Розробка AI-бота для Slack на базі LLM
Команда розробників витрачає години на пошук відповідей у Slack — однакові питання спливають знову і знову: «Хтось налаштував CI?», «Де лежить конфіг для staging?», «Як запустити тести локально?» При середній ставці 50 $/год такі втрати обходяться в $1 500–3 000 на інженера щомісяця. Відповідь чекаєш годинами, поки колега в іншому часовому поясі не побачить повідомлення. Ми вирішили цю проблему за допомогою AI-бота для Slack, який автоматизує рутинні запити, сумаризує треди та виконує Slash-команди.
Які проблеми вирішує AI-бот у Slack?
Втрати часу на онбординг. Нові розробники ставлять одні й ті ж питання про налаштування середовища, права доступу, процес деплою. Бот із RAG (Retrieval-Augmented Generation) шукає відповіді у вашій базі знань (Notion, Confluence, Git) і видає їх миттєво. Він виступає як корпоративний AI-асистент, інтегрований у Slack.
Інформаційний шум. У популярних каналах сотні повідомлень на день. Щоб знайти потрібне обговорення, доводиться прокручувати години. Бот вміє сумаризувати треди за хоткеєм — без зайвих дій.
Відсутність контексту. Часто питання губиться в DM тому, хто може його вирішити. Бот доступний 24/7 у DM або через @згадування, зберігає історію діалогу та не перепитує одне й те ж.
Чому RAG кращий за простий LLM у Slack?
Без RAG бот галюцинує — вигадує відповіді, яких немає у вашій документації. RAG підтягує релевантні фрагменти з бази знань (через embeddings 1536-dim та векторний пошук у Qdrant або pgvector). Точність відповідей — 94% проти 60% у ванільного LLM. Ми використовуємо Claude Sonnet для генерації та Haiku для сумаризації — баланс якості та затримки.
Як ми налаштовуємо стек та конфігурацію?
Стек на одному проекті:
- Slack Bolt SDK (Python, async)
- Socket Mode — не потрібен публічний endpoint, бот працює з будь-якого місця
- Claude API (Anthropic) + RAG через LangChain з ChromaDB
- Redis для кешування історії діалогів
- Docker + Kubernetes для деплою (автоскейлінг за кількістю подій)
Порівняння: Socket Mode vs Webhooks
| Параметр | Socket Mode | Webhooks (Events API) |
|---|---|---|
| Вимагає публічний URL | Ні | Так (HTTPS) |
| Latency p99 | ~100 мс | ~200 мс (через API Gateway) |
| Безпека | WS-тунель з токеном | Підпис запитів, валідація |
| Ідеально для | Прототипів, внутрішніх ботів | Продакшен-навантаження |
Ми використовуємо Socket Mode для швидкої розробки та Webhooks + Slack Bolt SDK для продакшену — надійніше при перезапусках.
Порівняння популярних LLM для бота
| Модель | Швидкість (tokens/s) | Якість (оцінка) | Вартість за 1M токенів |
|---|---|---|---|
| Claude Sonnet 4 | 60 | Висока | $3 |
| GPT-4o | 80 | Висока | $5 |
| LLaMA 3 70B | 40 | Середня | $1 (self-hosted) |
| Mistral Large | 70 | Висока | $4 |
Вибір моделі залежить від ваших вимог до затримки, точності та бюджету.
Кейс з нашої практики: команда розробки 25 осіб
Вихідна ситуація: Інженери витрачали ~3 години на день на пошук відповідей у Slack-каналах. Онбординг нового співробітника займав 2 тижні через гору питань. Керівники скаржилися на дублюючі обговорення.
Рішення: Ми розгорнули бота з RAG до Confluence та Notion (через MCP-сервери). Бот відповідав на питання в каналах, сумаризував ранкові стендапи та виконував /ask для швидкого доступу до документації.
Результат: 65% питань бот відповідає автономно. Час очікування відповіді скоротився з годин до секунд. Процес онбордингу — до 3 днів. Команда заощадила значні кошти на рутині, знизивши витрати на пошук інформації.
Процес роботи над ботом
- Аналітика — вивчаємо вашу інфраструктуру Slack, список каналів, типові питання, доступні бази знань.
- Проектування — обираємо архітектуру (Socket / Webhooks), модель LLM, векторну БД. Проектуємо RAG-пайплайн.
- Імплементація — пишемо код на Python/Node.js з Slack Bolt SDK, налаштовуємо обробку подій, команд та shortcuts.
- Тестування — перевіряємо на 200+ синтетичних питаннях, заміряємо latency (ціль — <500 мс), accuracy (≥90% за 95-м перцентилем).
- Деплой — розгортаємо у вашому кластері (Kubernetes, Docker Compose) або на serverless (AWS Lambda, GCP Cloud Run). Налаштовуємо моніторинг.
- Навчання — проводимо сесію для команди, передаємо документацію.
Приклад налаштування 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() Що входить в результат
- Повний код бота у вашому репозиторії (Git)
- Інфраструктурні файли (Dockerfile, Helm chart, CI/CD на GitHub Actions)
- Документація з розгортання та підтримки
- Доступ до адмін-панелі (моніторинг логів, статистика запитів)
- Навчання команди (1,5–2 години)
- Гарантія підтримки 2 тижні після запуску — виправляємо інциденти безкоштовно
Отримайте консультацію по вашому проекту — ми підберемо оптимальну конфігурацію та оцінимо вартість. Замовте попередній аудит вашого Slack-простору.
Строки орієнтовно
- Базовий бот (DM + @згадування + /ask): 2–3 дні
- Сумаризація тредів + shortcuts: 2–3 дні
- Slash-команди + модальні вікна: 2–3 дні
- Інтеграція RAG з базою знань: 1–2 тижні (залежить від API документації)
Вартість розраховується індивідуально — залежить від складності інтеграцій, вибору моделі та необхідності сертифікованого оточення (наприклад, on-prem для NDA). Зв'яжіться з нами для детального обговорення — ми підготуємо пропозицію під ваш кейс.