Розробка мобільного чат-бота для ВКонтакте під ключ

Уявіть: ваш бізнес щодня втрачає до 30% лідів, тому що менеджери не встигають відповідати в месенджері. Чат-бот для VK вирішує цю проблему — обробляє замовлення, відповідає на запитання та передає складні запити операторам. Наприклад, для мережі кав'ярень ми реалізували бота, який приймає замовлення, інтегрується з CRM і скоротив час обробки на 60%. Це допомогло збільшити конверсію на 25%. За п'ять років ми розробили понад 50 таких ботів для e-commerce, послуг і медіа, і кожен витримує до 10 000 повідомлень на хвилину. Економія на операційних витратах становить десятки тисяч гривень щомісяця.

Використовуємо сучасний стек: Python FastAPI, vk_api, JavaScript для Mini Apps. Оцінимо ваш проєкт за один день — просто напишіть нам.

Розробка чат-бота для VK: особливості та стек

Як вибрати між Callback API та Long Poll? — розробка мобільного чату

Callback API — VK шле POST на ваш HTTPS-сервер при кожній події. Аналог webhook. Підходить для продакшену.

Long Poll — ваш сервер робить GET-запит, який «висить» до появи нової події. Працює без HTTPS, зручний для розробки.

Порівняємо їх у таблиці:

Для продакшен-ботів ми завжди використовуємо Callback API. Він забезпечує гарантовану доставку та автоматичні повтори при збоях.

Callback API налаштовується в розділі «Управління» → «Робота з API» → «Callback API» групи ВКонтакте. При додаванні VK відправляє confirmation подію — потрібно повернути рядок з налаштувань:

from fastapi import FastAPI, Request

app = FastAPI()
CONFIRMATION_TOKEN = "abc123xyz"  # З налаштувань групи
SECRET_KEY = "your_secret"        # Для перевірки підпису

@app.post("/vk/webhook")
async def vk_webhook(request: Request):
    data = await request.json()

    # Перевірка підпису
    if data.get("secret") != SECRET_KEY:
        return "forbidden"

    if data["type"] == "confirmation":
        return CONFIRMATION_TOKEN

    if data["type"] == "message_new":
        message = data["object"]["message"]
        await handle_message(message)

    return "ok"  # VK вимагає саме рядок "ok"

Якщо повернути не "ok" — VK буде повторно слати подію до 3 разів, потім позначить доставку як неуспішну.

Згідно з документацією VK API, Callback API гарантує доставку з повторними спробами.

Як реалізувати відправку повідомлень з клавіатурою?

import vk_api
from vk_api.bot_longpoll import VkBotLongPoll, VkBotEventType

# Через vk_api бібліотеку
vk_session = vk_api.VkApi(token=GROUP_TOKEN)
vk = vk_session.get_api()

def send_message(peer_id: int, text: str, keyboard=None):
    params = {
        "peer_id": peer_id,
        "message": text,
        "random_id": 0  # 0 = автоматичний random_id для захисту від дублів
    }
    if keyboard:
        params["keyboard"] = json.dumps(keyboard)
    vk.messages.send(**params)

random_id — важлива деталь: VK дедуплікує повідомлення за (peer_id, random_id). При random_id=0 — автоматично. При фіксованому значенні повторний виклик не створить нове повідомлення — захист від подвійної відправки.

Клавіатури бувають двох видів: звичайна (замінює системну) та inline (кріпиться до повідомлення). Приклад inline-клавіатури:

keyboard = {
    "inline": True,
    "buttons": [
        [
            {
                "action": {
                    "type": "text",
                    "label": "Каталог",
                    "payload": json.dumps({"command": "catalog"})
                },
                "color": "primary"
            }
        ]
    ]
}

Кольори кнопок: primary, secondary, positive, negative. Максимум 4 кнопки в рядку, 10 рядків.

Що таке VK Mini Apps та як їх інтегрувати?

VK Mini Apps — веб-додатки всередині ВКонтакте, аналог Telegram Mini App. SDK: @vkontakte/vk-bridge.

import bridge from '@vkontakte/vk-bridge';

bridge.subscribe((e) => {
    if (e.detail.type === 'VKWebAppUpdateConfig') {
        // Тема (світла/темна), колірна схема
        const scheme = e.detail.data.scheme;
        document.body.setAttribute('scheme', scheme);
    }
});

// Отримати дані користувача
const userInfo = await bridge.send('VKWebAppGetUserInfo');
// { id, first_name, last_name, photo_200, ... }

vk-bridge дозволяє: отримати дані користувача, відкрити платіжний діалог (VKWebAppOpenPayForm), запитати геолокацію, скопіювати в буфер обміну, відкрити QR-сканер.

Авторизація Mini App: launch_params в URL містять підписані дані (sign поле). Верифікація на сервері через HMAC-SHA256 з ключем API Secret з налаштувань додатку — обов'язкова.

Які типові помилки виникають при розробці?

1. Неправильна верифікація запитів. Якщо не перевіряти secret або не повертати "ok", VK буде повторювати запити і в підсумку вимкне callback.
2. Некоректний random_id. Використання фіксованого значення може призвести до втрати повідомлень. Краще завжди передавати 0 для автоматичної генерації.
3. Ігнорування обмежень клавіатури. Максимум 4 кнопки в рядку і 10 рядків. Якщо перевищити, VK поверне помилку.
4. Відсутність обробки помилок API. При відправці повідомлення VK може повернути помилку, наприклад, якщо користувач заборонив повідомлення від групи.

Ми на кожному проєкті проводимо аудит коду та тестування на цих кейсах. Хочете уникнути цих помилок? Звертайтеся до нас — допоможемо.

Процес роботи та терміни

Орієнтир: бот із клавіатурою — 1–2 тижні, з VK Mini App — 4–8 тижнів.

Що входить у розробку?

• Налаштування групи ВКонтакте та Callback API
• Розробка логіки обробки повідомлень (команди, сценарії)
• Реалізація клавіатур та каруселей
• Інтеграція із зовнішніми сервісами (CRM, бази даних)
• Розробка VK Mini App (якщо потрібно)
• Документація з експлуатації
• Навчання вашої команди
• Технічна підтримка 1 місяць безплатно

Чому обирають нас?

• 5+ років досвіду розробки ботів для VK та інших платформ
• 50+ успішних проєктів для малого та середнього бізнесу
• Сертифіковані розробники з VK API
• Гарантія стабільної роботи та дотримання термінів

Вартість розробки обговорюється індивідуально, але в середньому окупається за півроку за рахунок автоматизації. Замовте консультацію — оцінимо ваш проєкт за один 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.

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.