Как создать AI бота в Telegram: от идеи до запуска с ChatGPT

AI-бот — не серебряная пуля. Есть задачи, где он незаменим, и задачи, где обычный бот эффективнее.

AI-бот нужен когда: • Вопросы клиентов разнообразны и не вписываются в меню • Нужна консультация по большому каталогу (тысячи товаров) • Задача требует анализа текста (документы, резюме, описания) • Нужна генерация контента (тексты, описания, ответы) • Клиенты задают вопросы на естественном языке

Обычный бот лучше когда: • Задача чётко определена (запись, заказ, оплата) • Нужна скорость и предсказуемость (кнопки быстрее текста) • Бюджет ограничен (AI-бот дороже в разработке и эксплуатации) • Нужна 100% точность (AI может «галлюцинировать»)

Оптимальная схема: гибридный бот. Обычный сценарий для типовых операций (меню, кнопки, заказы) + AI-модуль для нестандартных вопросов и консультаций.

AI-бот в Telegram состоит из нескольких компонентов.

1. 1.Telegram Bot API — принимает сообщения от пользователей и отправляет ответы. Библиотеки: python-telegram-bot, aiogram, telegraf (Node.js).

1. 1.Backend-сервер — обрабатывает сообщения, управляет диалогами, хранит историю. Python (FastAPI, Flask) или Node.js (Express).

1. 1.Языковая модель (LLM) — «мозг» бота. OpenAI GPT-4, Claude, Gemini или open-source модель. Подключается через API.

1. 1.База знаний — документы, FAQ, каталог товаров, инструкции. Используется для RAG (Retrieval-Augmented Generation).

1. 1.Векторная база данных — хранит эмбеддинги документов для быстрого поиска релевантной информации. ChromaDB, Pinecone, Weaviate.

1. 1.Контекстный менеджер — управляет историей диалога, ограничивает контекст, обрабатывает длинные беседы.

1. 1.Мониторинг и логирование — отслеживает качество ответов, ошибки, стоимость API-вызовов.

Все компоненты связаны: пользователь пишет в Telegram → backend получает сообщение → ищет релевантную информацию в базе знаний → формирует промпт → отправляет в LLM → получает ответ → отправляет пользователю.

OpenAI — не единственный вариант. Вот альтернативы.

Anthropic (Claude): отличное качество текста, большой контекст (200K tokens). Хорош для длинных документов и анализа. Стоимость сопоставима с GPT-4o.

Google (Gemini): интеграция с экосистемой Google, хорошее качество, конкурентные цены. Gemini 2.0 Flash — быстрая и дешёвая.

Open-source модели (Llama 3, Mistral): бесплатные, можно запускать на своём сервере. Качество приближается к GPT-3.5. Плюс — полный контроль над данными, нет зависимости от API.

Провайдеры агрегаторы (OpenRouter, Together AI): доступ к десяткам моделей через единый API. Можно переключать модели без изменения кода.

Выбор модели зависит от задачи: • Простые FAQ → GPT-4o-mini или Llama 3 • Консультации → GPT-4o или Claude • Анализ документов → Claude (большой контекст) • Бюджетный вариант → Llama 3 на своём сервере • Максимальное качество → GPT-4 или Claude Opus

LLM не помнят предыдущие сообщения — нужно передавать всю историю диалога в каждом запросе. Это создаёт две проблемы: стоимость растёт с каждым сообщением, а контекстное окно ограничено.

Стратегии управления контекстом:

Полная история: передаём все сообщения. Просто, но дорого и ограничено размером контекста.

Скользящее окно: храним последние N сообщений (например, 20). Старые сообщения удаляются. Баланс между качеством и стоимостью.

Суммаризация: каждые 10 сообщений генерируем краткое резюме. Передаём резюме + последние 5 сообщений. Экономит tokens, сохраняет контекст.

Системный промпт + ключевые факты: извлекаем ключевую информацию из диалога (имя клиента, preferences, бюджет) и передаём в системном промпте. Эффективно для персонализации.

Оптимальная стратегия для большинства AI-ботов: системный промпт с ролью и базой знаний + скользящее окно из 10-15 сообщений + суммаризация при превышении контекста.

Системный промпт:

«Ты — AI-консультант интернет-магазина электроники TechShop. Твоя задача — помогать клиентам выбирать товары, отвечать на вопросы о характеристиках, ценах и доставке.

Правила: 1. Отвечай ТОЛЬКО на основе каталога. Не придумывай товары и цены. 2. Если клиент спрашивает о товаре, которого нет в каталоге — скажи: "К сожалению, такого товара сейчас нет. Могу предложить аналог: [название]." 3. Задавай уточняющие вопросы: бюджет, бренд, для кого покупка. 4. В конце каждого ответа предлагай следующий шаг: "Хотите оформить заказ?" или "Показать похожие товары?" 5. Отвечай кратко: 3-5 предложений максимум. 6. Используй эмодзи для визуального разделения. 7. Если клиент грубит — оставайся вежливым и предложи связаться с менеджером.

Каталог: [здесь данные о товарах из базы знаний]

Пример диалога: Клиент: Ищу смартфон до 30000 Ты: 📱 Вот варианты до 30 000₽: • Samsung Galaxy A54 — 27 990₽ (отличная камера, 128 ГБ) • Xiaomi 13T — 29 990₽ (флагманские характеристики, 256 ГБ) • Realme GT 5 — 26 490₽ (мощный процессор, 120 ГБ экран) Какой бренд вам ближе? Или расскажите, для чего нужен телефон — подберу идеальный вариант.»

Такой промпт даёт структурированные, полезные ответы с рекомендациями и call-to-action.

Ошибка 1: Слишком общий промпт. «Ты полезный ассистент» — GPT не знает контекст бизнеса и отвечает абстрактно.

Ошибка 2: Нет границ. Без инструкций «не придумывай» GPT начинает «галлюцинировать» — выдумывать товары, цены, факты.

Ошибка 3: Слишком длинный промпт. Если системный промпт на 5000 tokens — на диалог остаётся мало контекста. Оптимально 500-1500 tokens.

Ошибка 4: Нет примеров. Без few-shot examples GPT может отвечать в неподходящем формате или тоне.

Ошибка 5: Игнорирование edge cases. «Что если клиент попросит вернуть деньги?», «Что если клиент напишет на английском?». Нужно продумать нестандартные ситуации.

Ошибка 6: Нет тестирования. Промпт нужно тестировать на 20-30 реальных запросах перед запуском. Проверить разные сценарии, языки, настроения клиентов.

Исправляйте промпт итеративно: запустили → посмотрели логи → нашли плохие ответы → уточнили промпт → повторили.

Качество базы знаний определяет качество ответов бота. Вот как подготовить данные.

Форматы документов: текстовые файлы (.txt, .md), PDF, DOCX, таблицы (.csv, .xlsx), HTML-страницы, FAQ в структурированном виде.

Что загружать: • Каталог товаров с описаниями, характеристиками, ценами • FAQ: частые вопросы и ответы • Регламенты: условия доставки, возврата, гарантии • Скрипты продаж: как отвечать на возражения • Инструкции: как пользоваться продуктом/сервисом • Отзывы: реальные отзывы клиентов (для рекомендаций)

Как разбивать на фрагменты: • По абзацам или смысловым блокам • Размер: 200-500 слов (меньше — теряется контекст, больше — снижается точность поиска) • Перекрытие: 50-100 слов между соседними фрагментами (чтобы не потерять контекст на границе) • Метаданные: добавляйте к каждому фрагменту категорию, источник, дату обновления

Пример фрагмента: { text: "Доставка по Москве — бесплатно при заказе от 3000₽. Срок доставки — 1-2 рабочих дня. Доставка по России — от 300₽, срок 3-7 дней. Курьерская доставка — от 500₽, в день заказа при оформлении до 14:00.", metadata: { category: "доставка", source: "faq_delivery.md", updated: "2025-05-01" } }

Такой подход позволяет боту точно отвечать на вопросы о доставке, не придумывая сроки и цены.

Векторная база данных хранит эмбеддинги и позволяет быстро находить похожие фрагменты. Вот основные варианты.

ChromaDB: бесплатная, open-source, работает локально. Идеально для прототипов и небольших проектов (до 100K документов). Устанавливается одной командой: pip install chromadb.

Pinecone: облачная, управляемая, масштабируемая. Бесплатный тир — 1M векторов. Подходит для продакшена. Не нужно заботиться о серверах.

Weaviate: open-source, можно запустить локально или в облаке. Поддерживает гибридный поиск (векторный + ключевые слова). Хорошо для сложных случаев.

Qdrant: open-source, высокая производительность, фильтрация по метаданным. Rust-based — быстро и надёжно.

pgvector: расширение PostgreSQL для векторного поиска. Если у вас уже есть PostgreSQL — не нужна отдельная база.

Для большинства Telegram-ботов достаточно ChromaDB. Для продакшена с большим объёмом данных — Pinecone или Qdrant.

Для эффективной работы AI-бота определите основные интенты и маршруты.

Интент «Покупка»: клиент хочет купить товар. Маршрут: показать каталог → помочь выбрать → оформить заказ.

Интент «Консультация»: клиент спрашивает о товаре. Маршрут: ответить на основе базы знаний → предложить купить.

Интент «Статус заказа»: клиент хочет узнать, где заказ. Маршрут: запросить номер заказа → показать статус из CRM/базы данных.

Интент «Возврат/жалоба»: клиент недоволен. Маршрут: извиниться → предложить решение → если не помогло → передать менеджеру.

Интент «Не по теме»: клиент спрашивает что-то не связанное с бизнесом. Маршрут: вежливо перенаправить на тему бизнеса.

Интент «Приветствие»: клиент просто здоровается. Маршрут: поприветствовать → предложить помощь → показать меню.

Маршрутизация реализуется через системный промпт или отдельный классификатор. GPT можно попросить определить интент и вернуть его в формате JSON: {"intent": "purchase", "confidence": 0.95}.

Качество данных — ключ к успешному fine-tuning. Вот как подготовить dataset.

Формат JSONL: {"messages": [{"role": "system", "content": "Ты консультант TechShop"}, {"role": "user", "content": "Какой смартфон лучше до 30000?"}, {"role": "assistant", "content": "До 30 000₽ рекомендую Samsung Galaxy A54 (27 990₽) — отличная камера и экран. Или Xiaomi 13T (29 990₽) — флагманские характеристики. Для каких задач нужен телефон?"}]}

Источники данных: • Реальные диалоги с клиентами (лучший источник) • Скрипты продаж менеджеров • Ответы из FAQ • Письма в поддержку и ответы на них • Отзывы клиентов и реакции компании

Важные правила: • Разнообразие: включите разные типы вопросов, стили общения, настроения • Качество: каждый ответ должен быть идеальным — модель обучится на ваших примерах • Баланс: равное количество позитивных, нейтральных и негативных сценариев • Валидация: 10-20% данных оставьте для проверки (не используйте в обучении) • Обновление: переобучайте модель каждые 1-3 месяца на новых данных

Ответьте на вопросы: Кто будет использовать бота? Какую проблему он решает? Какие вопросы клиенты задают чаще всего? Какой результат вы хотите получить?

Пример: «Клиенты интернет-магазина электроники задают вопросы о характеристиках товаров, сравнении моделей, условиях доставки. Бот должен консультировать 24/7 и увеличивать конверсию в покупку».

Не пытайтесь сделать «бота для всего». Начните с конкретной задачи, затем расширяйте.

Соберите все документы, которые нужны боту: каталог, FAQ, условия, скрипты. Разбейте на фрагменты. Загрузите в векторную базу данных.

Если базы знаний нет — создайте. Соберите 50-100 частых вопросов и ответов. Это займёт 1-2 дня, но качество бота вырастет в разы.

Напишите системный промпт, определяющий роль, правила и формат ответов. Добавьте few-shot examples. Протестируйте на 20-30 запросах.

Итерируйте: плохой ответ → анализ причины → уточнение промпта → повтор. 3-5 итераций — и промпт будет работать хорошо.

Выберите стек: Python (aiogram + openai) или Node.js (telegraf + openai). Реализуйте: приём сообщений → поиск в RAG → формирование промпта → вызов GPT → отправка ответа.

Добавьте: историю диалога, обработку ошибок, лимиты, логирование.

Тестируйте на реальных пользователях: 10-20 человек. Соберите feedback. Исправьте проблемы. Запустите на продакшн-сервере.

Настройте мониторинг: логи, стоимость API, качество ответов,满意度 пользователей.

Необходимые зависимости (requirements.txt): • aiogram — Telegram Bot API для Python • openai — клиент для OpenAI API • chromadb — векторная база данных • tiktoken — подсчёт tokens • python-dotenv — управление переменными окружения

Переменные окружения (.env): • TELEGRAM_BOT_TOKEN — токен от @BotFather • OPENAI_API_KEY — ключ OpenAI API • CHROMA_PATH — путь к базе ChromaDB

Установка: pip install -r requirements.txt Запуска бота: python bot.py

Хостинг: Railway (бесплатно), Render, DigitalOcean, VPS от 300₽/мес.

OpenAI API имеет ограничения на количество запросов (rate limits). При превышении — ошибка 429. Нужна обработка.

Стратегии обработки: 1. Retry с exponential backoff: при ошибке 429 подождать 1 сек → повторить → 2 сек → повторить → 4 сек → повторить. Максимум 3-5 попыток. 2. Очередь запросов: если много пользователей — ставить запросы в очередь и обрабатывать последовательно. 3. Fallback модель: если GPT-4o недоступна → переключиться на GPT-3.5-turbo. 4. Кэширование: если похожий вопрос уже был → вернуть закэшированный ответ.

Обработка ошибок Telegram API: • Message too long → разбить на части • Bot blocked by user → удалить из базы • Network timeout → повторить отправку

Мониторинг: логируйте каждый запрос: user_id, время, tokens, стоимость, качество ответа. Это позволит оптимизировать промпт и снизить затраты.

Telegram-бот работает в одном из двух режимов.

Polling: бот регулярно опрашивает Telegram сервер «Есть новые сообщения?». Просто в настройке, работает из-за NAT/firewall. Подходит для разработки и небольших проектов.

Webhook: Telegram отправляет сообщения на ваш сервер сразу при получении. Быстрее, эффективнее, не тратит ресурсы на опрос. Нужен HTTPS и публичный URL.

Для продакшена — webhook. Для разработки — polling. Большинство фреймворков (aiogram, telegraf) поддерживают оба режима.

Настройка webhook: 1. Купить домен (или использовать поддомен хостинга) 2. Настроить HTTPS (Let's Encrypt — бесплатно) 3. Указать URL в Telegram: https://api.telegram.org/bot<TOKEN>/setWebhook?url=https://your-domain.com/webhook 4. Запустить сервер с обработкой webhook-запросов

Базовый бот с GPT-интеграцией: приветствие, диалог с ChatGPT, простая база знаний (FAQ), история диалога. Без CRM, без оплаты, без аналитики. Стоимость: 30 000 — 60 000₽. Подходит для: личного консультанта, FAQ-бота, контент-бота.

Полноценный бот с RAG: база знаний из документов, векторная БД, промпт-инжиниринг, управление контекстом, интеграция с CRM, аналитика, квалификация лидов. Стоимость: 70 000 — 150 000₽. Подходит для: бизнес-консультанта, бота поддержки, бота-продавца.

Продвинутый бот: fine-tuning модели, мультиязычность, голосовые сообщения, анализ изображений, админ-панель, A/B тестирование промптов, мультиканальность, интеграция с внешними API, собственная модель. Стоимость: 150 000 — 400 000₽. Подходит для: крупного бизнеса, SaaS-продуктов, образовательных платформ.

Задача: автоматизировать первичную консультацию клиентов. Юристы тратили 3-4 часа в день на ответы на типовые вопросы. Решение: AI-бот с RAG-базой из 500+ юридических документов, FAQ, шаблонов договоров. Fine-tuned GPT-3.5-turbo на реальных диалогах юристов. Результат: • 80% вопросов бот отвечает самостоятельно • Время ответа: 3 секунды вместо 2-4 часов • Юристы высвободили 15 часов в неделю • Конверсия в запись на консультацию выросла на 45% • Стоимость API: 3 000₽/мес (200 диалогов/день) • Стоимость разработки: 120 000₽. Окупаемость: 3 недели.

Задача: помочь студентам с вопросами по курсам, домашним заданиям, расписанию. Решение: AI-бот с базой знаний из материалов курсов (50+ уроков, 200+ заданий). RAG + GPT-4o. Интеграция с LMS (системой обучения). Результат: • 70% вопросов студентов решаются без преподавателя • Время ответа: мгновенное (преподаватели отвечали через 2-6 часов) • Удовлетворённость студентов: +30% • Преподаватели сосредоточились на сложных вопросах и менторстве • Стоимость API: 8 000₽/мес (500 студентов) • Стоимость разработки: 90 000₽. Окупаемость: 2 месяца.

Задача: увеличить конверсию в покупку через персонализированные рекомендации. Решение: AI-бот с каталогом 5 000+ товаров в RAG. GPT-4o для рекомендаций. Интеграция с CRM и платёжной системой. Cross-sell и up-sell через AI. Результат: • Конверсия в покупку: 14% (было 3% через сайт) • Средний чек: +28% за счёт AI-рекомендаций • Брошенные корзины: -35% (бот напоминает и помогает) • Выручка через бота: 2 500 000₽/мес • Стоимость API: 15 000₽/мес • Стоимость разработки: 180 000₽. Окупаемость: 4 дня.