SSO; • запрет записи в CRM; аудит запросов; маскирование персональных данных в логах; • nightly-синхронизация + webhook при смене стадии сделки. Стек: Python, LangChain, FastAPI, Bitrix24 REST API, PostgreSQL, pgvector, React, Docker, VPS клиента. Документация: подключение ящика, пересборка индекса. Приёмка: 25 вопросов сверены с ручным поиском sales-лида. Итог: подготовка к звонку за 2–3 минуты вместо 15–20; меньше забытых обещаний. За квартал ~85% запросов без эскалации. NDA: компания и CRM не публикуются.

Клиент — бренд e-commerce (косметика), нужны вертикальные ролики для TikTok, Reels и Shorts без постоянной съёмочной команды. Маркетинг давал темы и УТП; монтаж и озвучка занимали 3–4 часа на один ролик, очередь на публикации постоянно копилась. Задача: конвейер «тема → готовый ролик» с контролем бренда. Без автопубликации без превью: человек утверждает сценарий и финальный файл перед выкладкой. Реализация: • Telegram-бот: команда /video + тема или CSV-бриф; статусы «сценарий / озвучка / сборка / готово»; • LLM: сценарий 30–45 сек — хук, 3 блока, CTA; стоп-лист слов и tone of voice в промпте; • TTS: выбор голоса, скорость, паузы; экспорт WAV; • ffmpeg: субтитры burn-in, фон из библиотеки b-roll клиента, формат 9:16 (1080×1920); • превью в боте: текст сценария на согласование, затем MP4; • n8n: очередь, retry, алерт в Telegram при сбое; Google Drive — архив MP4; • админ: лимиты генераций в день, шаблоны «акция / обзор / FAQ», лог токенов. Стек: Python, aiogram, OpenAI, TTS API, ffmpeg, n8n, Docker, VPS. Документация для SMM: правка сценария до сборки, загрузка своих клипов в библиотеку. Приёмка: 5 эталонных роликов сверены с референсами клиента по темпу и субтитрам. Итог: 3–5 роликов в неделю из одного брифа; ~40–60 мин на ролик (правка + финальный чек) вместо 3–4 часов. За два месяца — 28 опубликованных роликов. NDA: бренд не публикуется.

Клиент — корпоративный сайт на WordPress (услуги B2B, ~800 статей и страниц). Стандартный поиск WP искал только по заголовку и телу «как есть»: синонимы, опечатки и вопросы в свободной форме часто давали пустую выдачу; поддержка получала одни и те же вопросы по почте. Задача: поиск по смыслу по всей базе материалов — без замены WordPress и без публичного чат-бота. Посетитель видит релевантные фрагменты и ссылки; админ — статистику запросов без ответа. Реализация: • Плагин WP: nightly-индексация постов, страниц и CPT через REST API; webhook при публикации/обновлении; • отдельный сервис (Python/FastAPI): чанкинг текста, embeddings, PostgreSQL + pgvector; • API /search: запрос → топ-5 фрагментов с score, URL, заголовок, excerpt; • виджет на фронте (shortcode + Gutenberg-блок): поле «Спросите…», список результатов, fallback на обычный WP Search; • кэш частых запросов в Redis; rate limit с фронта; • админ-страница: статус индекса, последняя переиндексация, топ-20 запросов без результатов; • исключение черновиков и служебных страниц из индекса; • мобильная вёрстка виджета, lazy-load результатов. Стек: WordPress, PHP (плагин), JavaScript, Python, FastAPI, pgvector, Redis, cron, Docker. Документация: переиндексация после массового импорта. Приёмка: 30 тестовых запросов сверены с ручной выдачей редактора. Итог: пользователи находят ответ без подбора ключевых слов; снижение однотипных обращений в поддержку (~25% за два месяца). NDA: домен не публикуется.

Клиент — digital-агентство, сетка из 12 лендингов (медицина, юридические услуги, B2B). SEO-команда из четырёх человек вручную собирала семантику, смотрела конкурентов, писала черновики и мета-теги — на один лендинг уходило 6–8 часов. Задача: автоматизировать рутину без автопубликации «в слепую». Редактор должен утверждать каждый материал; система готовит черновик и структуру, человек правит и выкладывает. Реализация — оркестрация в n8n (self-hosted): • Агент 1 «Семантика»: кластеры, частотность, минус-слова, выход в JSON; • Агент 2 «Конкуренты»: топ-10 SERP, заголовки H1–H3, пробелы в контенте; • Агент 3 «Черновик»: статья/лендинг по ТЗ и семантике, Markdown; • Агент 4 «Meta»: title, description, slug, микроразметка FAQ; • очередь задач из Google Sheets: тема → статус «в работе / на проверке / готово»; • лимиты токенов, retry при ошибках API, алерт в Telegram при сбое; • лог прогона: модель, токены, время, версия промпта; • шаблоны промптов под нишу (мед / юр / B2B), переключение без правки workflow. Стек: n8n, OpenAI/Claude API, Google Sheets, webhooks, Docker, VPS. Документация: как добавить шаблон ниши и перезапустить цепочку. Приёмка: 3 эталонных лендинга сверены с ручной работой SEO-лида. Итог: время на лендинг ~1,5–2 часа (редактор дорабатывает черновик). За квартал — более 40 материалов через конвейер. NDA: домены клиента не публикуются.

Клиент — агентство зарубежной недвижимости (ОАЭ, Турция, Кипр). Лиды приходят в Telegram и WhatsApp; три менеджера не успевали отвечать вечером и в выходные, часть заявок «остывала» без первого контакта. Задача: AI-агент для первого касания — уточнить бюджет, страну/объект, срок покупки, способ связи и язык клиента. Без обещаний цены и юридических формулировок; при «горячем» лиде — передача человеку с готовой карточкой. Реализация: • Telegram-бот на aiogram 3: сценарий диалога + LLM для свободных ответов в рамках скрипта; • промпт с границами: только квалификация, эскалация на менеджера по триггерам (бюджет выше порога, готовность к созвону); • webhook в CRM (AmoCRM): контакт, поля квалификации, ссылка на переписку; • уведомление менеджеру в Telegram с кратким резюме диалога; • админ-панель: правка промпта, стоп-слова, лимиты токенов, просмотр диалогов, ручная пометка «лид / не лид»; • Redis — состояние сессии; логирование для разбора спорных кейсов; • тестовый стенд и чек-лист приёмки: 20 типовых реплик клиента до запуска в прод. Стек: Python 3.11, aiogram, OpenAI API, Redis, n8n (дублирование алертов), REST CRM, Docker, VPS. Инструкция для маркетинга: как менять скрипт без программиста (через админку). Итог: первый ответ клиенту за секунды вместо часов ожидания; менеджер подключается только к квалифицированным заявкам. За первый месяц — около 40% диалогов закрывал агент без участия человека. NDA: бренд и ссылки не публикуются.

Клиент — B2B SaaS-платформа в сфере логистики и учёта заявок. Команда поддержки из восьми человек; база знаний разбросана по Notion, Confluence, Google Drive и PDF к релизам. Операторы тратили 20–40 минут на поиск ответа, новички часто цитировали устаревшие инструкции. Задача: единый поиск по документам с ответом строго из проверенных источников — без «выдумок» в сторону клиента. Решение для внутреннего саппорта, не публичный чат на сайте. Реализация: • ETL-пайплайн: PDF, HTML, Markdown, страницы Confluence/Notion — по cron и webhook при обновлении; • чанкинг с учётом заголовков и таблиц, метаданные (продукт, версия, дата документа); • embeddings, PostgreSQL + pgvector, rerank топ-фрагментов перед генерацией; • API на FastAPI (/ask, /reindex, /feedback), JWT для операторов; • виджет для саппорта: черновик ответа, цитаты, ссылка на источник, оценка «полезно / не то»; • админка: статус индекса, лог запросов, эскалация чувствительных тем (оплата, персональные данные) человеку; • мониторинг: алерт в Telegram, если индекс не обновлялся или API недоступен. Стек: Python 3.11, LangChain, FastAPI, PostgreSQL, pgvector, Redis (кэш частых вопросов), Docker Compose, деплой на VPS клиента. Документация для админа: как добавить источник и пересобрать индекс. Итог: черновик за 10–30 секунд вместо 20–40 минут ручного поиска; оператор правит и отправляет клиенту. Около 70% обращений закрывались с правкой одного–двух предложений. NDA: название продукта и URL не публикуются.

Клиенту требовалось устранить рутинную работу менеджеров по закупкам, исключить человеческий фактор при контроле складских запасов и полностью автоматизировать коммуникацию с поставщиками. Было необходимо создать систему, которая сама анализирует дефицит, формирует заказы и ведет отчетность. ​Решение и архитектура ​Для реализации задачи был спроектирован и развернут комплексный workflow на базе n8n. Процесс работает полностью автономно по заданному расписанию: ​Мониторинг базы данных: Настроена интеграция с Google Sheets API. Система ежедневно сканирует складские остатки и отфильтровывает позиции, упавшие ниже критического уровня. ​Сложная обработка данных: Написан кастомный JavaScript-код (Code Node) для обработки массивов данных. Дефицитные товары агрегируются и точно группируются по ID поставщика, чтобы формировать единые сводные заказы. ​Внедрение AI-агентов: Подключено LLM API (через инструменты генерации структурированного вывода) для автоматического составления персонализированных деловых писем в HTML-формате, включающих аккуратные таблицы с перечнем товаров. ​Результат для бизнеса ​Заказчик получил полностью автономный конвейер закупок. Время на обработку дефицитных позиций сократилось с нескольких часов ручного труда до нуля. Исключены ошибки при формировании заявок, обеспечен прозрачный учет всех отправленных заказов.

Telegram AI-ассистент с долгосрочной памятью Бот помнит каждого пользователя — имя, предпочтения, историю разговоров. Память хранится в PostgreSQL (Supabase) и не исчезает при перезапуске сервера. Каждый пользователь получает персональный опыт общения. Стек: n8n + DeepSeek + PostgreSQL + Supabase + Telegram

Мониторинг отзывов с AI-анализом и кнопками одобрения Отслеживает новые отзывы, DeepSeek анализирует тональность и пишет готовый ответ. Владелец получает уведомление в Telegram с кнопками ✅ Опубликовать / ❌ Пропустить. Ежедневная сводка со статистикой. Все отзывы логируются в Google Sheets. Стек: n8n + DeepSeek + Google Sheets + Telegram

AI-сортировщик входящих писем с автоответами Читает каждое входящее письмо, определяет категорию (заказ, жалоба, цена, партнёрство), автоматически отвечает нужным шаблоном через AI, ставит метку в Gmail и логирует в Google Sheets. Фильтр от роботов и рассылок. Уведомление в Telegram при жалобах. Стек: n8n + DeepSeek + Gmail + Google Sheets + Telegram