Вайбкодинг: как я создала AI-комментатора для Threads
В соцсети Threads отличную вовлечённость даёт взаимодействие с чужими постами. Но тратить по 2–3 часа в день на это — точно не моя история. Именно поэтому я задумалась о создании автоматизированного решения, которое позволило бы эффективно поддерживать активность без постоянного участия.
Расскажу, как я подошла к этой задаче, какие технологии выбрала и почему именно они.
Зачем нужен AI-комментатор для Threads?
Моя основная цель была — автоматизировать комментарии не ради спама, а ради повышения вовлеченности и экспериментов с экспертными нишами. Мне хотелось создать гибкий и управляемый ИИ-инструмент, который не выглядит спамом, а наоборот — пишет осмысленно, по теме и в моей экспертной манере.
Ну, и конечно же, любопытства ради
Я выбрала подход Thought-Action-Observation (TAO), потому что он позволяет:
✅Анализировать, какие посты стоит комментировать и зачем
✅Генерировать осмысленные и тематические комментарии
✅Логировать и анализировать результаты взаимодействия
Теперь подробнее по архитектуре решения.
Мой AI-комментатор состоит из трёх основных частей:
1. Модуль сбора и фильтрации данных
2. AI-ядро (генерация комментариев)
3. Логирование и аналитика (она пока в планах)
Почему именно такой подход? Потому что так я могу быстро менять компоненты (например, генерацию комментариев заменить на другую модель) и, возможно, масштабировать решение под другие платформы.
▫️Python - cамый гибкий язык для быстрой разработки MVP и экспериментов с AI-интеграциями.
▫️Selenium -достаточно для MVP и проверки гипотез.
▫️OpenAI API (GPT-3.5) - оптимальный баланс между качеством и стоимостью.
▫️CSV-логирование -простое решение для быстрого MVP.
Как это работает?
Скрипт запускает Chrome через Selenium и ждёт, пока я залогинюсь вручную (из соображений безопасности и простоты реализации).
Thought:
Скрипт анализирует посты и фильтрует их по заданным ключевым словам и нише (например: AI, автоматизация, product и т.д.).
Action:
Отправляет текст поста в OpenAI API и получает осмысленный комментарий по заданному промпту.
Observation:
Записывает в CSV-файл: время, текст поста, сгенерированный комментарий, URL для дальнейшего анализа эффективности.
Сейчас я нахожусь на стадии тестирования. Для этого завела отдельный нулевой акк в Threads, чтобы безопасно проверять работу комментатора в боевых условиях и наблюдать за реакциями в ленте.
Когда соберу первые данные по вовлечённости и реакции на комментарии, напишу вторую часть статьи с результатами и выводами.
В планах при удачном тесте MVP:
✅Внедрить аналитику
✅Расширить до multi-agent системы с разными ролями и tone of voice.
Если интересны детали реализации или хотите попробовать такое решение сами — пишите в комменты, обсудим!