Описание проекта

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

1. Собирает актуальные экономические новости за последние сутки из авторитетных российских источников (РБК, Ведомости, Коммерсант, ЦБ РФ, Мосбиржа и др.) с помощью API Tavily.
2. Агрегирует данные в единый текстовый корпус.
3. Анализирует информацию с помощью языковой модели (amazon/nova-2-lite-v1) по заданному промпту, выступая в роли эксперта-экономиста.
4. Формирует структурированную сводку, включающую:Решения регуляторов
5. Динамику рубля и сырьевых цен
6. Корпоративные новости
7. Рынок ценных бумаг
8. Влияние на бизнес
9. Прогнозы и рекомендации по инвестированию
10. 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.

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.

Решение

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

1. Получает свежую цитату из англоязычного API ZenQuotes.
2. Запрашивает программистский анекдот из JokeAPI (только на тему IT и без нежелательного контента).
3. 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.
4. 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.

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.

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

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».

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 ->