Алексей Кокорев

Кейс специалиста по AI-агентам: автоматизированная экономическая сводка

2025-12-08T17:29:41.873Z

HTTP_Search

Описание проекта

Создан AI-агент на базе n8n, который ежедневно в 10:00 UTC:

Собирает актуальные экономические новости за последние сутки из авторитетных российских источников (РБК, Ведомости, Коммерсант, ЦБ РФ, Мосбиржа и др.) с помощью API Tavily.
Агрегирует данные в единый текстовый корпус.
Анализирует информацию с помощью языковой модели (amazon/nova-2-lite-v1) по заданному промпту, выступая в роли эксперта-экономиста.
Формирует структурированную сводку, включающую:Решения регуляторов
Динамику рубля и сырьевых цен
Корпоративные новости
Рынок ценных бумаг
Влияние на бизнес
Прогнозы и рекомендации по инвестированию
Очищает вывод от служебных тегов, разбивает на блоки и отправляет в Telegram-канал.

Процесс полностью автономный, с обработкой ошибок и повторными попытками при сбоях.

Польза для бизнеса

Экономия времени топ-менеджмента: руководители и аналитики получают готовый дайджест вместо ручного мониторинга СМИ.
Снижение рисков: своевременные рекомендации помогают избежать потерь и уловить новые возможности.
Поддержка инвестиционных решений: AI предлагает конкретные рекомендации по распределению капитала.
Масштабируемость: ту же архитектуру можно адаптировать под другие отрасли — финансы, ИТ, логистику и т.д.
Низкая стоимость владения: инфраструктура на n8n + open-source/дешёвые LLM (бесплатный tier Nova Lite) — минимальные расходы при высокой отдаче.

Технические особенности

Использована агентная архитектура (LangChain + n8n), где ИИ не просто генерирует текст, а следует чёткой аналитической рамке.
Реализован контекстный контроль через краткосрочную память (buffer window) — обеспечивает согласованность выводов.
Добавлена обработка длинных ответов: автоматическая фрагментация под ограничения Telegram.

Этот кейс демонстрирует, как AI-агенты могут превратить хаотичные данные в бизнес-инсайты без участия человека — от сбора до доставки решения.

Кейс: Автоматизация публикации адаптированного англоязычного контента в Telegram с использованием AI-перевода

2025-11-14T17:49:31.903Z

Кейс специалиста по AI-агентам: автоматизированная экономическая сводка

Задача

Создать минимальную, но функциональную автоматизацию на базе AI, демонстрирующую понимание принципов работы с чат-ботами и LLM (Large Language Models). Цель — показать способность интегрировать внешние источники данных, обрабатывать их с помощью языковой модели и доставлять пользователю в готовом виде.

N8N

Решение

Спроектировал и реализовал workflow в n8n, который ежедневно в 9:00 утра автоматически:

Получает свежую цитату из англоязычного API ZenQuotes.
Запрашивает программистский анекдот из JokeAPI (только на тему IT и без нежелательного контента).
Передаёт оба фрагмента в LLM (через OpenRouter + модель openai/gpt-oss-20b:free) с чёткой инструкцией:

переводить с английского на русский;
адаптировать идиомы, шутки и афоризмы под русскоязычную культурную среду;
сохранять юмор, глубину и выразительность оригинала;
избегать кальки и дословных переводов.

Отправляет итоговый текст в Telegram-канал в виде единого поста с цитатой, автором и анекдотом.

Техническая реализация

Использована визуальная среда n8n как low-code платформа для оркестрации.
Подключены публичные API (ZenQuotes, JokeAPI) как источники контента.
Интегрирована LLM через OpenRouter — гибкий способ работать с разными моделями без привязки к одному провайдеру.
Для работы с историей запросов применён буфер памяти, что закладывает основу для будущего диалогового режима.
Все персональные ключи (Telegram, OpenRouter) вынесены в защищённые учётные данные.

Результат и бизнес-эффект

Создан демонстрационный MVP, подтверждающий:

умение работать с AI-инструментами на уровне интеграции;
понимание важности качественной локализации (не просто перевод, а культурная адаптация);
способность собирать end-to-end автоматизации без написания кода.

Такой подход можно масштабировать: например, для генерации ежедневных дайджестов, кураторства контента или создания персонализированных рассылок под нишевую аудиторию.
Уже на этом этапе достигается повышение вовлеченности подписчиков за счёт регулярного, качественного и тематически релевантного контента — без участия человека.

Что дальше

Это отправная точка для более сложных сценариев:

добавление пользовательского ввода через Telegram-бота;
персонализация контента под интересы конкретных подписчиков;
подключение RAG (Retrieval-Augmented Generation) для ответов на основе внутренних знаний;
мониторинг и аналитика вовлечённости для обучения модели на основе фидбэка.

Портфолио технического специалиста

2025-11-14T13:35:34.248Z

Кейс 1. Снижение потерь лидов в автоворонке с динамическим стартом

Еще кейсы в Телеграм ->

Контекст

В школе использовалась автоворонка с динамическим стартом обучения: дата начала зависит от дня регистрации. Однако из-за ошибки в формуле расчёта времени старта часть пользователей получала некорректные уведомления — например, сообщения о занятиях до фактического старта или вовсе молчание.

Это приводило к:

путанице у учеников,
потере доверия,
росту числа «потерянных» лидов.

Что сделал

Провёл аудит логики воронки в Salebot и отредактировал формулу расчёта времени старта:

для тех, кто зарегистрировался до начала текущего потока — старт оставался в эту неделю;
для тех, кто зарегистрировался после — старт автоматически переносился на следующую неделю.

Формула расчета времени старта предобучения

Также настроил проверку корректности отправки сообщений в зависимости от даты старта.

Тестирование формулы

Таблица истинности

Результат

— Потери лидов сократились в 2 раза.

— Ученики стали получать актуальные и своевременные уведомления, что повысило вовлечённость в первые дни обучения.

— Снизилось количество обращений в поддержку по вопросу «Когда у меня старт?».

Кейс 2. Увеличение конверсии автоворонки на 5% за счёт точной аналитики

Контекст
Онлайн-школа еженедельно запускает потоки предобучения. Рекламный трафик привлекается через Telegram-бота и вебинары, но конверсия в регистрации оставалась ниже потенциала: подрядчик по трафику не имел точных данных о том, какие клики действительно приводят к заявкам.

Что сделал
Настроил отправку офлайн-конверсий в Яндекс.Метрику при регистрации пользователя по ссылке из бота на вебинар. Это позволило корректно атрибутировать действия: система стала фиксировать не просто «регистрацию на бесплатный курс», а именно «целевое действие — вход в вебинарную комнату из бота».

Настроена конверсия

Результат
— Подрядчик получил точные данные по ROI, смог оптимизировать ставки и исключить нерелевантные источники.
— Конверсия воронки выросла на 5% уже в первом тестовом потоке.
— Снизились траты на «слепой» трафик — школа стала масштабировать те каналы, которые реально приносили заявки.

Еще кейсы в Телеграм ->