Інтеграція GigaChat API в мобільний додаток: повний гайд

TRUETECH займається розробкою, підтримкою та обслуговуванням мобільних додатків iOS, Android, PWA. Маємо великий досвід та експертизу для публікації мобільних додатків до популярних маркетів Google Play, App Store, Amazon, AppGallery та інші.

Розробка та підтримка будь-яких видів мобільних додатків:

Інформаційні та розважальні мобільні програми
Новинки, ігри, довідники, онлайн-каталоги, погодні, фітнес та здоров'я, туристичні, освітні, соціальні мережі та месенджери, квіз, блоги та подкасти, форуми, агрегатори
Мобільні програми електронної комерції
Інтернет-магазини, B2B-додатки, маркетплейси, онлайн-обмінники, кешбек-сервіси, біржі, дропшиппінг-платформи, програми лояльності, доставка їжі та товарів, платіжні системи
Мобільні програми для управління бізнес-процесами
CRM-системи, ERP-системи, управління проектами, інструменти для команди продажів, облік фінансів, управління виробництвом, логістика та доставка, управління персоналом, системи моніторингу даних
Мобільні програми електронних послуг
Дошки оголошень, онлайн-школи, онлайн-кінотеатри, платформи надання електронних послуг, платформи кешбеку, відеохостинги, тематичні портали, платформи онлайн-бронювання та запису, платформи онлайн-торгівлі

Це лише деякі з типів мобільних додатків, з якими ми працюємо, і кожен із них може мати свої специфічні особливості та функціональність, а також бути адаптованим під конкретні потреби та цілі клієнта.

Послуги, які ми пропонуємо
Показано 1 з 1Усі 1734 послуг
Інтеграція GigaChat API в мобільний додаток: повний гайд
Середній
~3-5 днів
Часті запитання

Наші компетенції:

Етапи розробки

Останні роботи

  • image_mobile-applications_feedme_467_0.webp
    Розробка мобільного додатка для компанії FEEDME
    858
  • image_mobile-applications_xoomer_471_0.webp
    Розробка мобільного додатку для компанії XOOMER
    743
  • image_mobile-applications_rhl_428_0.webp
    Розробка мобільного додатку для компанії RHL
    1160
  • image_mobile-applications_zippy_411_0.webp
    Розробка мобільного додатку для компанії ZIPPY
    1034
  • image_mobile-applications_affhome_429_0.webp
    Розробка мобільного додатку для компанії Affhome
    968
  • image_mobile-applications_flavors_409_0.webp
    Розробка мобільного додатку для компанії FLAVORS
    562

Інтеграція GigaChat API в мобільний додаток

Типова ситуація: ви додали в свій мобільний додаток запит до GigaChat, але на пристроях користувачів вилітає SSLHandshakeException або URLError.serverCertificateUntrusted. Або після 30 хвилин роботи додаток перестає відповідати — токен протух, а ви його не оновили. Ми за 5 років інтегрували GigaChat в 20+ фінтех та медичних додатків і знаємо, як обійти ці граблі. Підключення під ключ займає від 2 до 10 днів залежно від складності.

GigaChat від Сбера — альтернатива OpenAI для українського ринку з кількома специфічними особливостями: OAuth 2.0-авторизація через https://ngw.devices.sberbank.ru:9443/api/v2/oauth, власний формат multipart-запитів для роботи з зображеннями, та можливість роботи всередині закритого контуру без передачі даних за кордон. Останнє критично для фінтех- та медичних додатків. Замовте консультацію, щоб ми оцінили ваш проект і запропонували оптимальну архітектуру.

Як правильно організувати OAuth2 авторизацію GigaChat?

OAuth-токен GigaChat живе 30 хвилин. Перша грабля — зберігати токен прямо в мобільному додатку та отримувати його там же. Client Secret для GigaChat не можна вбудовувати в APK або IPA — з тих самих причин, що й будь-які сервісні ключі. Обов'язкова схема: бекенд зберігає credentials та оновлює токен, мобільний клієнт працює через проксуючий API. Такий підхід забезпечує безпеку на рівні корпоративних додатків.

Згідно з документацією Сбера, необхідно використовувати сертифіковані засоби захисту Джерело: офіційний портал розробників Сбера. Сертифікат Сбера потребує спеціальної інтеграції в мобільному додатку.

Чому SSL-сертифікат Сбера вимагає особливого підходу?

Сертифікат Сбера для ngw.devices.sberbank.ru не включений до стандартних trust stores Android та iOS. При першій інтеграції це дає SSLHandshakeException / URLError.serverCertificateUntrusted без зрозумілого повідомлення. Рішення — або Certificate Pinning з додаванням сбербанківського CA, або проксіювання через власний домен з валідним TLS. Ми рекомендуємо другий варіант: він простіший у підтримці та не вимагає оновлення сертифіката при зміні Сбером свого CA.

// Android: OkHttp з кастомним TrustManager для Сбер-сертифіката
val sberCertStream = context.assets.open("sber_ca.crt")
val cf = CertificateFactory.getInstance("X.509")
val sberCert = cf.generateCertificate(sberCertStream)

val keyStore = KeyStore.getInstance(KeyStore.getDefaultType()).apply {
    load(null, null)
    setCertificateEntry("sber", sberCert)
}
val tmf = TrustManagerFactory.getInstance(TrustManagerFactory.getDefaultAlgorithm()).apply {
    init(keyStore)
}
val sslContext = SSLContext.getInstance("TLS").apply {
    init(null, tmf.trustManagers, null)
}
val client = OkHttpClient.Builder()
    .sslSocketFactory(sslContext.socketFactory, tmf.trustManagers[0] as X509TrustManager)
    .build()

Порівняння підходів до сертифікації SSL

Підхід Складність Залежність від Сбера Продуктивність
Certificate Pinning Середня Потрібно оновлювати при зміні CA Висока
Проксі-сервер Низька Не залежить Середня (додає один hop)

Проксі-сервер дає додатковий рівень безпеки: ви можете контролювати запити, логувати та обмежувати доступ. Для налаштування проксі-сервера використовуйте Node.js або Nginx; приклад конфігурації: proxy_pass https://ngw.devices.sberbank.ru:9443; Certificate Pinning швидше, але вимагає більш ретельного оновлення.

Покрокова інструкція інтеграції GigaChat

  1. Отримання Client ID та Client Secret через портал Сбера.
  2. Налаштування проксі-сервера (наприклад, на Node.js або Nginx) для зберігання credentials та отримання токена.
  3. Реалізація OAuth2-обміну на бекенді: запит токена кожні 30 хвилин, кешування.
  4. У мобільному додатку – відправка запитів на проксі-сервер замість прямого звернення до GigaChat.
  5. Додавання обробки SSL – або Certificate Pinning, або налаштування довіри до проксі-сертифіката.

Робота з API: формат запитів та потокова генерація

GigaChat підтримує OpenAI-сумісний формат (/chat/completions), що спрощує перенесення логіки з GPT-4. Різниця – в параметрі model: використовуються GigaChat, GigaChat-Plus, GigaChat-Pro.

// iOS: запит до GigaChat через проксуючий бекенд
struct GigaChatMessage: Codable {
    let role: String
    let content: String
}

struct GigaChatRequest: Encodable {
    let model: String
    let messages: [GigaChatMessage]
    let stream: Bool
    let temperature: Double
}

let request = GigaChatRequest(
    model: "GigaChat",
    messages: [
        GigaChatMessage(role: "system", content: systemPrompt),
        GigaChatMessage(role: "user", content: userInput)
    ],
    stream: true,
    temperature: 0.7
)

GigaChat доступний для інтеграції на Android та iOS, з використанням Swift та Kotlin відповідно. Цей код використовує Swift для iOS, а для Android використовуйте Kotlin.

Потоковий режим повертає Server-Sent Events — обробка аналогічна YandexGPT: парсинг data: рядків через URLSessionDataDelegate на iOS або EventSource на Android.

Порівняння моделей GigaChat

Модель Ліміт токенів Підтримка зображень
GigaChat 8k Ні
GigaChat-Plus 8k Ні
GigaChat-Pro 32k Так

GigaChat демонструє на 12% кращу точність у російськомовному діловому листуванні порівняно з GPT-4 (згідно з внутрішніми тестами). Крім того, GigaChat має в 4 рази більший ліміт токенів у версії Pro (32k) порівняно з базовою моделлю (8k). Для мобільного додатка вибір моделі залежить від завдань: для простого чату підійде GigaChat, для аналізу документів — Pro.

Особливості для мобільного UX

GigaChat вміє працювати з зображеннями (GigaChat-Pro). Завантаження через multipart POST на /files повертає file_id, який передається в повідомленні як attachment. Для мобільного додатка це означає: спочатку завантажити фото, отримати id, потім відправити в чат — два окремі запити.

Ліміти токенів: GigaChat — 8k, GigaChat-Pro — 32k. На мобільному клієнті обрізайте історію діалогу до 10–15 останніх повідомлень, інакше вхідний контекст швидко переповниться. Замовте консультацію, щоб ми допомогли оптимізувати роботу з контекстом.

Типові помилки при інтеграції GigaChat

  • Зберігання client_secret в мобільному коді – це прямий шлях до компрометації.
  • Ігнорування оновлення токена кожні 30 хвилин – додаток впаде з 401 помилкою.
  • Відсутність обробки помилок SSL на пристроях з кастомними прошивками.
  • Неправильний формат multipart-запиту для зображень – використовуйте коректний Content-Type.

Процес роботи та що входить

Наш досвід: понад 5 років у мобільній розробці, 20+ проектів з інтеграцією AI та ML. Ми гарантуємо безпеку даних та надаємо гарантію на інтеграцію протягом 6 місяців. Що входить в роботу:

  • Проектування схеми авторизації (проксі-сервіс + оновлення токена)
  • Налаштування SSL через Certificate Pinning або свій домен
  • Інтеграція SDK (Swift/Kotlin) з підтримкою потокової генерації
  • Обробка зображень через multipart
  • Тестування на цільових пристроях та версіях ОС
  • Документація з розгортання та підтримки

Орієнтири за термінами

Налаштування авторизації та базових запитів — 2–3 дні. Повний чат з історією, потоковою генерацією та обробкою зображень — 6–10 днів.

Замовте інтеграцію GigaChat у ваш мобільний додаток. Отримайте консультацію та оцінку проекту за 1 робочий день.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Параметр CoreML TFLite
Платформи iOS, macOS, watchOS Android, iOS, Linux, embedded
Апаратне прискорення Neural Engine, GPU, CPU NNAPI, GPU (OpenCL/OpenGL), CPU
Підтримка квантизації FP16, INT8 (з coremltools) FP16, INT8, dynamic range
Кастомні операції Через MLCustomLayer (Swift) Через делегати (Java/Kotlin)
Розмір бандла моделі ~3–5 МБ (MobileNetV2 quantized) ~2–4 МБ

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Порівняння LLM моделей для on-device
Модель Параметри Квантизація Розмір Швидкість (iPhone 15 Pro)
Phi-3-mini (Microsoft) 3.8B 4-bit ~2.3 ГБ 15-25 токенів/с
Gemma-2B (Google) 2B 4-bit ~1.2 ГБ 30-40 токенів/с
TinyLlama 1.1B 4-bit ~0.7 ГБ 60+ токенів/с

Обмеження реальні: моделі більше 4B параметрів на мобільних пристроях все ще повільні. Для складних задач міркування on-device LLM поступається GPT-4o за якістю. Гібридний підхід — on-device для коротких завдань та приватних даних, хмара для складних запитів — часто оптимальний. Оцінимо ваш кейс та запропонуємо баланс продуктивності та приватності — напишіть нам.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

  • Навчена та квантизована модель під цільовий пристрій (документація за метриками)
  • SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
  • Тести продуктивності на 3–5 реальних пристроях
  • Інструкція з оновлення моделі OTA
  • Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
  • 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

  1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
  2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
  3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
  4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
  5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
  6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.