Телеграм-бот с нейросетью для ответов клиентам: как это работает

За последний год ко мне пришло не меньше десятка запросов на телеграм бот с нейросетью для ответов клиентам - от владельцев небольших интернет-магазинов на Tilda до сервисов поддержки с тысячами обращений в месяц. Схема выглядит обманчиво просто: пользователь пишет в чат, бот отправляет текст в GPT или Claude, возвращает ответ. На деле рабочая связка собирается минимум из пяти частей, и большинство проблем всплывает не в промпте, а в базе знаний, обработке ошибок API и логике передачи диалога оператору.

Как устроен телеграм-бот с нейросетью для ответов клиентам

Базовый пайплайн такой: Telegram Bot API принимает сообщение → бэкенд на Python (обычно aiogram) или сценарий в n8n забирает текст → запрос уходит в LLM API (OpenAI или Claude) → ответ форматируется и возвращается пользователю. Для простого FAQ-бота этого достаточно. Как только заказчику нужен бот, который отвечает по конкретному ассортименту, ценам или регламентам компании, к схеме добавляется поиск по базе знаний - иначе нейросеть начинает придумывать характеристики товара или сроки доставки, которых не было в исходных данных.

Вот минимальный обработчик на aiogram с вызовом Claude API - так выглядит ядро большинства ботов, которые я собираю:

from aiogram import Bot, Dispatcher, types
from anthropic import Anthropic

bot = Bot(token=TG_TOKEN)
dp = Dispatcher()
client = Anthropic(api_key=CLAUDE_KEY)

@dp.message()
async def handle_message(message: types.Message):
    context = search_knowledge_base(message.text)
    response = client.messages.create(
        model="claude-sonnet-5",
        max_tokens=500,
        system=f"Отвечай только на основе контекста: {context}",
        messages=[{"role": "user", "content": message.text}]
    )
    await message.answer(response.content[0].text)

В реальных проектах сюда добавляются логирование диалогов в базу, ограничение частоты запросов от одного пользователя и обработка таймаутов API - без них бот падает на первой же пиковой нагрузке, а не когда-нибудь потом.

Aiogram, RAG и база знаний - из чего собирается бот с ИИ

RAG (retrieval-augmented generation) - это когда перед обращением к нейросети бот сначала ищет релевантные куски текста в собственной базе знаний и подмешивает их в запрос. Документы (прайс, регламент, FAQ, карточки товаров) режутся на чанки по 300-800 токенов, для каждого считается эмбеддинг и складывается в векторную базу - pgvector, Chroma или Qdrant, в зависимости от того, где уже крутится инфраструктура клиента. При вопросе пользователя ищутся 3-5 ближайших по смыслу чанков, и именно они уходят в system prompt вместе с инструкцией отвечать строго по контексту.

Без этого шага нейросеть с высокой вероятностью начнет добавлять от себя: придумает несуществующий тариф или скажет, что доставка бесплатна, хотя в прайсе такого нет. На одном из проектов на WooCommerce я как раз ловил такую ситуацию - бот без RAG уверенно называл клиентам скидки, которых не было в системе. После подключения векторного поиска по каталогу и условиям доставки количество некорректных ответов упало почти до нуля.

Сколько стоит и сколько делается чат-бот с нейросетью для клиентов

Цена сильно зависит от того, нужна ли база знаний и интеграции с внешними сервисами.

На рынке за похожий функционал студии часто просят 80 000-150 000 ₽ и растягивают сроки на 1,5-2 месяца - за счет проектной документации и согласований, которые не всегда нужны для бота из одного диалогового сценария. Я работаю без лишних прослоек: техзадание фиксируется в переписке, разработка идет сразу.

Когда бот передает диалог живому оператору и какие тут риски

Хороший бот с нейросетью не пытается ответить на всё подряд. Я закладываю несколько триггеров эскалации: явное упоминание слова «оператор» или «человек», два подряд неудачных ответа (когда RAG не находит релевантный контекст выше порога схожести), вопросы про возврат денег или конфликтные ситуации - такие темы почти всегда лучше отдавать человеку сразу, а не пытаться закрыть промптом.

Основной риск связки - не в том, что нейросеть «сломается», а в том, что она будет уверенно отвечать не по делу, если её не ограничить контекстом и системным промптом. Второй риск - стоимость токенов растет с длиной истории диалога: если передавать в каждый запрос всю переписку без обрезки, счет за API за месяц активного бота может вырасти в 3-4 раза против расчетного. Я обычно ограничиваю окно истории последними 6-8 сообщениями и суммирую более старый контекст отдельным полем.

Интеграция с CRM, оплатой и доставкой на практике

Бот с нейросетью редко живет отдельно от остальной инфраструктуры. Из того, что реально приходилось собирать:

• прием оплаты через T‑Bank прямо в чате - бот формирует счет и присылает ссылку, статус оплаты подтягивается по вебхуку и обновляет заказ в WooCommerce;
• расчет стоимости и сроков доставки через API СДЭК прямо в диалоге, без переключения на сайт;
• создание лида в Bitrix24 или amoCRM после того, как бот собрал контакты и суть обращения;
• синхронизация с формами на Tilda - заявка с лендинга сразу попадает в тот же тред диалога с ботом, чтобы клиент не начинал разговор заново.

Часть таких сценариев - вебхуки на прием заказа, расчет доставки, подтверждение оплаты - у меня уже собрана в виде готовых заготовок, с ними интеграция занимает не 2-3 недели, а несколько дней. Посмотреть, что есть, можно в библиотеке готовых скриптов - там же примеры под Tilda и WooCommerce, которые обычно берутся за основу и дорабатываются под конкретный проект.

n8n или кастомный код на aiogram - что выбрать

Это вопрос, который я слышу почти на каждом брифе. Ответ зависит от того, насколько типовой сценарий и кто будет его поддерживать дальше.

n8n я беру, когда заказчику важна скорость и сценарий укладывается в стандартные ноды - прием сообщения, запрос к OpenAI, запись в Google Sheets или CRM. Как только в логике появляются условия вроде «если это VIP-клиент по базе - отвечать иначе» или нужна сложная работа с векторной базой и кастомным ранжированием контекста, я перехожу на aiogram: там нет ограничений нод-конструктора, и логику можно развивать сколько угодно.

Частые вопросы

Сколько стоит телеграм-бот с нейросетью для ответов клиентам?

Простой FAQ-бот без базы знаний обойдется от 30 000 ₽, разработка занимает 1-2 недели. Если нужен RAG с поиском по документам и каталогу - от 50 000 ₽ и 3-4 недели. Интеграции с CRM, оплатой или СДЭК считаются отдельно, от 40 000 ₽ сверху.

Какую нейросеть лучше подключить - GPT или Claude?

На практике разница в качестве ответов для клиентской поддержки минимальна, если контекст в system prompt собран корректно. Claude чуть аккуратнее держится в рамках заданного контекста и реже додумывает факты, GPT местами дешевле по токенам на длинных диалогах. Я выбираю модель под конкретный бюджет и объем переписки, а не по умолчанию.

Можно ли обойтись без базы знаний и просто дать боту промпт?

Для бота, который отвечает на 5-10 типовых вопросов по общей теме, промпта без RAG хватает. Как только речь идет о конкретных ценах, характеристиках товаров или регламентах компании, без базы знаний нейросеть рано или поздно начинает придумывать детали - на моей практике это случается уже на второй-третьей неделе работы бота с живым трафиком.

Не будет ли бот отвечать с задержкой?

Запрос к API нейросети с учетом поиска по базе знаний занимает обычно 2-5 секунд. Это ощутимо дольше, чем ответ бота на жестких правилах, но заметно быстрее, чем ожидание оператора в рабочее время. Для длинных ответов я включаю потоковую отдачу текста (streaming), чтобы пользователь видел, что бот уже печатает, а не завис.