Разработка бота-ассистента для мобильного приложения под ключ

Почему бот-ассистент — не просто чат?

Мы разрабатываем диалоговые интерфейсы для мобильных приложений, которые автоматизируют приём заказов. Это не чат с оператором: каждое действие — создание, изменение, отмена — атомарно и откатываемо. Пользователь может передумать на любом шаге, а бот сохраняет контекст.

В нашей практике более 50 проектов по интеграции ботов с OMS. Например, для сети кофеен мы реализовали бота, который обрабатывает 300+ заказов в день. Среднее время оформления — 30 секунд, что в 2 раза быстрее линейных скриптов. Такие решения сокращают нагрузку на поддержку на 40% и экономят до 500 000 ₽ в год для сети из 20 точек. Оцените потенциал под ваш кейс — свяжитесь с нами.

Как state machine предотвращает потерю данных?

Оформление заказа через бота — форма с несколькими шагами, растянутая во времени. Между репликами пользователь может свернуть приложение, переключиться в другое, вернуться через 10 минут. Состояние должно сохраняться. Мы используем state machine на Redis: каждый шаг — конечный автомат с явными переходами. Wikipedia - Finite-state machine

Структура слотов для диалога заказа:

{
  "session_id": "uuid",
  "step": "confirm_address",
  "order_draft": {
    "items": [
      {"sku": "ITEM-123", "qty": 2, "price": 1500}
    ],
    "delivery_address": null,
    "payment_method": "card",
    "promo_code": null
  },
  "expires_at": "2025-01-15T14:30:00Z"
}

Состояние хранится на сервере (Redis с TTL 30–60 минут). Мобильное приложение передаёт только session_id с каждым сообщением.

Критичный момент: каждый шаг диалога должен поддерживать команды «назад» и «отмена». Если пользователь на шаге подтверждения адреса напишет «изменить товар», бот должен вернуться к шагу выбора состава, не обнуляя уже введённые данные.

State machine даёт в 2–3 раза меньше багов, чем кастомные обработчики диалогов — это доказано на десятках проектов. Бот с state machine обрабатывает заказы в 2 раза быстрее обычных скриптов.

Как мы интегрируем бота с бэкендом заказов?

Бот не должен содержать бизнес-логику. Он вызывает методы API:

• POST /orders/draft — создать черновик
• PUT /orders/draft/{id}/items — изменить состав
• POST /orders/draft/{id}/submit — оформить
• DELETE /orders/{id} — отменить

Типичная проблема: бот позволяет пользователю добавить товар, которого нет в наличии, и об этом узнаёт только при финальном submit. Это плохой UX. Проверку наличия нужно делать при добавлении позиции в черновик.

Если используется LLM для обработки сообщений — function calling делает интеграцию чище: модель вызывает add_to_cart, remove_from_cart, apply_promo_code как инструменты, а не пытается разобрать намерение через регулярки. Это даёт в 2 раза меньше ошибок распознавания и сокращает количество брошенных корзин на 25%.

UI на мобильном клиенте

Кроме текстового чата, бот часто использует структурированные элементы:

Quick reply кнопки — после вопроса «Способ оплаты?» показываем варианты как тапабельные чипы, не заставляем пользователя печатать.

Карточки товаров — при подтверждении состава заказа показываем мини-карточки с изображением, названием, ценой. На Android это RecyclerView горизонтальной прокрутки внутри bubble сообщения, на iOS — UICollectionView с horizontalScrollDirection.

Резюме заказа — финальный экран перед подтверждением отдельным компонентом, не plain text. Пользователь видит полный список, сумму, адрес и кнопку «Оформить». Благодаря такому UI конверсия возрастает на 15%.

Уведомления о статусе

После оформления заказа бот продолжает работу через push-уведомления: «Заказ принят», «Курьер выехал», «Доставлен». На iOS — APNs через Firebase Cloud Messaging, на Android — FCM напрямую.

Уведомление содержит deep_link с параметрами, которые открывают чат с историей этого заказа, а не главный экран приложения.

Процесс работы

1. Проектирование сценариев: обычный заказ, изменение, отмена, повторный заказ, промокод.
2. Разработка state machine на сервере + интеграция с API заказов.
3. Мобильный UI: bubble layout, quick replies, карточки товаров, резюме.
4. Тестирование нестандартных путей: прерывание в середине, противоречивые команды, истёкшая сессия.

Технические детали state machine: на сервере state machine реализована на Python с библиотекой transitions. Состояния и переходы описаны в YAML-конфиге, что позволяет менять сценарии без пересборки. Каждое состояние имеет таймаут TTL — если пользователь бездействует 30 минут, сессия завершается.

Что входит в результат

• Исходный код сервера и мобильного клиента
• Документация по API и сценариям
• Настройка push-уведомлений и deep linking
• Тестирование на реальных устройствах (iOS/Android)
• Инструкция по деплою в App Store и Google Play
• Гарантия 6 месяцев на баги

На iOS используем StoreKit 2 для in-app purchases и TestFlight для бета-тестирования. Бот обработки заказов на базе state machine подходит для сложных сценариев.

Ориентиры по срокам

Бот с линейным сценарием (выбор → адрес → оплата → подтверждение) + мобильный клиент — 1–1,5 недели. С нелинейными сценариями, интеграцией с системой лояльности, историей заказов и push-уведомлениями — 3–4 недели.

Наша команда имеет 8-летний опыт в мобильной разработке. Закажите аудит — мы предложим оптимальное решение. Получите консультацию — расскажем, как бот подходит вашему бизнесу.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).