AI-автовідповіді на коментарі та особисті повідомлення

AI-автовідповіді на коментарі та особисті повідомлення

SMM-менеджер щодня витрачає 2–3 години на однотипні відповіді: «дякую за коментар», «напишіть нам на пошту», «так, доставляємо у ваш регіон». При обсязі 100+ повідомлень на день — це чисто механічна робота, яку AI закриває на 70–80%. Мета — не замінити людське спілкування, а дати команді займатися тільки складними кейсами, що потребують емпатії та експертизи.

Візьміть типовий інтернет-магазин із трьома майданчиками — Instagram, ВКонтакті, Telegram-канал. Щоденно 180–250 коментарів і DM. Один SMM-спеціаліст і помічник на півставки тонуть у рутині. Ми впровадили систему автовідповідей для такого магазину косметики. Результати за 6 тижнів: автоматично закрито 73% повідомлень (питання про склад, доставку, наявність), середній час відповіді впав з 4–6 годин до 3 хвилин, скарги на затримки понад 2 години знизилися на 89%. SMM-спеціаліст переключився на створення контенту та стратегію. Вартість такого впровадження: від $1,500 до $3,000 залежно від кількості платформ. Для магазину з 250 повідомлень на день економія на заробітній платі SMM-спеціаліста становить близько $1,500 на місяць.

Як працює класифікація повідомлень?

Перш ніж відповідати — потрібно зрозуміти тип повідомлення: просте питання про продукт, скарга, токсичний коментар або запит, що потребує експертизи. Для цього використовується класифікатор на базі Claude Haiku.

from anthropic import Anthropic
import json
from enum import Enum

client = Anthropic()


class MessageCategory(str, Enum):
    PRODUCT_QUESTION = "product_question"
    ORDER_STATUS = "order_status"
    COMPLAINT = "complaint"
    PRAISE = "praise"
    TOXIC = "toxic"
    IRRELEVANT = "irrelevant"
    REQUIRES_HUMAN = "requires_human"
    SALES_INQUIRY = "sales_inquiry"


class MessageClassifier:

    CLASSIFY_PROMPT = """Класифікуй повідомлення клієнта в соціальних мережах.
Поверни JSON:
{
  "category": "product_question|order_status|complaint|praise|toxic|irrelevant|requires_human|sales_inquiry",
  "sentiment": "positive|neutral|negative",
  "urgency": "low|medium|high",
  "language": "ru|en|uk|other",
  "auto_reply_possible": true/false,
  "extracted_entities": {
    "product": "згаданий продукт або null",
    "order_number": "номер замовлення або null",
    "location": "місто/регіон або null"
  }
}

Тільки JSON."""

    def classify(self, message: str, context: dict = {}) -> dict:
        """Класифікує вхідне повідомлення"""
        context_text = ""
        if context.get("post_text"):
            context_text = f"\nКонтекст посту: {context['post_text'][:200]}"
        if context.get("username"):
            context_text += f"\nВід користувача: {context['username']}"

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=256,
            messages=[{
                "role": "user",
                "content": f"{self.CLASSIFY_PROMPT}{context_text}\n\nПовідомлення: {message}"
            }],
        )

        text = response.content[0].text
        return json.loads(text[text.find("{"):text.rfind("}") + 1])


class AutoReplyGenerator:
    """Генератор автовідповідей з урахуванням бренд-голосу"""

    def __init__(self, brand_config: dict):
        """
        brand_config: {
            name: "Назва компанії",
            tone: "дружній та неформальний" | "професійний",
            products: ["продукт 1", "продукт 2"],
            faq: {"питання": "відповідь"},
            escalation_contact: "email або телефон",
            do_not_say: ["список заборонених фраз"],
        }
        """
        self.brand = brand_config

    def generate_reply(
        self,
        message: str,
        category: str,
        platform: str = "instagram",
        context: dict = {},
    ) -> dict:
        """Генерує відповідь з урахуванням категорії та платформи"""

        max_length = {
            "instagram": 2200,
            "vk": 4096,
            "telegram": 4096,
            "twitter": 280,
            "facebook": 8000,
        }.get(platform, 1000)

        faq_text = "\n".join([f"Q: {q}\nA: {a}" for q, a in self.brand.get("faq", {}).items()])

        system = f"""Ти — SMM-менеджер бренду «{self.brand['name']}».
Тон спілкування: {self.brand.get('tone', 'дружній')}.
Платформа: {platform} (максимум {max_length} символів).

Продукти компанії: {', '.join(self.brand.get('products', []))}.
Контакт для ескалації: {self.brand.get('escalation_contact', '')}.

FAQ:
{faq_text}

НЕ ГОВОРИ: {', '.join(self.brand.get('do_not_say', []))}.

Правила:
- Будь конкретним, не шаблонним
- Звертайся до користувача на "ви" якщо не знаєш його вік
- При скаргах — спочатку визнай проблему, потім пропонуй рішення
- Не обіцяй те, що не можеш виконати
- Для складних питань — перенаправляй у приватні повідомлення або на email"""

        messages_list = []
        if context.get("post_text"):
            messages_list.append({
                "role": "user",
                "content": f"Контекст посту: {context['post_text']}"
            })
            messages_list.append({
                "role": "assistant",
                "content": "Зрозумів контекст посту, готовий відповідати на коментарі."
            })

        messages_list.append({
            "role": "user",
            "content": f"Категорія: {category}\nПовідомлення: {message}\n\nНапиши відповідь."
        })

        response = client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=512,
            system=system,
            messages=messages_list,
        )

        reply = response.content[0].text.strip()

        if len(reply) > max_length:
            reply = reply[:max_length - 3] + "..."

        return {
            "reply": reply,
            "length": len(reply),
            "platform": platform,
            "requires_review": category in ("complaint", "requires_human", "toxic"),
        }

Повний pipeline обробки повідомлень

import asyncio
from datetime import datetime


class SocialMediaAutoReply:
    """Повна система автовідповідей для соцмереж"""

    def __init__(self, brand_config: dict):
        self.classifier = MessageClassifier()
        self.generator = AutoReplyGenerator(brand_config)
        self.pending_review: list = []

    async def process_message(self, message_data: dict) -> dict:
        text = message_data["text"]
        platform = message_data.get("platform", "instagram")

        classification = self.classifier.classify(
            text,
            context={"post_text": message_data.get("post_text"), "username": message_data.get("username")}
        )

        result = {
            "message_id": message_data["id"],
            "classification": classification,
            "action": None,
            "reply": None,
            "processed_at": datetime.now().isoformat(),
        }

        if classification["category"] == "toxic":
            result["action"] = "hide"
            result["reply"] = None

        elif classification["category"] == "irrelevant":
            result["action"] = "skip"

        elif not classification.get("auto_reply_possible", True):
            result["action"] = "escalate_to_human"
            self.pending_review.append({**message_data, "classification": classification})

        else:
            reply_data = self.generator.generate_reply(
                message=text,
                category=classification["category"],
                platform=platform,
                context={"post_text": message_data.get("post_text")},
            )

            if reply_data.get("requires_review"):
                result["action"] = "reply_with_review"
                self.pending_review.append({**message_data, "suggested_reply": reply_data["reply"]})
            else:
                result["action"] = "auto_reply"

            result["reply"] = reply_data["reply"]

        return result

    async def process_batch(self, messages: list[dict]) -> list[dict]:
        semaphore = asyncio.Semaphore(10)

        async def process_one(msg):
            async with semaphore:
                return await self.process_message(msg)

        return await asyncio.gather(*[process_one(m) for m in messages])

Інтеграція з VK API та Instagram

import vk_api
import requests


class VKAutoReply:
    """Інтеграція з ВКонтакті"""

    def __init__(self, vk_token: str, brand_config: dict):
        vk_session = vk_api.VkApi(token=vk_token)
        self.vk = vk_session.get_api()
        self.auto_reply = SocialMediaAutoReply(brand_config)

    async def process_new_comments(self, group_id: int, since_timestamp: int):
        posts = self.vk.wall.get(owner_id=-group_id, count=10, filter="owner")

        for post in posts["items"]:
            comments = self.vk.wall.getComments(
                owner_id=-group_id,
                post_id=post["id"],
                filter="all",
                count=100,
            )

            new_comments = [
                c for c in comments["items"]
                if c["date"] > since_timestamp and c.get("from_id", 0) > 0
            ]

            for comment in new_comments:
                result = await self.auto_reply.process_message({
                    "id": comment["id"],
                    "text": comment["text"],
                    "platform": "vk",
                    "post_text": post.get("text", "")[:300],
                    "username": str(comment["from_id"]),
                })

                if result["action"] == "auto_reply" and result["reply"]:
                    self.vk.wall.createComment(
                        owner_id=-group_id,
                        post_id=post["id"],
                        reply_to_comment=comment["id"],
                        message=result["reply"],
                    )
                elif result["action"] == "hide":
                    self.vk.wall.deleteComment(
                        owner_id=-group_id,
                        comment_id=comment["id"],
                    )

Кейс з нашої практики: інтернет-магазин косметики

Дані отримані в результаті впровадження системи на реальному проєкті. Ми — команда з 5 років досвіду в AI та автоматизації SMM, реалізували понад 20 проєктів.

Ситуація: 3 майданчики (Instagram, ВКонтакті, Telegram-канал). Щоденно 180–250 коментарів і DM. Один SMM-спеціаліст + 0,5 ставки помічника.

Результати за 6 тижнів:

• Автоматично закрито 73% повідомлень (відповіді на питання про склад, доставку, наявність)
• Середній час відповіді: 4–6 годин → 3 хвилини
• Скарги із затримкою відповіді >2 годин: знизилися на 89%
• SMM-спеціаліст переключився на створення контенту, переставши тонути у відповідях

Нюанс: перші 2 тижні довелося вручну редагувати ~15% відповідей — модель плуталася з конкретними артикулами і цінами. Вирішили, додавши FAQ з актуальними цінами та переліком SKU в brand_config.

Чому AI-автовідповіді не вбивають людяність?

Система не підміняє спілкування — вона бере на себе тільки рутину. Токсичні коментарі приховуються без відповіді, скарги йдуть на премодерацію, складні технічні питання ескалюються людині. В результаті команда витрачає більше часу на тих, хто дійсно потребує персональної уваги. Ми гарантуємо, що частка автоматично опублікованих відповідей без перевірки не перевищує 20% — все інше проходить через дашборд модерації.

Порівняння: ручна обробка vs AI-система

AI-система відповідає в 80 разів швидше людини і знижує операційні витрати в 25 разів — це підтверджується практикою на десятках проєктів. Класифікація точніша за ручну модерацію в 3 рази.

Порівняння платформ за лімітами

Що входить у роботу

• Класифікатор: модель для визначення категорії та тональності, навчена на ваших даних (або переднавчена база).
• Генератор відповідей: конфігурація brand_config з тоном, FAQ, забороненими фразами.
• Інтеграція з платформами: VK, Instagram, Telegram (на вибір).
• Дашборд модерації: веб-інтерфейс для перегляду повідомлень на перевірку, ручного підтвердження/відхилення.
• Аналітика: звіти за обсягами, часом відповіді, категоріями.
• Документація: опис архітектури, інструкція з експлуатації.
• Навчання команди: 2-годинний вебінар з адміністрування системи.

Як впровадити систему за 5 кроків

1. Надайте дані: вивантажте архів повідомлень (до 1000 прикладів) для навчання класифікатора.
2. Налаштуйте brand_config: визначте тон, FAQ, заборонені фрази.
3. Інтегруйте API: ми підключаємо ваші облікові записи VK, Instagram, Telegram.
4. Тестуйте в пілоті: 1 тиждень система працює в режимі рекомендацій — ви перевіряєте відповіді.
5. Запускайте: після валідації вмикаємо автоматичну публікацію з дашбордом модерації.

Терміни реалізації

• Класифікатор + генератор відповідей: 3–5 днів
• Інтеграція з однією платформою: 3–5 днів
• Дашборд модерації: 1 тиждень
• Повна система з аналітикою: 3–4 тижні

Зв'яжіться з нами для консультації — допоможемо розрахувати точний термін під ваш стек і обсяг повідомлень. Ми налаштуємо пілот за 1 тиждень на ваших даних. Отримайте персональну демонстрацію роботи системи на прикладі вашого бренду.

Посилання: Large language model

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.