Розробка AI-бота для Telegram на базі LLM

Telegram-бот без контексту — марний. LLM не пам'ятають діалог, кожен запит ізольований. Ми вирішуємо це через FSM на Redis та автоматичну компресію історії. Результат: бот, який пам'ятає вас, обробляє голос та картинки, а ви контролюєте бюджет. Наш досвід — 5+ років в AI/ML та більше 30 успішних проєктів.

Які проблеми вирішує Telegram AI-бот

Контекст діалогу. LLM не пам'ятають історію — кожне повідомлення обробляється ізольовано. Ми зберігаємо діалог в Redis через aiogram FSM. Обмежуємо історію останніми 20 повідомленнями (налаштовується). Для довгих сесій автоматично компресуємо контекст за допомогою summarization — стискаємо старі повідомлення в одне резюме.

Мультимодальний ввод. Telegram підтримує текст, голос та фото. Голос транскрибуємо через Whisper (через Groq — затримка <1 сек). Зображення обробляємо через vision API Claude або GPT-4o. Користувачеві не потрібно перемикатися між інструментами — все в одному чаті.

Rate limiting та бюджет. Кожен запит до LLM коштує грошей (токени). Зловмисник може спамити та обнулити рахунок. Ми ставимо обмеження: не більше 10 запитів за хвилину на користувача. При перевищенні бот пише: «⏳ Занадто багато запитів. Зачекайте хвилину.» Додатково — daily cap на токени з повідомленням адміністратора.

Як ми це робимо: стек та код

Стек: aiogram 3.x (асинхронний фреймворк), Redis (FSM та кеш), Anthropic SDK (Claude), Groq SDK (Whisper), Anthropic Vision API. Конфігурація через змінні середовища, деплой в Docker.

Базовий AI-бот з aiogram 3.x

import asyncio
from aiogram import Bot, Dispatcher, Router, types, F
from aiogram.filters import CommandStart, Command
from aiogram.fsm.context import FSMContext
from aiogram.fsm.storage.redis import RedisStorage
from anthropic import AsyncAnthropic

BOT_TOKEN = "BOT_TOKEN"
ANTHROPIC_API_KEY = "ANTHROPIC_API_KEY"

bot = Bot(token=BOT_TOKEN)
storage = RedisStorage.from_url("redis://localhost:6379")
dp = Dispatcher(storage=storage)
router = Router()
dp.include_router(router)
thropic_client = AsyncAnthropic(api_key=ANTHROPIC_API_KEY)

# Історія діалогу — зберігається в FSM context
@router.message(CommandStart())
async def start(message: types.Message, state: FSMContext):
    await state.update_data(history=[])
    await message.answer(
        "Привет! Я AI-ассистент на базе Claude. Задай любой вопрос.",
        reply_markup=get_main_keyboard()
    )

def get_main_keyboard():
    from aiogram.utils.keyboard import ReplyKeyboardBuilder
    builder = ReplyKeyboardBuilder()
    builder.button(text="🗑 Очистить историю")
    builder.button(text="ℹ️ О боте")
    builder.adjust(2)
    return builder.as_markup(resize_keyboard=True)

@router.message(F.text == "🗑 Очистить историю")
async def clear_history(message: types.Message, state: FSMContext):
    await state.update_data(history=[])
    await message.answer("История диалога очищена.")

@router.message(F.text & ~F.text.startswith("/"))
async def handle_text(message: types.Message, state: FSMContext):
    data = await state.get_data()
    history = data.get("history", [])

    # Додаємо повідомлення користувача в історію
    history.append({"role": "user", "content": message.text})

    # Показуємо "друкує..."
    await bot.send_chat_action(message.chat.id, "typing")

    # Streaming відповідь
    full_response = ""
    sent_message = await message.answer("...")

    async with anthropic_client.messages.stream(
        model="claude-haiku-4-5",
        max_tokens=2048,
        system="Ти — полезный ассистент. Отвечай кратко и по существу.",
        messages=history,
    ) as stream:
        async for text in stream.text_stream:
            full_response += text
            # Оновлюємо повідомлення кожні 50 символів
            if len(full_response) % 50 == 0:
                await sent_message.edit_text(full_response)

    await sent_message.edit_text(full_response)

    # Зберігаємо відповідь в історію
    history.append({"role": "assistant", "content": full_response})
    # Обмежуємо історію — 20 повідомлень
    await state.update_data(history=history[-20:])

Обробка голосових повідомлень

import io
from groq import AsyncGroq

groq_client = AsyncGroq(api_key="GROQ_API_KEY")

@router.message(F.voice)
async def handle_voice(message: types.Message, state: FSMContext):
    await bot.send_chat_action(message.chat.id, "typing")

    # Завантажуємо голосове повідомлення
    voice = message.voice
    file = await bot.get_file(voice.file_id)
    file_bytes = await bot.download_file(file.file_path)

    # Транскрибуємо через Whisper на Groq (швидко)
    transcription = await groq_client.audio.transcriptions.create(
        file=("voice.ogg", file_bytes.read()),
        model="whisper-large-v3",
        language="ru",
    )

    text = transcription.text
    await message.answer(f"📝 Розпізнано: {text}")

    # Обробляємо як текстове повідомлення
    await handle_text_with_content(message, state, text)

Обробка зображень

import base64

@router.message(F.photo)
async def handle_photo(message: types.Message, state: FSMContext):
    await bot.send_chat_action(message.chat.id, "typing")

    # Беремо фото найкращої якості
    photo = message.photo[-1]
    file = await bot.get_file(photo.file_id)
    file_bytes = await bot.download_file(file.file_path)

    image_data = base64.standard_b64encode(file_bytes.read()).decode()
    caption = message.caption or "Что на этом изображении?"

    response = await anthropic_client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": [
                {"type": "image", "source": {"type": "base64", "media_type": "image/jpeg", "data": image_data}},
                {"type": "text", "text": caption},
            ]
        }]
    )

    await message.answer(response.content[0].text)

Rate limiting та billing захист

from aiogram.filters import BaseFilter
from collections import defaultdict
import time

class RateLimitFilter(BaseFilter):
    def __init__(self, rate_limit: int = 10, period: int = 60):
        self.rate_limit = rate_limit
        self.period = period
        self.user_requests = defaultdict(list)

    async def __call__(self, message: types.Message) -> bool:
        user_id = message.from_user.id
        now = time.time()

        # Видаляємо старі запити
        self.user_requests[user_id] = [
            t for t in self.user_requests[user_id]
            if now - t < self.period
        ]

        if len(self.user_requests[user_id]) >= self.rate_limit:
            await message.answer("⏳ Занадто багато запитів. Зачекайте хвилину.")
            return False

        self.user_requests[user_id].append(now)
        return True

# Застосовуємо фільтр
@router.message(RateLimitFilter(rate_limit=10), F.text)
async def handle_with_limit(message: types.Message, state: FSMContext):
    await handle_text(message, state)

Як забезпечити контекст діалогу в Telegram-боті?

Для постійного контексту ми використовуємо Redis Storage. Стан FSM зберігається між запитами. Історія діалогу — масив повідомлень з ролями user та assistant. Обмежуємо його останніми 20 повідомленнями, щоб не перевищити контекстне вікно моделі (у Claude Haiku — 200k токенів). Якщо діалог довший — автоматично компресуємо старі повідомлення в одне резюме через LLM.

Чому Redis, а не PostgreSQL?

Redis дає latency p99 < 10 мс, PostgreSQL — ~50 мс. Для FSM, де кожен запит перезаписує стан, швидкість критична. Крім того, Redis автоматично видаляє застарілі дані (TTL), що спрощує підтримку.

Процес роботи

Порівняння моделей LLM для Telegram-бота

Claude Haiku в 2.5 рази швидше GPT-4o при порівнянній якості для типових завдань, що робить його оптимальним для чат-ботів.

Практичний кейс: клієнтська підтримка

З нашої практики: для SaaS-продукту розробили Telegram-бота на Claude Haiku. Результат: 73% звернень оброблялися без участі підтримки. Час відповіді: 24 години → миттєво. Клієнт заощадив ~40% бюджету підтримки в перший місяць. Ми налаштували rate limiting та денний ліміт токенів — щоденна витрата не перевищувала $1.5, що підтверджує ефективність підходу.

Типові помилки при розробці AI-бота

• Зберігання історії в пам'яті процесу. При перезапуску бота втрачається контекст. Використовуйте Redis.
• Ігнорування rate limiting. Один користувач може спамити та обнулити бюджет. Обов'язково ставте ліміти.
• Відсутність обробки помилок LLM. Модель може впасти або повернути некоректну відповідь. Обгортайте виклики в try-except.
• Жорстка прив'язка до однієї моделі. Якщо модель стане недоступною, бот перестане працювати. Передбачте fallback на іншу LLM.

Що входить в роботу

• Технічне завдання та вибір стеку.
• Розробка бота (діалог, голос, зображення).
• Налаштування rate limiting та адміністрування.
• Інтеграція Redis та деплой в Docker.
• Документація, доступи та навчання команди.
• Підтримка протягом місяця після запуску.

Строки орієнтовно

• Базовий бот з діалогом: 2–3 дні
• Голос + зображення: 2–3 дні
• Rate limiting + admin panel: 1 тиждень
• Публікація + моніторинг: +2–3 дні

Зв'яжіться з нами для безкоштовної консультації та точного розрахунку вартості. Замовте розробку під ключ з гарантією якості.

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.