Розробка мобільного чат-бота для Однокласників під ключ

Перше звернення до api.ok.ru/fb.do повертає 403 Forbidden — класична пастка для новачків. Причина криється у форматі підпису: кожен параметр має бути відсортований лексикографічно, потім сконкатенований з сесійним ключем та секретом додатку, після чого обчислюється MD5. Один пропущений сортування — і підпис невірний, відповідь invalid_session. Ми за 5 років розробили понад 20 чат-ботів для Однокласників з OK API та знаємо всі тонкощі. Середній час відповіді такого бота — 200 мс, а вартість одного звернення в 5 разів нижча, ніж у живого оператора. Наш досвід гарантує, що ви не витратите тижні на налагодження аутентифікації. Зв'яжіться з нами — оцінимо ваш проєкт безкоштовно.

Для обчислення підпису необхідно зібрати всі параметри запиту (крім sig та access_token), відсортувати їх лексикографічно, сконкатенувати в рядок виду param1=value1param2=value2..., додати сесійний ключ та секрет додатку, потім обчислити MD5. Приклад на Python:

import hashlib
params = sorted(params.items())
raw = ''.join(f'{k}={v}' for k, v in params) + session_key + secret
sig = hashlib.md5(raw.encode()).hexdigest()

OK API Documentation: Signature generation algorithm

Webhook-подія від OK приходить у форматі:

{
  "type": "NEW_MESSAGE",
  "senderId": "123456789",
  "groupId": "70000000000001",
  "object": {
    "body": "Привіт",
    "mid": "MESSAGE_ID"
  }
}

На стороні мобільного додатку це звичайний REST-клієнт: Retrofit на Android або Alamofire на iOS, який опитує ваш сервер або підключається через WebSocket для отримання відповідей у реальному часі.

Архітектура мобільного чат-бота для Однокласників

Однокласники використовують власну схему підпису запитів. Кожен виклик до api.ok.ru/fb.do вимагає обчислення MD5-хешу від конкатенації відсортованих параметрів + сесійного ключа + секрету додатку. Пропустиш сортування — підпис невірний, відповідь invalid_session. Мобільний додаток працює з ботом через проміжний сервер: клієнт відправляє повідомлення → сервер отримує webhook від OK → обробляє логіку → відповідає через messages.send. Зберігати application_secret_key на пристрої не можна.

Що реально потрібно реалізувати

Авторизація через OK OAuth. Якщо бот діє від імені користувача (не групи), потрібен access_token з правами MESSAGES. Мобільний SDK OK для Android (one-sdk-android) спрощує OAuth-флоу, але для кастомного UX доведеться використовувати WebView з перехопленням redirect URI.

Розсилки OK по підписникам групи. notifications.sendSimple працює лише якщо користувач вступив у взаємодію з групою. Спроба слати без попереднього контакту → user_not_invited_to_group. Це обмеження платформи, обходити не можна.

Автовідповіді в Однокласниках. Бот моніторить GROUP_MESSAGE_NEW через Long Polling або Callback API. Callback API надійніше — Long Polling вимагає тримати постійне з'єднання, що на мобільному сервері неоптимально.

Long Polling vs Callback API: що обрати?

Чому виникають помилки при розробці чат-бота?

Професійна розробка чат-бота: результати та гарантії

Досвід 5 років і 20+ проєктів дозволяє нам уникати описаних помилок. Всі боти проходять навантажувальне тестування на 20 000 повідомлень на день. Ми надаємо архітектурну документацію, вихідний код, інструкцію з розгортання та 3 місяці безкоштовної підтримки. Ваш бюджет на розробку скоротиться на 30% за рахунок використання готових модулів підпису та OAuth. Отримайте консультацію — оцінимо ваш проєкт.

Що входить в роботу над чат-ботом?

• Аналітика сценаріїв та прототипування інтерфейсу.
• Реєстрація додатку в OK Dev Center, налаштування прав групи та webhook-endpoint.
• Розробка серверної частини на Python (FastAPI) або Go з підтримкою підпису, маршрутизацією подій та зберіганням діалогів у базі даних.
• Мобільний клієнт: UI чату (RecyclerView + DiffUtil для Android, UICollectionView з compositional layout для iOS), інтеграція з вашим API, push-сповіщення через FCM/APNs.
• Інтеграція OK API з CRM (через REST API або webhook), налаштування сповіщень про нові діалоги.
• Навантажувальне тестування (20 000 повідомлень на день) та оптимізація.
• Повна документація: архітектура, API контракти, інструкція з розгортання.
• 3 місяці безкоштовної підтримки та доопрацювань.

Процес роботи

1. Аналітика — обговорюємо сценарії бота, цільову аудиторію, інтеграції.
2. Реєстрація додатку — в OK Dev Center, налаштування прав групи та webhook-endpoint.
3. Серверна частина — розробка обробника підпису, маршрутизація подій, зберігання діалогів у базі даних.
4. Мобільний клієнт — UI чату (RecyclerView + DiffUtil для Android, UICollectionView з compositional layout для iOS), інтеграція з вашим API.
5. Тестування — на реальних акаунтах OK, у тому числі через TestFlight та Firebase App Distribution.
6. Деплой — розгортаємо сервер на вашому хмарі, налаштовуємо CI/CD.

Орієнтири за термінами

Базовий бот з автовідповідями в групі та мобільним інтерфейсом — 3–5 днів. Якщо потрібні розсилки, аналітика діалогів, інтеграція з CRM — 2–3 тижні. Точні терміни розраховуємо індивідуально.

Зв'яжіться з нами — отримайте попередню оцінку вартості та термінів. Замовте консультацію — ми проаналізуємо ваш сценарій та запропонуємо оптимальне рішення.

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.

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.

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.