← всі звіти · hcp-whatsapp-frameworks-research-2026-04-28.md

HCP-WhatsApp генератор — пошук turnkey-фреймворку

Дата: 2026-04-28 Автор: research-агент Замовник: Сергій / Deltamedical / PharmaGen Admin Таймбокс: ~20 хв (12 web-пошуків) Контекст: новий tab в існуючому PharmaGen Admin (FastAPI + LiteLLM + Gemini, 5 сценаріїв) — генерація WhatsApp-повідомлень для HCP (лікарі/провізори) на базі тексту інструкції + опційного фото продукту. Мови: RU primary, KZ secondary. Тон B2B, fact-based. Попередній звіт (контекст, не повторюємо): /srv/reports/pharmagen-content-frameworks-research-2026-04-24.md — там вже Dify/n8n/Postiz/CrewAI/LiteLLM розібрані.

1. Чи є turnkey-рішення під HCP-WhatsApp?

Коротка відповідь: НІ. Жоден opensource-проект на GitHub чи готовий n8n-template не закриває весь профіль "HCP-WhatsApp + RU/KZ + pharma compliance + product photo vision". Є тільки сусідні шматки:

Patient-side / B2C — багато (symptom checker, appointment booking, pharmacy chatbot для пацієнтів).
Sales-rep CRM — комерційні Veeva Vault CRM Engage, IQVIA OCE, P360 Connect (closed-source, ентерпрайз-pricing). Open-source сторона — нічого equivalent.
WhatsApp + LLM generic — десятки шаблонів n8n/python, але всі це "відповідь на вхідне", а не "генератор outbound-копії під SmPC + фото".

Категорія "HCP outbound copy generator" в opensource просто не сформована. Це наш недиференційований простір — будуємо самі.

2. Топ-5 найближчих кандидатів

2.1. n8n template `8825` — Doctor Appointment Management with Gemini AI + WhatsApp

URL: https://n8n.io/workflows/8825-doctor-appointment-management-system-with-gemini-ai-whatsapp-stripe-and-google-sheets/
License: MIT (n8n template)
Останній commit: активний 2026
Що робить: Gemini-агент веде пацієнта через бронювання → надсилає WhatsApp-нагадування. Inbound conversational, не outbound generation.
Покриває наш flow? Ні. Це patient-facing, не HCP. Ділиться лише шматком "WhatsApp Cloud node + Gemini" — це ми й так маємо.
Fit: 3/10

2.2. n8n template `7179` — Medical Symptom Analysis з Ollama + WhatsApp

URL: https://n8n.io/workflows/7179-medical-symptom-analysis-and-doctor-recommendations-with-ollama-ai-and-whatsapp/
License: MIT
Що робить: Симптом-чекер для пацієнта, рекомендує спеціальність лікаря.
Покриває наш flow? Ні, інакша аудиторія. Корисний як reference на mediсal-prompt structure.
Fit: 2/10

2.3. SalesGPT (filip-michalsky)

URL: https://github.com/filip-michalsky/SalesGPT
Stars: ~2.3k
License: MIT
Останній commit: 2025 (не 2026, помірно alive)
Що робить: Context-aware AI sales-agent для outbound через voice/email/SMS/WhatsApp. Есть state machine (Discovery → Pitch → Close), кастомізовані персони.
Покриває наш flow? Частково. Архітектура корисна — конверсаційна, не one-shot generator. Для нашого "одна кнопка → готовий повідомлення під лікаря" — це overkill, плюс EN-prompt tuning і немає pharma-specific knowledge.
Fit: 4/10 (для майбутньої conversational extension — повернутись)

2.4. wassengerhq/whatsapp-chatgpt-bot

URL: https://github.com/wassengerhq/whatsapp-chatgpt-bot
Stars: ~700+
License: MIT
Що робить: Multimodal WhatsApp-бот (GPT-4o, text+audio+image input, RAG, MCP). Inbound assistant.
Покриває наш flow? Ні — це reactive чат-бот, не outbound copy-generator. Однак multimodal-частина (image-як-input) — це корисний reference для нашого product-photo фічі.
Fit: 3/10

2.5. Dify / n8n + LiteLLM (вже у попередньому звіті)

URL: див. pharmagen-content-frameworks-research-2026-04-24.md
Що робить: Generic prompt-IDE / workflow-builder. Можна зібрати наш HCP-flow як новий workflow.
Покриває наш flow? Опосередковано — як платформа, не як готове рішення.
Fit: 7/10 як платформа, 0/10 як turnkey — нічого pharma-specific з коробки.

Перевірено й відкинуто

MedChat-AI, openmed, ai-medical-chatbot — patient-symptom focus, EN-only data, не outbound copy.
Veeva CLM github (devopsgroup-io/veeva) — генератор iRep-презентацій, не messaging.
WaaPharma — комерційний SaaS під польський ринок, closed-source.
OpenClaw — generic personal assistant, не pharma.

Висновок: жоден кандидат не б'є нашу базу (PharmaGen Admin вже має FastAPI + Gemini + 5 сценаріїв). Інтегрувати окремий проект тільки заради "HCP WhatsApp tab" — overengineering.

3. Verdict + рекомендація

Рекомендую: Опція A — extend PharmaGen Admin (fit: 9/10)

Додати в існуючий admin:

Новий сценарій hcp_whatsapp_b2b в конфізі.
UI-форма: textarea (інструкція/SmPC) + file upload (опц. фото).
Backend:
- Якщо є фото → перший виклик gemini-2.5-flash у vision-режимі: "extract product name, dosage, form, key visual elements" → JSON.
- Другий виклик gemini-3.1-pro: prompt = SmPC + (опц. vision-JSON) + HCP-tone-rules → готова RU-копія.
- Якщо потрібен KZ → паралельно третій виклик переклад + glossary post-processing.
Output: 2-3 варіанти повідомлення (різні angles: "новинка", "клінічна доказова база", "зручність дозування") + "copy" кнопка.

Часові витрати: 4-6 годин роботи (новий route + Jinja-темплейт + multipart upload + 1 Gemini call). Жодних нових сервісів, нових docker-контейнерів, нових ліцензій.

Опція B (інтегрувати знайдений framework) — не рекомендую

Жоден кандидат не дає реального ROI. Витратимо більше часу на прикручування wassengerhq-bot чи SalesGPT, ніж на власні 200 рядків FastAPI.

Опція C (гібрид) — не зараз

Якщо в майбутньому захочемо conversational follow-up з лікарем (не one-shot, а діалог) — повернутись до SalesGPT як state-machine reference. Зараз — premature.

4. WhatsApp delivery layer

MVP-рекомендація: generate-only (copy-paste). Причини:

Швидкість: 0 інфраструктури, 0 compliance-ризику від автоматичної відправки.
B2B-етикет: лікарі чекають персонального меседжу від конкретного rep'а, а не "system message". Навіть якщо технічно надсилаємо ми — psychologically має виглядати як ручний.
Юридичне: opt-in / GDPR-аналог в KZ/RU/UA для HCP-broadcast — окрема велика тема, не для MVP.

Якщо колись захочемо send-integration (low-effort path):

n8n WhatsApp Business Cloud node — нативний, працює з Meta Cloud API напряму (не потрібен 360dialog/Twilio).
Альтернатива: Twilio WhatsApp — є n8n-template 401, але дорожче й має ContentSid template-restrictions.
360dialog — окремого n8n-ноди немає, але є HTTP API.
Естімейт інтеграції: 1-2 дні якщо є зареєстрований WhatsApp Business Account + verified template.

Прапорець у roadmap: додати кнопку "send via WhatsApp" поряд з "copy" — але тільки після того, як rep-команда (Юля/Катя/Андрій) затвердить, що їм це справді треба, і після legal-review opt-in процедури.

5. Vision-LLM caveats для фото продукту

Gemini Vision (2.5-flash / 3.1-pro) для фарма-фото — працює з застереженнями:

Що працює добре:

Розпізнає бренд-нейм латиницею на коробці (великий шрифт).
Класифікує тип паковання (blister, bottle, sachet, ampoule).
Розрізняє форму (таблетки vs капсули vs сироп) за visual cues.

Що страждає:

Кирилиця на дрібному шрифті (склад, дозування, серія) — character substitution errors часті, особливо на фото з телефону зі змінним освітленням. Це задокументовано в кількох OCR-benchmarks.
Multi-line дозування з sub/superscript (мг/мл, мкг) — частково плутає одиниці.
Glare / refraction на блістер-фользі — text behind reflections може втрачатись.
Цікавий артефакт: Gemini 2.5 у деяких тестах гірший за 2.0 на чистій OCR-задачі, бо більше "розмірковує" і галюцинує. Для нашого use-case краще 2.5-flash з низьким temperature (0.1-0.2) + явний prompt "extract verbatim, do not interpret".

Практичні правила для нашого пайпу:

Фото — опційний input. Якщо немає або low-quality → fallback на чистий текст інструкції.
Vision-крок видає structured JSON (name, dosage, form, package_size), не вільний текст. Текст-генератор споживає JSON.
Не довіряти OCR-екстракції дозування для медичного факту — тільки для "візуального опису що бачимо на коробці". Дозування завжди беремо з SmPC-тексту, не з фото.
Перевага 2.5-flash (швидкість + дешевизна) над 3.1-pro для vision-extract; складна "копірайтерська" робота йде на pro модель окремим викликом.

6. Prompt-engineering під HCP-WhatsApp (vs consumer)

Три швидкі правила, які треба зашити в system-prompt:

6.1. Brevity + structure

Лікар відкриває WhatsApp між пацієнтами — у нього ~20 секунд.

Ліміт: 400-600 знаків (не більше) + 1 emoji максимум (краще 0).
Структура: [гак-факт у першому рядку] → [2-3 буліти доказів/вигод] → [CTA одним рядком].
Заборонити LLM генерувати "Здравствуйте, уважаемый доктор!" преамбули — вони підозрілі і виглядають як bulk-рассилка.

6.2. Evidence anchoring (не marketing speak)

HCP реагує на дані, не на епітети. Жорстко в промпті:

Дозволено: "по результатам МКИ XYZ (n=240, 2024)", "снижение боли по VAS на 38% за 7 дней", "форма выпуска: 30 таблеток ✕ 500 мг".
Заборонено: "уникальная формула", "лидер продаж", "революционный", "доказанная эффективность" без посилання, "номер 1 в Европе".
Banned-list прокидати в prompt явним списком ("DO NOT use these words: …").

6.3. Compliance one-liner + дисклеймер за типом продукту

В кінець кожного повідомлення авто-додавати рядок-pattern залежно від типу:

Rx ЛЗ: "Полная информация — в инструкции по применению. Имеются противопоказания." (legal-минимум для RU/KZ).
OTC: "Перед применением ознакомьтесь с инструкцией."
БАД / медвироби: "Не является лекарственным средством."
Tone: B2B, "Вы" з великої, без вигуків, без "!", без капсу.

Цей рядок генерується детермінівно з конфігу, не LLM-ом — щоб не було ризику галюцинації compliance-тексту.

TL;DR

Питання	Відповідь
Є turnkey OSS під HCP-WhatsApp pharma RU/KZ?	Ні.
Рекомендація	Опція A: новий сценарій в існуючому PharmaGen Admin, ~4-6 годин роботи.
WhatsApp send	MVP: generate-only (copy-paste). Send-integration — пізніше через n8n WhatsApp Cloud node.
Vision модель	`gemini-2.5-flash` для extract → JSON → `gemini-3.1-pro` для копії.
Vision caveat	Кирилиця на дрібному шрифті ненадійна — фото опційне, дозування завжди з тексту SmPC.
Compliance	Дисклеймер генерується детермінівно з конфігу, не LLM.

Sources

https://n8n.io/workflows/8825-doctor-appointment-management-system-with-gemini-ai-whatsapp-stripe-and-google-sheets/
https://n8n.io/workflows/7179-medical-symptom-analysis-and-doctor-recommendations-with-ollama-ai-and-whatsapp/
https://github.com/filip-michalsky/SalesGPT
https://github.com/wassengerhq/whatsapp-chatgpt-bot
https://github.com/HealthInnovators/MedChat-AI
https://github.com/devopsgroup-io/veeva
https://www.veeva.com/products/crm-suite/engage/
https://docs.n8n.io/integrations/builtin/app-nodes/n8n-nodes-base.whatsapp/
https://n8n.io/workflows/401-send-an-smswhatsapp-message-with-twilio/
https://tomkam1702.github.io/OCR-Translator/docs/OCR%20Test/OCR_Gemini_Test.html
https://intuitionlabs.ai/articles/pharma-document-ai-ocr-benchmarks
https://aashi-dutt3.medium.com/pharmascan-with-gemini-1257d11940b5
Попередній звіт: /srv/reports/pharmagen-content-frameworks-research-2026-04-24.md

Звіт за rules.md §report_format. Доставка через Reports Hub (per feedback_report_delivery.md).