Как и любая редакция, мы следим за новостями, трендами и тем, что в паблик несут наши коллеги и конкуренты. Как на российском рынке, так и за рубежом.
Обычно отсмотр занимает от 30 до 60 минут в день: пробежаться по разным площадкам, просмотреть свежие публикации, отфильтровать инфошум и нейрослоп. И только после этого решаем, что достойно внимания и какая идея подойдёт для собственных материалов.
Мы решили оптимизировать процесс и параллельно освоить вайбкодинг. В статье рассказываем, как создали с помощью ИИ бота, который автоматически собирает и фильтрует контент на тему маркетинга.
Мария Андреева
редактор
Бот не придумывает темы статей вместо редактора и не заменяет аналитику. У него другие задачи — о них тоже расскажем.
Как мы собирали сервис
Мы собрали бота без помощи разработчиков, хотя до этого не писали код и не разворачивали подобные сервисы.
На старте была понятная задача, желание перестать делать её вручную и набор ИИ-инструментов, с которыми было интересно экспериментировать.
Сергей Афонин, главный редактор в IT-Agency
Создавая сервис, мы одновременно выполнили несколько задач:
- Оптимизировать редакционные процессы, что очень важно при ограниченном ресурсе.
- Научиться программированию в нейросетях, чтобы потом создавать другие сервисы.
- Пополнить библиотеку ИИ-решений в агентстве.
- Получить фактуру на вводный кейс для таких же сомневающихся новичков, коими были мы.
Этот проект стал для нас практической проверкой гипотезы: можно ли с помощью вайбкодинга (разработки без написания кода) собрать полезный рабочий инструмент, если ты далёк от программирования? Оказалось, можно.
Шаг 1. Погрузились в опыт коллег
Первым делом пошли к коллегам, которые уже создают сервисы с помощью нейросетей. Мы хотели понять, как подступиться к задаче, если до этого никогда не работали в коде и не создавали сервисы, тем более с помощью ИИ.
Так мы узнали, что главный секрет не в каком-то особом промпте, а в умении сформулировать внятно задачу и простым языком рассказать о ней нейросети.
Если попросить нейросеть «сделать бота для редакции», не получится ничего дельного. Как говорит мой главред, «как напромтпчено, так и закончено». Работает другой подход:
Сначала подробно опишите задачу, потом разбейте её на этапы и двигайтесь шаг за шагом, постоянно проверяя результат.
Другой совет, который сильно помогал по ходу работы:
Всегда просите ИИ объяснять свои действия максимально подробно и простым языком.
Когда нейросеть не просто выдаёт готовый фрагмент кода, а поясняет, что именно делает и зачем, будет гораздо проще понять логику сервиса и не теряться на следующих этапах.
Если думаете, что не нужно понимать, какой код вы сейчас получили, из чего он состоит и что делает — застрянете на первой же ошибке. Не смотря на то, что нейросеть пишет код за вас, всё равно важно понимать, что она придумала, почему нужен именно такой код, а не другой, и на что он влияет. Понимание этого позволит быстро отследить ошибки и устранить баги за несколько минут.
Шаг 2. Описали идею и механику
После этого мы подробно описали то, как должен работать готовый инструмент: сформулировали задачу, продумали сценарий использования, определили, откуда сервис будет брать данные, как их обрабатывать и в каком виде возвращать результат.
Нам было важно, чтобы ботом было удобно пользоваться: моментально запускать, легко считывать информацию и быстро делать выводы.
Шаг 3. Приступили к разработке бота
Когда продумали логику, начали собирать техническую часть. В качестве основы выбрали n8n, потому что это понятная визуальная среда, где можно последовательно выстраивать сценарий и видеть, как все элементы связаны между собой.
Вот так выглядят блоки в n8n
Для отдельных участков кода использовали ChatGPT и системный промпт от сооснователя агентства Всеволода Устинова, это помогло получать более структурированные и прикладные ответы.
На старте всё развивалось быстро: отдельные элементы начинали работать, сценарий постепенно складывался в систему. Но дальше появились первые баги: исправление одного ломало другие части проекта. Нейросеть предлагала бесполезные решения, не затрагивающие источник проблемы.
Пример диалога с нейросетью, когда ИИ предлагал бесполезные решения
В такие моменты был соблазн передать сборку бота разработчикам. Но, во-первых, они ребята занятые, а во-вторых, хотели разобраться самостоятельно и довести проект до конца.
Шаг 4. Скорректировали стратегию
Тогда мы решили перейти в Cursor. Появилось больше контроля над кодом, стало проще отслеживать изменения, видеть взаимосвязи между частями проекта и быстрее находить проблемные места. Если вы новичок в ИИ-разработке, пробуйте работать сразу в Cursor.
При этом стало ещё очевиднее, что нейросеть не умеет брать ответственность за результат. Она может предложить решение, написать код, подсказать направление поиска, но не замечает всех ошибок и не понимает контекст так глубоко, как человек, который собирает инструмент под конкретную задачу.
Шаг 5. Нашли и исправили баги
Несколько раз приходилось останавливаться, читать код, находить закономерности и шаг за шагом решать проблему. Например, инструмент отказывался подтягивать данные с сайта. Тогда нужно было:
1) Отследить ошибку. В n8n есть три режима: Editor (редактирование), Executions (исполнение) и Evaluation (оценка), а также кнопка Execute Workflow (протестировать процесс). На этом этапе можно проверить корректность каждого из этапов, и отследить, где прячется ошибка.
Так выглядит тестирование работы бота
2) Поправить код. Затем нужно посмотреть код и отследить, где данные перестали подгружаться и понять, почему. Иногда находила решение самостоятельно, в других случаях подробно описывала этап с ошибкой нейросети и просила её придумать решение.
Чтобы ИИ понимал, что происходит в n8n, я отправляла результаты этапа с багом в нейросеть, и получала решение
3) Зафиксировать верное решение:
Когда получилось исправить ошибку, я сохраняла верные настройки этапа в текстовом документе. Это спасало, когда изменения не сохранялись или возвращались старые баги — я быстро могла исправить то, что не работает.
Результат
MVP бота нам удалось собрать примерно за 30 часов.
Напомню, что никакого опыта в подобных задачах у нас не было. Это первая попытка сборки ИИ-решения в редакции со своими затыками, ознакомительными этапами и консультациями с коллегами. Но теперь мы знаем, как работать с ИИ-разработкой и понимаем, как делать это быстрее. В разы быстрее.
Первая версия бота по запросу собирает топ материалов с VC: 10 лучших новых статей на тему маркетинга, где больше всего лайков, комментариев и просмотров. Всё работает в корпоративном мессенджере.
Пример ответа бота
Бот уже помогает в работе:
- отслеживаем самые горячие инфоповоды, интересные исследования и новости, а также кейсы и лонгриды коллег по цеху;
- оцениваем эти данные для наполнения контент-плана соцсетей;
- набираем референсы для создания и усиления собственных статей;
- используем, когда придумываем вопросы для разных интервью.
И не только в редакции — команда PR агентства тоже забрала бота для своих задач.
Естественно, в процессе появилось больше идей как для улучшения конкретно этого сервиса, так и для новых инструментов, которые закроют другие задачи.
В конечном итоге создали дорожную карту обновлений бота.
Например, хотим добавить новые площадки для парсинга, научить запоминать лучшие блоги, связать этого бота с нашим ИИ-редактором в единую систему и так далее. Всё в процессе.
Выводы
Вайбкодинг не избавляет от необходимости думать. ИИ не собирает сервис за вас, но снимет львиную часть технического барьера.
Этот проект дал нам понимание, что редакция может самостоятельно собирать рабочие инструменты под свои задачи. Благодаря этому команда тратит меньше времени на сбор данных и быстрее переходит к работе с содержанием материала.
Раньше многие внутренние задумки редакции автоматически откладывались до лучших времён, потому что для них требовался отдельный ресурс разработки. Теперь есть возможность быстро проверить гипотезу самостоятельно.
Ну и главное: мы приобрели новый навык, который позволит реализовать больше классных задумок для контент-маркетинга агентства.
