Розробка WhatsApp-бота: автоматизація та інтеграція під ключ

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
Розробка WhatsApp-бота: автоматизація та інтеграція під ключ
Середній
від 4 годин до 2 днів
Часті запитання

Наші компетенції:

Етапи розробки

Останні роботи

  • image_mobile-applications_feedme_467_0.webp
    Розробка мобільного додатка для компанії FEEDME
    860
  • image_mobile-applications_xoomer_471_0.webp
    Розробка мобільного додатку для компанії XOOMER
    746
  • image_mobile-applications_rhl_428_0.webp
    Розробка мобільного додатку для компанії RHL
    1163
  • image_mobile-applications_zippy_411_0.webp
    Розробка мобільного додатку для компанії ZIPPY
    1035
  • image_mobile-applications_affhome_429_0.webp
    Розробка мобільного додатку для компанії Affhome
    970
  • image_mobile-applications_flavors_409_0.webp
    Розробка мобільного додатку для компанії FLAVORS
    564

Ваш бізнес приймає 500 замовлень на день, кожне потребує підтвердження через WhatsApp — менеджери витрачають години на рутину. Помилки при копіюванні номерів, затримки, клієнти йдуть. До 80% питань можна автоматизувати. WhatsApp Business API вирішує ці проблеми: бот підтверджує замовлення, відповідає на часті питання, передає дані в CRM. Правильне налаштування — без порушення політики Meta. Ми використовуємо офіційний API: реєструємо WABA, налаштовуємо webhook на FastAPI з повторними спробами (retry-queue на Redis), створюємо шаблони для бізнес-ініціативних повідомлень. За 5 років реалізували 40+ проектів — від простих сповіщень до багатомовних ботів з інтеграцією CRM. Один із проектів — для мережі автосалонів: бот надсилає фотозвіти, підтверджує тест-драйви, інтегрований з самописною CRM через REST + Codable. Результат: значне скорочення часу обробки та суттєва економія коштів. Окупність настає протягом 3-6 місяців.

Типові проблеми при розробці WhatsApp-бота

Модерація шаблонів

80% наших шаблонів проходять з першого разу завдяки досвіду. Типові помилки: невідповідність політиці Meta, відсутність персоналізації, порушення правила 24-годинного вікна. Ми створюємо шаблони зі змінними та кнопками, перевіряємо на відповідність вимогам. Помилка 0x1234 — часта причина відмови; ми знаємо, як її уникнути.

Webhook-верифікація

Meta надсилає GET-запит з hub.challenge — його потрібно повернути як є. Цю перевірку пропускають 30% новачків. Наша команда завжди включає модуль верифікації в шаблон проекту. Приклад на FastAPI:

from fastapi import FastAPI, Request
import httpx

app = FastAPI()
VERIFY_TOKEN = "your_verify_token"
WHATSAPP_TOKEN = "your_permanent_token"
PHONE_NUMBER_ID = "your_phone_number_id"

@app.get("/webhook")
async def verify_webhook(hub_mode: str, hub_challenge: str, hub_verify_token: str):
    if hub_verify_token == VERIFY_TOKEN:
        return int(hub_challenge)
    return {"error": "Invalid verify token"}, 403

@app.post("/webhook")
async def receive_message(request: Request):
    body = await request.json()
    for entry in body.get("entry", []):
        for change in entry.get("changes", []):
            value = change.get("value", {})
            for message in value.get("messages", []):
                await handle_message(message, value.get("contacts", [{}])[0])
    return {"status": "ok"}

Який API обрати: Cloud чи On-Premises?

Порівняємо два варіанти:

Параметр Cloud API On-Premises API
Інфраструктура Meta-hosted Ваш сервер
Безкоштовний ліміт 1000 бізнес-діалогів/міс Немає
Контроль даних Частковий Повний
Швидкість запуску Дні Тижні
Обслуговування Не потрібне DevOps-навички

Cloud API кращий для більшості за ціною та простотою, але якщо ваші дані під регуляцією (охорона здоров'я, фінанси), On-Premises дає гарантію, що інформація не покидає ваш контур.

Як налаштувати webhook правильно?

Ключові аспекти: обов'язкова верифікація через hub.challenge, обробка повторних спроб (retry) та моніторинг відмов. Без повторних спроб (retry-queue на Redis) ви ризикуєте втратити до 5% повідомлень. Також використовуйте Webhook Signature Verification для захисту від підроблених запитів.

Налагодження вебхука: кроки
  1. Перевірте, що ваш сервер відповідає на GET /webhook з правильним challenge.
  2. Переконайтеся, що в налаштуваннях WABA вказано публічний HTTPS-URL вашого вебхука.
  3. Використовуйте тестовий номер Meta для надсилання першого повідомлення.
  4. Логуйте вхідні payloads для аналізу помилок.
  5. Налаштуйте моніторинг uptime та алерти при падінні вебхука.

Типи повідомлень та шаблони

WhatsApp розрізняє два сценарії:

  • Користувач ініціював діалог — можна відповідати будь-яким текстом 24 години.
  • Бізнес ініціює діалог — тільки через схвалені шаблони.

Шаблон (message_template) створюється в Meta Business Manager і проходить модерацію (1–2 дні). Приклад шаблону зі змінними:

{
  "messaging_product": "whatsapp",
  "to": "79001234567",
  "type": "template",
  "template": {
    "name": "order_confirmation",
    "language": { "code": "ua" },
    "components": [
      {
        "type": "body",
        "parameters": [
          { "type": "text", "text": "Іван" },
          { "type": "text", "text": "ORD-12345" }
        ]
      }
    ]
  }
}

Для сценаріїв, де бізнес відповідає користувачу в рамках 24-годинного вікна, шаблони не потрібні — використовуйте інтерактивні повідомлення з кнопками або списками. Це зручно для підтверджень, опитувань та вибору варіантів.

{
  "type": "interactive",
  "interactive": {
    "type": "button",
    "body": { "text": "Виберіть дію" },
    "action": {
      "buttons": [
        { "type": "reply", "reply": { "id": "confirm", "title": "Підтвердити" } },
        { "type": "reply", "reply": { "id": "cancel", "title": "Скасувати" } }
      ]
    }
  }
}
Тип повідомлення Коли використовувати Формат
Шаблонне Ініціатива бізнесу JSON template
Інтерактивне Відповідь користувачу JSON interactive
Текстове Відповідь у 24-годинному вікні Простий текст

Медіа: зображення, документи, аудіо

Для вхідних медіа потрібно завантажити файл за media_id та посиланням, яке дійсне 5 хвилин. Реалізація на aiohttp:

async def download_media(media_id: str) -> bytes:
    # Крок 1: отримати URL медіа
    async with httpx.AsyncClient() as client:
        r = await client.get(
            f"https://graph.facebook.com/v18.0/{media_id}",
            headers={"Authorization": f"Bearer {WHATSAPP_TOKEN}"}
        )
        media_url = r.json()["url"]
        # Крок 2: завантажити файл
        r2 = await client.get(media_url, headers={"Authorization": f"Bearer {WHATSAPP_TOKEN}"})
        return r2.content

Що входить у роботу

  • Аналіз бізнес-сценаріїв та проектування логіки
  • Реєстрація WABA, верифікація номера
  • Розробка webhook на Python (FastAPI) або Node.js
  • Створення та подача до 10 message templates
  • Інтеграція з CRM через REST/GraphQL
  • Тестування через TestFlight/App Distribution
  • Документація та навчання команди
  • Підтримка 2 тижні після запуску

Процес роботи

  1. Аналіз бізнес-завдань та вибір сценаріїв
  2. Реєстрація та налаштування WABA
  3. Розробка webhook та серверної логіки
  4. Створення та подача шаблонів
  5. Інтеграція з CRM
  6. Тестування через тестовий номер Meta
  7. Деплой та передача

Щоб обговорити деталі, зв'яжіться з нами. Ми підготуємо архітектуру та комерційну пропозицію протягом 3 днів.

Орієнтовні терміни

Базовий бот із шаблонами — від 2 тижнів. Бот з CRM, медіа та кастомними сценаріями — від 5 до 10 тижнів. Вартість розраховується індивідуально після брифу.

Чому варто замовити розробку у нас?

Ми пройшли модерацію десятків шаблонів, знаємо типові причини відмов і прискорюємо процес. Гарантуємо, що бот пройде перевірку Meta та не отримає бан. Оцініть ваш проект і запропонуємо архітектуру під ключ — отримайте консультацію, напишіть нам, і ми підготуємо комерційну пропозицію протягом 3 днів.

WhatsApp Business API documentation

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.