Лекция 5. Проблемы и вызовы в транспортной логистике

Эта лекция

В этой лекции мы рассмотрим типовые проблемы транспортно-логистических компаний, научимся формулировать проблемы и ставить SMART-цели, а также изучим, как RPA и AI-агенты помогают решать эти проблемы.

Цель

Сформировать представление о типовых проблемах ТЛК, методах постановки SMART-целей и применении RPA и AI-агентов для решения проблем автоматизации.

Содержание

• Лекция 5. Проблемы и вызовы в транспортной логистике
  • Эта лекция
  • Цель
  • Содержание
  • 5.1 Типовые проблемы ТЛК
    • Проблемы координации
    • Проблемы учёта и контроля
    • Финансовые проблемы
  • 5.2 Постановка проблемы и SMART-цели
    • Правила формулировки проблемы
    • SMART-цели
    • Метрики успеха автоматизации
  • 5.3 RPA и AI-агенты как решение
    • RPA — роботизация процессов
    • AI-агенты — интеллектуальная автоматизация
    • От LLM к AI-агенту
    • Кодинг-агенты: вайб-кодинг и агентная разработка
    • Skills и MCP
    • Инструменты агента: RAG, MCP, эмбеддинги
    • Принципы агентной инженерии
  • Кейс АРК: документооборот и контроль за деньгами
    • Обработка первичных документов
    • Формирование закрывающих документов
  • Транспортный контекст
    • Примеры из «Управления процессами перевозок»
    • Примеры из «Транспортной логистики»
    • Связь с ФГОС 23.05.04 «Эксплуатация железных дорог»
  • Заключение и выводы для специалиста
  • Вопросы для самопроверки

5.1 Типовые проблемы ТЛК

Проблемы координации

Плохая координация отделов — одна из самых распространённых проблем ТЛК. Отдел продаж работает отдельно от диспетчеризации, которая не связана с бухгалтерией.

Проблемы учёта и контроля

Отсутствие автоматического контроля этапов приводит к тому, что о проблемах становится известно постфактум.

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    A[Ручной ввод данных] --> B[Человеческий фактор]
    B --> C[Ошибки и дублирование]
    C --> D[Потеря информации]
    D --> E[Конфликты с клиентами]
    E --> F[Потеря<br>выручки]
    
    style A fill:#d9d9d9,stroke:#333
    style F fill:#d9d9d9,stroke:#333

Типичные проблемы:

Финансовые проблемы

Контроль дебиторской и кредиторской задолженности — одна из самых болезненных тем для ТЛК.

5.2 Постановка проблемы и SMART-цели

Правила формулировки проблемы

Правильная формулировка проблемы — половина успеха автоматизации.

Правила:

1. Без слов «нет» и «отсутствует». Проблема описывается через то, что есть, а не через то, чего нет.
   • ❌ «Отсутствует система учёта заявок»
   • ✅ «Заявки учитываются в разрозненных Excel-файлах, что приводит к ошибкам»
2. Конкретика. Проблема должна быть измерима.
   • ❌ «Медленно работают процессы»
   • ✅ «Обработка заявки занимает 30 минут вместо целевых 10»
3. Контекст. Указать, где и когда проявляется проблема.
   • ✅ «В отделе продаж при обработке более 50 заявок в неделю возникает минимум 5 ошибок»

SMART-цели

SMART — аббревиатура для постановки эффективных целей:

Пример SMART-цели для ТЛК:

Метрики успеха автоматизации

5.3 RPA и AI-агенты как решение

RPA — роботизация процессов

RPA (Robotic Process Automation) — технология автоматизации рутинных, повторяющихся операций с помощью программных «роботов».

Применение RPA в ТЛК:

---
config:
  look: handDrawn
  theme: neutral
---
graph LR
    A[Email: заявка клиента] --> B[RPA-робот]
    B --> C[Извлечь данные]
    C --> D[Создать в CRM]
    D --> E[Расчитать стоимость]
    E --> F[Отправить клиенту]
    
    style B fill:#4a4a4a,stroke:#333,color:#fff

AI-агенты — интеллектуальная автоматизация

AI-агенты — программные системы, способные самостоятельно принимать решения на основе данных и целей.

Отличие RPA от AI-агентов:

От LLM к AI-агенту

LLM (Large Language Model) — большая языковая модель, основа всех современных AI-агентов. Сама по себе она лишь «отвечает на вопросы»: получает текст и генерирует текст. Чтобы превратить модель в агента, нужно добавить к ней компоненты:

От простой LLM к AI-агенту: хронология (таймлайн):

---
config:
  look: handDrawn
  theme: neutral
---
timeline
    title От LLM к AI-агенту
    section До 2024
        LLM : Модель отвечает на текст текстом
          : Нет инструментов и памяти
    section 2025
        Vibe Coding : Термин введён Andrew Karpathy
          : Массовый переход к написанию кода агентом
        Tool Calling : Модель сама вызывает инструменты
          : Появляются кодинг-агенты
    section 2025-2026
        Агентная разработка : Агенты пишут код целиком
          : GitHub, OpenCode, SourceCraft CLI
        MCP : Единый протокол подключения инструментов
          : Skills для предсказуемости действий
    section 2026
        Агентная инженерия : Context / Harness / Loop Engineering
          : Формализованные критерии качества

1. Системный промпт — инструкция, определяющая роль и поведение агента. («Ты — диспетчер ТЛК. Отвечай кратко, веди учёт заявок.»)
2. История (History) — контекст диалога, хранящий предыдущие шаги и их результаты.
3. Рассуждения (Reasoning) — модель сначала «думает», планирует, а потом отвечает («надо сначала получить данные о грузе, затем рассчитать ставку»).
4. Инструменты (Tools) — внешние функции, которые агент может вызывать сам: поиск в базе, веб-запрос, расчёт, запись в файл. Модель специально обучают на вызов инструментов — это называется tool calling. Инструменты подключаются как встроенные, так и внешние (по протоколу MCP).

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    subgraph LLM-ядро
        P[Системный промпт]
        H[История]
        R[Рассуждения]
        T[Инструменты]
    end

    U[Пользователь] --> P
    U --> H
    H --> R
    R --> T
    T --> W[Внешний мир]
    W --> R
    
    style T fill:#4a4a4a,stroke:#333,color:#fff

Когда агент работает в цикле «рассуждаю → действую → получаю результат → снова рассуждаю», а не выдаёт один ответ, — это Agentic Loop (агентный цикл) — замкнутый контур с обратной связью. Агент сам пробует свои решения и исправляет их, пока не добьётся успеха. Такую схему называют ReAct-агентом (Reason + Act): сначала план, затем действие с инструментом, затем оценка результата и следующий шаг.

Самые простые «агенты» — например, сценарии в АРК — работают по жёстким правилам RPA. Настоящие AI-агенты способны сами решить, в каком порядке выполнять шаги и какой инструмент вызвать.

Применение AI-агентов в ТЛК:

Кодинг-агенты: вайб-кодинг и агентная разработка

Кодинг-агент — AI-агент, который пишет или меняет код по заданию пользователя. Его инструменты — чтение и редактирование файлов, выполнение команд в терминале, запуск тестов (file read, file edit, file write, shell exec).

Термин Vibe Coding («вайб-кодинг») ввёл Andrew Karpathy в 2025 году — «программирование по настроению»: вы описываете задачу агенту, а он полностью пишет решение.

Почему это важно для будущего специалиста:

1. Массовый переход от написания фрагментов кода к полному написанию кода агентом произошёл уже в 2025–2026 годах.
2. Автоматизация теперь касается и самой разработки ИТ-систем: инженер превращается в постановщика задач и проверяющего.
3. Кодинг-агенты могут читать PDF-файлы (конвертация в текст, OCR, распознавание графиков), документы, помогать с аналитикой — всё, что нужно в работе ТЛК.

Skills и MCP

Skill — набор инструкций и скриптов, подключаемый агенту для конкретной задачи, чтобы сделать его действия предсказуемыми и повысить качество. Например:

MCP (Model Context Protocol) — открытый протокол подключения инструментов к агентам. Позволяет агенту работать с внешними сервисами: трекер задач, Яндекс-формы, календарь, почта, облачная документация. В контексте ТЛК MCP-сервер может подключать агента к CRM, TMS, ЭДО, бирже перевозок.

Инструменты агента: RAG, MCP, эмбеддинги

Инструменты (Tools) — ключевое отличие AI-агента от обычной LLM. Именно благодаря инструментам агент не просто «рассуждает», а действует: читает файлы, обращается к базам данных, отправляет запросы и исполняет код.

RAG (Retrieval-Augmented Generation, «генерация с дополнением по поиску») — техника, которая даёт LLM доступ к внешней базе знаний. Модель сначала находит релевантные фрагменты (по эмбеддингам), затем формирует ответ с их учётом. Без RAG LLM «не знает» внутренние документы компании; с RAG агент отвечает по актуальным регламентам, прайсам и договорам. В ТЛК RAG применяется для: ассистента по регламентам перевозок, поиска по архиву накладных, ответов клиентам на основе тарифов.

Эмбеддинги — векторные представления текста, где похожие по смыслу фрагменты находятся рядом в пространстве. Это основа семантического поиска, классификации и кластеризации — например, автоматическая сортировка обращений клиентов по темам или поиск похожих маршрутов по истории перевозок.

MCP объединяет все инструменты через единый протокол: один MCP-сервер может дать агенту доступ к CRM, TMS, ЭДО и трекеру задач одновременно, не требуя отдельной интеграции под каждого внешнего поставщика.

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    subgraph AI-агент
        A[LLM]
        B[Промпт + История]
        C[Рассуждения]
    end

    subgraph Инструменты агента
        RAG[RAG<br/>База знаний]
        MCP[MCP<br/>CRM, TMS, ЭДО]
        EMB[Эмбеддинги<br/>Семантический поиск]
        WEB[Web Search<br/>Ставки, пробки]
    end

    A --> B
    B --> C
    C --> RAG
    C --> MCP
    C --> EMB
    C --> WEB
    RAG --> C
    MCP --> C
    WEB --> C
    
    style A fill:#d9d9d9,stroke:#333
    style MCP fill:#4a4a4a,stroke:#333,color:#fff

Принципы агентной инженерии

Из чего складывается эффективный агент (иерархия «инженерии»):

---
config:
  look: handDrawn
  theme: neutral
---
graph LR
    P[Prompt Engineering] --> C[Context Engineering]
    C --> H[Harness Engineering]
    H --> L[Loop Engineering]
    
    style L fill:#4a4a4a,stroke:#333,color:#fff

1. Явное ведение документации. Документация — и для человека, и для быстрого заполнения контекста при перезапуске/новой задаче. Ведётся параллельно с изменениями в коде.
2. Максимизация энтропии. Мощные инструменты + специализированные скиллы дают модели максимально содержательный контекст.
3. Формализуемые критерии качества и Agentic Loop. Test-Driven Development, визуальные тесты, проверка результата агентом: созданы ли файлы, корректен ли синтаксис, компилируется ли программа, проходят ли тесты.

Какая документация нужна:

Кейс АРК: документооборот и контроль за деньгами

Система АРК решает большинство типовых проблем ТЛК через встроенные модули документооборота и финансового контроля.

Обработка первичных документов

Первичные документы в АРК:

Функции обработки первичных документов:

Формирование закрывающих документов

Закрывающие документы в АРК:

Возможности формирования закрывающих документов:

Контроль за деньгами в АРК:

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TD
    A[Дебиторская задолженность] --> B[Возрастная структура]
    B --> C[До 30 дней]
    B --> D[30-60 дней]
    B --> E[60-90 дней]
    B --> F[Более 90 дней]
    
    G[Кредиторская задолженность] --> H[Планирование оплат]
    
    I[Факторинг] --> J[Продажа дебиторки банку]
    
    style A fill:#d9d9d9,stroke:#333
    style I fill:#d9d9d9,stroke:#333

Факторинг — финансовый инструмент, при котором транспортная компания продаёт банку или специализированной факторинговой компании (фактору) право требования долга по уже оказанным услугам. Фактор сразу выплачивает перевозчику 80–90 % суммы, а остаток передаёт после того, как клиент погасит задолженность, удержав комиссию (обычно 0,5–3 % от суммы долга).

Схема факторинга для перевозчика:

---
config:
  look: handDrawn
  theme: neutral
---
flowchart LR
    A[Перевозка выполнена<br>отсрочка платежа 45 дней] --> B[Передача права<br>требования долга фактору]
    B --> C[Фактор сразу выплачивает<br>80-90% суммы]
    C --> D[Клиент оплачивает долг<br>фактору]
    D --> E[Фактор передаёт остаток<br>за вычетом комиссии]

Зачем факторинг транспортной компании:

Вывод для специалиста: факторинг — плата за скорость. Перевозчик теряет 0,5–3 % выручки, но получает оборотные средства сразу и может брать больше заказов с отсрочкой платежа, не залезая в кредиты.

Статусы документов — трекинг выполнения заявки на каждом этапе:

Интеграция с ЭДО — отправка документов через Диадок, СБИС, Контур.Логистика напрямую из системы АРК.

Практическое задание: Создайте комплект документов по заявке в демо-версии АРК. Настройте контроль дебиторской задолженности для лабораторной работы 5.

Транспортный контекст

Примеры из «Управления процессами перевозок»

На железнодорожном транспорте RPA решает задачи:

• Автоматическое формирование заявок на подачу вагонов
• Сверка данных между системой РЖД и внутренними базами
• Автоматическая отправка уведомлений о статусе вагонов

Примеры из «Транспортной логистики»

В автомобильной логистике AI-агенты позволяют:

• Автоматически пересчитывать стоимость при изменении условий
• Предсказывать задержки на основе исторических данных
• Оптимизировать загрузку транспорта в реальном времени

Связь с ФГОС 23.05.04 «Эксплуатация железных дорог»

Заключение и выводы для специалиста

1. Типовые проблемы ТЛК системны. Координация, учёт и финансы — три столпа, на которых держится эффективность компании. Проблемы в одном столпе разрушают всю систему.

2. Правильная формулировка проблемы — половина решения. SMART-цели превращают размытые «хотелки» в измеримые задачи.

3. RPA — для рутины, AI — для решений. RPA заменяет ручные операции, AI-агенты принимают интеллектуальные решения.

4. Финансовый контроль — критический элемент. Без отслеживания дебиторки и кредиторки даже прибыльная компания может обанкротиться из-за кассовых разрывов.

5. Система АРК — комплексное решение. Модули документооборота и финансового контроля в АРК закрывают большинство типовых проблем ТЛК.

6. AI-агенты меняют не только процессы, но и саму разработку. Кодинг-агенты (вайб-кодинг), Skills и MCP позволяют автоматизировать не только операционную рутину ТЛК, но и труд инженера и аналитика. Явное ведение документации и проверяемые критерии качества — то, что отличает профессиональную агентную разработку от хаотичной.

Вопросы для самопроверки

1. Назовите три группы типовых проблем ТЛК: координация, учёт, финансы. Приведите примеры.

2. Какие пять правил SMART-целей вы знаете? Сформулируйте SMART-цель для автоматизации ТЛК.

3. Что такое RPA? Какие задачи в ТЛК можно автоматизировать с помощью RPA?

4. Чем AI-агенты отличаются от RPA? Когда нужно использовать AI, а когда — RPA?

5. Назовите четыре компонента AI-агента (промпт, история, рассуждения, инструменты). Что такое Agentic Loop? Как вайб-кодинг, Skills и MCP помогают в агентной разработке?