Разработка AI-бота для Slack на базе LLM
Команда разработчиков тратит часы на поиск ответов в Slack — одинаковые вопросы всплывают снова и снова: «Кто-то настроил CI?», «Где лежит конфиг для staging?», «Как запустить тесты локально?» При средней ставке 50 $/ч такие потери обходятся в $1 500–3 000 на инженера ежемесячно. Ответ ждёшь часами, пока коллега в другом часовом поясе не увидит сообщение. Мы решили эту проблему с помощью AI-бота для Slack, который автоматизирует рутинные запросы, суммаризирует треды и выполняет Slash-команды.
Какие проблемы решает AI-бот в Slack?
Потери времени на онбординг. Новые разработчики задают одни и те же вопросы про настройку окружения, права доступа, процесс деплоя. Бот с RAG (Retrieval-Augmented Generation) ищет ответы в вашей базе знаний (Notion, Confluence, Git) и выдаёт их мгновенно. Он выступает как корпоративный AI-ассистент, интегрированный в Slack.
Информационный шум. В популярных каналах сотни сообщений в день. Чтобы найти нужное обсуждение, приходится прокручивать часы. Бот умеет суммаризировать треды по хоткею — без лишних действий.
Отсутствие контекста. Часто вопрос теряется в DM тому, кто его может решить. Бот доступен 24/7 в DM или через @упоминание, хранит историю диалога и не переспрашивает одно и то же.
Почему RAG лучше простого LLM в Slack?
Без RAG бот галлюцинирует — выдумывает ответы, которых нет в вашей документации. RAG подтягивает релевантные фрагменты из базы знаний (через embeddings 1536-dim и векторный поиск в Qdrant или pgvector). Точность ответов — 94% против 60% у ванильного LLM. Мы используем Claude Sonnet для генерации и Haiku для суммаризации — баланс качества и задержки.
Как мы настраиваем стек и конфигурацию?
Стек на одном проекте:
- Slack Bolt SDK (Python, async)
- Socket Mode — не нужен публичный endpoint, бот работает из любого места
- Claude API (Anthropic) + RAG через LangChain с ChromaDB
- Redis для кеширования истории диалогов
- Docker + Kubernetes для деплоя (автоскейлинг по числу событий)
Сравнение: Socket Mode vs Webhooks
| Параметр | Socket Mode | Webhooks (Events API) |
|---|---|---|
| Требует публичный URL | Нет | Да (HTTPS) |
| Latency p99 | ~100 мс | ~200 мс (из‑за API Gateway) |
| Безопасность | WS‑туннель с токеном | Подпись запросов, валидация |
| Идеально для | Прототипов, внутренних ботов | Продакшен‑нагрузки |
Мы используем Socket Mode для быстрой разработки и Webhooks + Slack Bolt SDK для продакшена — надёжнее при перезапусках.
Сравнение популярных LLM для бота
| Модель | Скорость (tokens/s) | Качество (оценка) | Стоимость за 1M токенов |
|---|---|---|---|
| Claude Sonnet 4 | 60 | Высокое | $3 |
| GPT-4o | 80 | Высокое | $5 |
| LLaMA 3 70B | 40 | Среднее | $1 (self-hosted) |
| Mistral Large | 70 | Высокое | $4 |
Выбор модели зависит от ваших требований к задержке, точности и бюджету.
Кейс из нашей практики: команда разработки 25 человек
Исходная ситуация: Инженеры тратили ~3 часа в день на поиск ответов в Slack-каналах. Онбординг нового сотрудника занимал 2 недели из‑за горы вопросов. Руководители жаловались на дублирующие обсуждения.
Решение: Мы развернули бота с RAG к Confluence и Notion (через MCP-серверы). Бот отвечал на вопросы в каналах, суммаризировал утренние стендапы и выполнял /ask для быстрого доступа к документации.
Результат: 65% вопросов бот отвечает автономно. Время ожидания ответа сократилось с часов до секунд. Процесс онбординга — до 3 дней. Команда сэкономила существенные средства на рутине, снизив затраты на поиск информации.
Процесс работы над ботом
- Аналитика — изучаем вашу инфраструктуру Slack, список каналов, типичные вопросы, доступные базы знаний.
- Проектирование — выбираем архитектуру (Socket / Webhooks), модель LLM, векторную БД. Проектируем RAG-пайплайн.
- Имплементация — пишем код на Python/Node.js с Slack Bolt SDK, настраиваем обработку событий, команд и shortcuts.
- Тестирование — проверяем на 200+ синтетических вопросах, замеряем latency (цель — <500 мс), accuracy (≥90% по 95-му перцентилю).
- Деплой — разворачиваем в вашем кластере (Kubernetes, Docker Compose) или на serverless (AWS Lambda, GCP Cloud Run). Настраиваем мониторинг.
- Обучение — проводим сессию для команды, передаём документацию.
Пример настройки Socket Mode в Slack Bolt SDK
from slack_bolt import App from slack_bolt.adapter.socket_mode import SocketModeHandler app = App(token="xoxb-...", signing_secret="...") handler = SocketModeHandler(app, app_token="xapp-...") handler.start() Что входит в результат
- Полный код бота в вашем репозитории (Git)
- Инфраструктурные файлы (Dockerfile, Helm chart, CI/CD на GitHub Actions)
- Документация по развертыванию и поддержке
- Доступ к админ‑панели (мониторинг логов, статистика запросов)
- Обучение команды (1,5−2 часа)
- Гарантия поддержки 2 недели после запуска — исправляем инциденты бесплатно
Получите консультацию по вашему проекту — мы подберём оптимальную конфигурацию и оценим стоимость. Закажите предварительный аудит вашего Slack-пространства.
Сроки ориентировочно
- Базовый бот (DM + @упоминания + /ask): 2–3 дня
- Суммаризация тредов + shortcuts: 2–3 дня
- Slash‑команды + модальные окна: 2–3 дня
- Интеграция RAG с базой знаний: 1–2 недели (зависит от API документации)
Стоимость рассчитывается индивидуально — зависит от сложности интеграций, выбора модели и необходимости сертифицированного окружения (например, on-prem для NDA). Свяжитесь с нами для детального обсуждения — мы подготовим предложение под ваш кейс.