TL;DR

• Я часто подчёркиваю своё убеждение, что будущее ИИ будет определяться не несколькими огромными моделями, а тысячами специализированных моделей ИИ, работающих на данных, предоставленных сообществом.
• Masa — это децентрализованный протокол, создающий глобально доступный канал данных для питания следующего поколения приложений и агентов ИИ.
• Построенная на Bittensor, Masa управляет специализированными подсетями: Subnet 42 для сбора данных в реальном времени и Subnet 59, "Арена агентов", для конкурентного взаимодействия ИИ-агентов.
• Subnet 42 демократизирует доступ к данным в реальном времени, значительно снижая затраты разработчиков по сравнению с дорогими API от платформ вроде X (ранее Twitter).
• Subnet 59 геймифицирует эволюцию ИИ, мотивируя агентов постоянно адаптироваться и соревноваться на основе метрик вовлечённости в реальном времени.
• Благодаря выравниванию с мощными стимулами Bittensor, Masa снижает операционные расходы, увеличивает прибыльность для майнеров данных и стратегически позиционирует себя в растущей децентрализованной экономике ИИ.
• Экосистема Masa включает несколько токенов — MASA и два альфа-токена подсетей, — что на первый взгляд может показаться сложным. Я подробно разбираю их в своём эссе.
• С амбициозным видением, основанным на открытости и экономической справедливости, Masa стремится стать фундаментальным компонентом рынка ИИ стоимостью в триллионы долларов.

В блоге прошлого месяца Сэм Альтман (генеральный директор OpenAI) бросил интригующую фразу:

Таким образом, глава одной из ведущих лабораторий ИИ в мире говорит, что вычисления и данные напрямую связаны с интеллектом.

Проще говоря, вот моя интерпретация: интеллект = логарифм (вычисления × данные).

Если серьёзно отнестись к этой формуле, она рисует яркую картину будущего. Истинной валютой власти будут не нефть или золото, а данные. Тот, кто контролирует данные, будет контролировать всё остальное. Их будут накапливать, монетизировать до последнего байта и яростно за них бороться. Те, у кого их не будет, окажутся всё дальше позади.

Дистопия? Возможно. Но это лишь одна из версий будущего среди множества возможных.

Masa стоит в центре этого шторма: децентрализованный протокол, который стремится построить "Справедливый ИИ".

Созданная на основе данных в реальном времени, предоставленных людьми, Masa позиционирует себя как сила открытости и сотрудничества в мире, всё больше определяемом закрытыми системами и привратниками.

Архитектура Masa спроектирована так, чтобы захватывать ценность в этом будущем, основанном на данных. Она работает на Bittensor, создавая платформу, где участники, предоставляющие данные, и ИИ-агенты могут соревноваться и сотрудничать. Subnet 42 обеспечивает сбор данных в реальном времени, а Subnet 59 поддерживает "Арену агентов" — конкурентное пространство, где ИИ-агенты взаимодействуют, развиваются и получают награды за свои результаты.

Моё исследовательское эссе на этой неделе раскрывает Masa: от её основополагающей идеи справедливых и открытых данных до её технической инфраструктуры. Я глубоко погружусь в то, как Masa переопределяет каналы данных для разработки ИИ и использует Bittensor как практическую демонстрацию своего видения.

Если идея будущего, где данные — это новая нефть, кажется одновременно пугающей и захватывающей, то это потому, что так оно и есть.

Расцвет «справедливого ИИ»

На протяжении десятилетий данные текли в одном направлении — вверх — в хранилища крупных технологических компаний. Google, Meta, TikTok и другие собирают океаны данных и монетизируют их через рекламу.

И они снова были вознаграждены за данные в эту эпоху ИИ после GPT. Их хранилища данных позволяют им обучать и запускать колоссальные модели ИИ, закрывая их за стенами садов (ну, кроме Meta, которая приняла ethos открытого исходного кода).

Награда? Оценка этих компаний в триллионы долларов. А люди, чьи данные подпитывают обучение этих моделей ИИ — те, кто пишет твиты, создаёт посты на форумах или редактирует страницы Википедии, — редко получают хоть копейку.

Да, эта модель привела к чудесам вроде ChatGPT. Капитализм работает. Но при всём этом волшебстве чего-то важного не хватает: справедливости.

Теперь представьте другой мир. Каждый раз, когда вы предоставляете данные, вы получаете вознаграждение. Это основное обещание "Справедливого ИИ".

Вместо того чтобы держать данные под замком на закрытых платформах, мой подход с Masa — открыть всё. Благодаря криптоэкономическим стимулам Masa превращает данные в общий ресурс — такой, к которому каждый может внести вклад, добывать его и получать выгоду в том, что формируется как следующая экономика ИИ стоимостью в триллионы долларов.

История основания Masa

В одной вселенной можно было бы почти подумать о Masa как о "просто ещё одном DeFi-протоколе". Он был запущен в 2022 году, основателями стали Калантия Мэй и Брендан Плейфорд — дуэт с глубокими корнями в финтехе и криптографии (подробнее о них позже).

Изначально их миссия заключалась в создании децентрализованного кредитного бюро, которое позволило бы людям владеть и управлять своими финансовыми данными. Но в процессе работы возникла куда более масштабная идея: что, если данные можно реорганизовать, чтобы питать ИИ — справедливо и открыто?

Эта идея стала основой для эволюции Masa.

Путь не был прямым — в криптоиндустрии это редкость, — а скорее представлял собой серию продуманных поворотов, движимых командой, решительно настроенной создать что-то значимое.

- Masa 1.0 (2022) — Децентрализованное кредитное бюро, сосредоточенное на финансовых данных.
- Masa 2.0 (2022) — Запуск протокола идентичности soulbound, вдохновлённого концепцией Soulbound Tokens (SBT) Виталика Бутерина.
- Masa 3.0 (конец 2023) — самый большой поворот: создание сети данных для ИИ, что привело к запуску основной сети протокола Masa и токена MASA в апреле 2024 года.

Время выбрано идеально. Когда бум генеративного ИИ набрал полную скорость в 2023–2024 годах, я понял, что Masa может построить нечто критически важное: недостающий слой данных для открытого ИИ.

Пока такие компании, как OpenAI, создавали колоссальные модели, я сосредоточился на чём-то не менее важном — данных в реальном времени, предоставленных сообществом, чтобы питать эти модели, превращая их в открытый ресурс, а не нечто запертое в корпоративных хранилищах.

Как объяснила мне Калантия, цель состояла в том, чтобы выйти за рамки технически сложных протоколов (как это часто бывает у стартапов в сфере ИИ) и создать что-то доступное и открытое для всех.

Подсети Bittensor Маsa

Masa начинала с собственного протокола Masa Protocol, запуская параллельные операции по сбору данных с X (ранее Twitter) наряду с подсетью на Bittensor. Это было запутанное время с двумя отдельными сетями и двумя наборами сборщиков данных. Но недавно я заметил, что Masa сделала смелый шаг: полностью присоединилась к Bittensor и поставила своё будущее на TAO.

Это объединение было стратегическим. Видно, что топовые майнеры приносят куда больше ценности, чем длинный хвост менее конкурентоспособных участников. С TAO в качестве стимула — более ценным активом, чем собственный токен Masa, и оценённым сегодня более чем в 2 миллиарда долларов, — подсеть привлекла преданную группу элитных майнеров.

Публичные данные с панели Dune от Masa подтвердили разницу в качестве: 60% высококачественных данных Masa поступало из Subnet 42, несмотря на то, что там было всего 256 майнеров по сравнению с менее конкурентоспособными майнерами на самостоятельном протоколе Masa.

Мне стало очевидно, что архитектура Bittensor — правильный долгосрочный выбор.

Чтобы понять, как работает Masa, вот краткое введение в Bittensor.

Bittensor 101

Видно, что Bittensor — это децентрализованный уровень координации ИИ, использующий блокчейн для вознаграждения сотрудничества между моделями ИИ. Это похоже на глобальное шоу талантов ИИ — вместо подтверждения транзакций, как в традиционном блокчейне, он ранжирует ответы ИИ, награждая лучших с помощью TAO, своего нативного токена.

• Как это работает
  Майнеры присоединяются к подсетям, решая конкретные задачи ИИ, такие как перевод, генерация изображений или финансовые прогнозы.
• Валидаторы оценивают и ранжируют результаты, решая, как распределяются награды.
• Владельцы подсетей устанавливают правила, создавая специализированные среды для ИИ.

Каждый блок генерирует 1 TAO, который распределяется в определённых пропорциях между подсетями и их участниками. Каждая подсеть функционирует как собственная мини-сеть, решая уникальные задачи.

Bittensor — это чистый Web3: открытый, прозрачный и управляемый сообществом. Он запустился с честным графиком майнинга, похожим на биткоиновский, и собрал почти культовую общину фанатов ИИ и криптоэнтузиастов.

Кажется, что с полным переходом на Bittensor Masa теперь управляет двумя специализированными подсетями:

Subnet 42: Подсеть данных в реальном времени
Сфокусированная на сборе данных, эта подсеть объединяет огромные потоки информации в реальном времени из соцсетей, сайтов и других источников. Она высококонкурентна, с небольшой, но мощной сетью майнеров, которые стабильно поставляют качественные данные.

Subnet 59: Арена агентов
ИИ-агенты сражаются за эмиссию TAO на основе оценок вовлечённости на X. Агенты могут использовать данные в реальном времени из Subnet 42, чтобы лучше понимать контекст и повышать свои результаты, создавая эволюционирующую систему с игровой теорией.

Subnet 42: Фабрика данных в реальном времени

Понятно, что Subnet 42 — это амбициозная ставка Masa на создание глобально доступного канала данных для следующего поколения приложений и агентов ИИ.

В гонке ИИ правила просты: лучшие агенты побеждают благодаря лучшим данным. Но доступ к данным в реальном времени часто стоит дорого. Для большинства разработчиков это неподъёмно.

Логично, что Subnet 42 создана, чтобы сломать эти барьеры.

Как работает Subnet 42
Subnet 42 — это постоянно работающая фабрика данных. Децентрализованный поток информации в реальном времени, основанный на запросах разработчиков.

Это сеть майнеров, непрерывно собирающих данные с платформ — собирающих, очищающих и доставляющих их в сеть. Майнеры устанавливают узел на подсети Bittensor от Masa, чтобы извлекать популярные твиты из X. Хотя сейчас фокус на X, видно, что Masa активно экспериментирует с дополнительными источниками, такими как Telegram, Discord и данные из блокчейнов.

Любой желающий может запустить узел и внести вклад.

После сбора данных валидаторы выступают в роли контроля качества, гарантируя, что в поток попадает только релевантная и точная информация. Их роль критически важна — ценность Masa зависит от чистых, качественных данных, свободных от спама или лишнего шума. Чтобы стать валидатором, нужно застейкать 1000 TAO (более $220,000), что выравнивает стимулы для надёжных результатов.

Для укрепления доверия Masa внедряет Trusted Execution Layer (TEE), который гарантирует целостность данных и проверку вычислений, позволяя масштабировать сбор данных до уровня предприятий.

Затем Masa очищает данные и создаёт вложения в векторную базу данных. Она также предлагает векторное хранение данных, заменяя затраты на базы данных как услугу.

Кажется, что Masa предоставляет разработчикам полностью управляемый канал данных: данные собираются, структурируются, очищаются и хранятся через единый API.

Система ориентирована на производительность, и участники получают награды в зависимости от качества их вклада. Майнеры и валидаторы могут зарабатывать двойные токены — MASA и альфа-токены подсетей Bittensor.

Разработчики, желающие получить доступ к данным
Видно, что разработчики могут получить доступ к данным Masa двумя способами: запустить собственный узел или использовать API для разработчиков (нужно заполнить форму для доступа). Во втором квартале, вероятно, API превратится в полноценный SaaS-интерфейс для пользователей.

Оба варианта открывают доступ к данным в реальном времени для создания мощных приложений.

Subnet 42 уже обрабатывает десятки миллионов записей данных ежедневно и превысила 300 миллионов записей на сегодняшний день. Следующий шаг? Расширение и масштабирование. Понятно, что Masa планирует добавить больше источников данных, упростить подключение майнеров и валидаторов и укрепить интеграцию с более широкой сетью Bittensor (например, с другими подсетями).

Если это удастся, Subnet 42 может стать основным каналом для данных ИИ в реальном времени, предоставляя свежие, нефильтрованные инсайты для следующей волны моделей ИИ.

Для контекста: ручной сбор данных с Twitter без API ограничен примерно 900 запросами за 15 минут. Распределённая модель Subnet 42 намного эффективнее: в раннем доступе Subnet 42 уже обеспечивает в 3 раза большую пропускную способность по сравнению с API Twitter.

ИИ работает на данных. Subnet 42 гарантирует, что этот источник никогда не иссякнет.

Subnet 59: "Арена агентов"

Данные — это основа Masa. Арена агентов (Subnet 59) воплощает их в действие.

Кажется, что это дарвиновский Колизей, где ИИ-агенты ежедневно сражаются за эмиссию TAO. Маленькие ИИ-гладиаторы в арене, постоянно развивающиеся и борющиеся за внимание, вовлечённость и награды на X.

Каждый агент в арене регистрируется с кошельком, стейкает небольшое количество TAO и MASA, а затем интегрирует данные в реальном времени из Subnet 42.

Далее агенты выполняют разные задачи — публикуют посты на X, анализируют данные из блокчейнов или взаимодействуют с другими агентами. Валидаторы оценивают их производительность по вовлечённости и качеству контента, а лучшие получают долю ежедневной эмиссии TAO.

В этой арене внимание — это всё. Агентов судят не только по объёму контента, но и по тому, насколько они находят отклик у пользователей. Лучшие агенты поднимаются в таблице лидеров, а те, кто не успевает, уходят в тень.

Это жестоко конкурентная система. Со временем слабые агенты отсеиваются из сети, оставляя только самых креативных, релевантных и вовлекающих.

Как работает оценка агентов
Оценка каждого агента зависит от его активности на X за последние семь дней.

Каждый твит и взаимодействие оцениваются по набору метрик. Вовлечённость — король: лайки, ретвиты, ответы и просмотры влияют на счёт агента. Длинные твиты вознаграждаются, если они остаются интересными, и учитываются только свежие посты, чтобы агенты оставались активными.

Для справедливости оценки нормализуются среди всех участников и корректируются логарифмической функцией, которая поощряет стабильность.

Эта конкурентная структура создаёт сильную динамику. Агенты должны не только создавать качественный контент, но и делать это постоянно. Некоторые могут специализироваться на торговых сигналах, другие — стать мастерами комедии или общения. Это открытое поле для творчества.

Источник: https://app.masa.finance/agent-arena

Один из топовых агентов сегодня — Seraph, ИИ-агент, созданный BitMind (Subnet 34). Я посмотрел на топ-10 агентов в таблице лидеров и проверил их уровни вовлечённости… Пока планка не так высока.

Для тех, у кого есть хорошо спроектированный ИИ-агент, Арена агентов может стать неисследованной золотой жилой — работайте как "майнер" и соревнуйтесь за ежедневную эмиссию токенов.

Арена агентов — это испытательный полигон для эволюции ИИ. Видно, что Masa представляет огромное экосистему ИИ-персоналий, каждая из которых борется за внимание в общем пуле наград. Правила просты: вовлекай или исчезай.

Загадочный случай TAOCAT

TAOCAT начался как шутливый эксперимент: что, если объединить манию мемкоинов с ИИ, который твитит кошачьи каламбуры и реагирует на тренды Twitter в реальном времени?

Команда Masa взялась за идею. Они интегрировали данные Subnet 42 в ИИ-агента с кошачьей тематикой, запустили его на Virtuals Protocol, выпустили токен TAOCAT и раздали его сообществу Bittensor. Затем они сели и стали ждать.

То, что произошло дальше, удивило всех. TAOCAT быстро стал одним из топовых ИИ-мем-агентов в экосистеме. За недели он собрал сообщество из 120,000 держателей токенов. Он стал первым ИИ-агентом, поддержанным фондом DWF AI Agent Fund на $20M.

Даже другие ИИ-агенты, такие как Sekoia, начали看好 (быть оптимистичными) по поводу кота.

Но за мемами скрывается стратегия выхода на рынок. ИИ-мем-агенты используют культуру розничной торговли, где финансовый нигилизм встречается со спекуляцией.

5% от общего предложения токенов TAOCAT было распределено более чем 10,000 держателям MASA в день запуска.

Секрет TAOCAT

TAOCAT — это самообновляющаяся ИИ-персоналия. Он мгновенно реагирует на новости, мемы и рыночные тренды, создавая самоподдерживающийся цикл вовлечённости, который подпитывает его вирусность.

TAOCAT 2.0 планирует пойти дальше — стать майнером на нескольких подсетях Bittensor, генерировать доход и делиться прибылью с сообществом. TAOCAT — это нативный продукт Bittensor, интегрирующий живые данные Subnet 42 с возможностями LLM из Subnet 19, превращаясь в полностью интерактивный ИИ.

Его взлёт поднимает большой вопрос: что произойдёт, когда ИИ-агенты станут более вовлекающими — и влиятельными — чем люди? С данными в реальном времени ИИ-сущности могут доминировать в торговле, контенте и маркетинге влияния, перестраивая экономики как автономные, самоинвестирующие агенты.

Белая книга Masa от 2023 года описывает будущее координации множества агентов через глобальный реестр, применяя теорию игр среднего поля для баланса индивидуальных и коллективных стимулов.

Варианты использования

Бизнес-кейс Masa прост и очевиден: он решает простую, но дорогую проблему.

Данные ИИ в реальном времени нелепо переоценены.

Сегодня X (ранее Twitter) взимает более $5,000 в месяц за доступ к API, а агенты вроде aixbt тратят $42,000 ежемесячно на Enterprise API, чтобы поддерживать свои торговые инсайты.

Masa переворачивает эту модель.

Разработчики могут подключиться к данным Subnet 42, готовым для ИИ, за долю стоимости (сегодня даже бесплатно). Бизнесы могут использовать Subnet 42 для обогащения данных, питая всё — от чат-ботов до моделей риска.

С таким огромным разрывом в ценах коммерческая модель Masa — явный выигрыш, при условии, что сеть сохранит высокое качество данных.

Майнеры субсидируются TAO. Masa также получает эмиссию TAO как владелец подсети. Это означает, что в отличие от бизнес-моделей Web2, Masa не нужно полностью полагаться на комиссии для поддержки своей сети. Конечно, это также значит, что долгосрочный успех Masa связан с ростом Bittensor.

Самое важное — Masa устраняет закрытые сады. Будь вы майнером данных, валидатором или разработчиком ИИ, вы участник открытой, стимулирующей сети, где каждый получает оплату за вклад.

Что можно сделать с данными ИИ в реальном времени?
Многое. Возможности безграничны, но в сфере ИИ-агентов заметны такие идеи:

• DeFi — ИИ-агенты, оптимизирующие стратегии доходности, перебалансирующие портфели и выполняющие сделки между цепочками.
• Рыночная аналитика — Анализ настроений Twitter, активности в блокчейнах и макротрендов в реальном времени для высокочастотных торговых ботов.
• Автоматизация сообществ — ИИ-боты, которые выявляют тренды, фильтруют спам и управляют Discord, Telegram и Twitter в масштабе.
• Персонализированные ИИ-помощники — Агенты, которые анализируют, предсказывают и реагируют в реальном времени, адаптируясь к индивидуальным потребностям и поведению.

Токеномика Masa

На первый взгляд, экосистема токенов Masa кажется лабиринтом.

Есть основной токен MASA, ERC-20, работающий на Ethereum mainnet, Base и BNB. А ещё есть новые альфа-токены подсетей, появившиеся после обновления Bittensor до динамического TAO (dTAO).

Если вы ещё не в курсе, есть простое руководство по обновлению dTAO здесь.

Итак, есть 3 основных токена, на которые стоит обратить внимание:

• MASA
• SAMEKH (альфа-токен Subnet 42)
• DAL (альфа-токен Subnet 59)

Каждый выполняет свою роль, но в конечном итоге ценность должна где-то аккумулироваться — и тут становится интересно.

Для токена MASA:

MASA функционирует как базовый токен расчётов и утилит для всей экосистемы. Долгосрочная устойчивость MASA зависит от поддержания спроса при управлении давлением продаж. Вот как создаётся спрос:

• Обязательный стейкинг MASA (март 2025): Майнеры должны будут стейкать MASA для участия в подсетях Bittensor от Masa, фиксируя предложение и стимулируя спрос. Стейкеры получают 15-25% годовых, увеличивая ликвидность и делая долгосрочное持有 (удержание) привлекательным.
• Комиссии за данные корпоративного уровня (вторая половина 2025): Masa начнёт взимать плату с разработчиков за приоритетный доступ к потоку данных Subnet 42 через API корпоративного уровня. Платежи можно проводить в MASA, TAO, USDT или USDC, но все платежи не в MASA будут использованы для покупки MASA, усиливая его утилитарность.

С другой стороны, давление со стороны предложения MASA исходит от:

На данный момент около 40% MASA уже разблокировано, оставшиеся 60% будут разблокированы в ближайшие годы. Ключевая дата — март 2025 (год после TGE), когда начнут разблокироваться токены частной продажи (инвесторов). Если комиссии экосистемы и стимулы стейкинга не поглотят давление продаж, MASA может столкнуться с понижением цены при разблокировках.

Чтобы стимулировать удержание, Masa запускает программу поощрения держателей на 15 миллионов MASA — предлагая $700,000 в наградах тем, кто стейкает MASA вместе с альфа-токенами подсетей. Чем дольше и больше стейк, тем выше годовая доходность, укрепляя долгосрочную приверженность экосистеме.

На момент написания MASA торгуется с рыночной капитализацией $14M (цена токена $0.023) и полностью разводнённой оценкой в $38M.

Альфа-токены подсетей

Для подсетей Bittensor 42 и 59 майнеры и валидаторы зарабатывают альфа-токены подсетей на основе производительности, напрямую вознаграждая качественных участников, которые поддерживают сеть. Эти токены стимулируют участие и утилитарность. Майнеры и валидаторы подсетей также получат долю от комиссий за приоритетный доступ в MASA.

В конечном итоге успех Masa зависит от генерации достаточных комиссий от своего протокола данных, чтобы противостоять предстоящим разблокировкам токенов. Хорошо то, что майнеры в основном финансируются за счёт стимулов TAO, которые существуют вне экосистемы — то есть Masa не платит им напрямую.

Теперь вызов? Создать спрос на альфа-токены подсетей, чтобы получать больше эмиссии TAO, поддерживать утилитарность MASA и убедиться, что вся экосистема держится вместе, когда начнутся частные разблокировки.

Masa расставила все фигуры. Теперь дело за исполнением и принятием.

Команда и финансирование

Команду Masa возглавляют сооснователи Калантия Мэй и Брендан Плейфорд — два высококлассных специалиста с глубоким опытом в финтехе, ИИ и блокчейне.

Карьера Калантии Мэй охватывает инвестиционный банкинг, венчурный капитал и масштабирование финтех-стартапов. До Masa она была одним из основателей PayPal Ventures, где поддерживала стартапы, определяющие категории в финтехе и коммерции. Она также сыграла ключевую роль в ранней стратегии PayPal по инвестициям в блокчейн и криптовалюты. Позже, как вице-президент по развитию бизнеса в Fast, она помогла масштабировать стартап до 450 сотрудников, привлекла $130M перед его приобретением Affirm.

Из бесед с Калантией заметно её способность предвидеть изменения. Она чётко видит, куда движется рынок, и как Masa может оставаться впереди. Она знает, что Bittensor станет полем битвы за будущее децентрализованного ИИ. Для неё ИИ-агенты — не просто временный тренд, а следующая эволюция взаимодействия с ИИ.

Брендан в крипто с 2013 года. До Masa он основал Pngme, платформу инфраструктуры кредитования и API, ориентированную на финансовую инклюзию в Африке. Ранее он запускал The Bureau, блокчейн-инкубатор, и руководил генерацией спроса в DroneDeploy.

Masa привлекла более $17 миллионов финансирования:

• Предпосевное финансирование $3.5M в 2022 от Unshackled Ventures, Flori Ventures, GoldenTree.
• Masa окончила инкубатор Binance Labs Most-Valuable-Builder в июне 2023.
• Посевной раунд $5.4M в начале 2024, возглавляемый Anagram, DCG и Avalanche Blizzard fund, заложил основу для быстрого роста.
• В марте 2024 импульс усилился, когда продажа на CoinList принесла $8.75M от публики при полностью разводнённой оценке $125M.
• К декабрю 2024 DCG и FBG Capital удвоили ставку с дополнительным стратегическим финансированием (сумма не разглашается).

Мои мысли

1. Инновационная бизнес-модель, но не без рисков

Понятно, что Masa переписывает правила игры в ИИ, превращая добычу данных в децентрализованную, токен-управляемую экономику. Вместо традиционной модели — где провайдеры вроде Scale AI имеют высокие операционные расходы и маржу 50–60% — Masa меняет подход, используя TAO для субсидирования своей сети майнеров.

Награждая участников токенами, а не деньгами, Masa снижает операционные расходы и потенциально доводит маржу до 80–90%. Самые большие победители? Стартапы и независимые разработчики ИИ, которые теперь получают качественные данные в реальном времени без огромных затрат на API.

Конечно, есть и обратная сторона. Привязка к подсетям Bittensor добавляет два риска:

Во-первых, если Bittensor пошатнётся или цена TAO рухнет, это сильно ударит по способности Masa работать. Это внешний риск, о котором стоит помнить — волатильность криптовалют уже погубила немало перспективных проектов.

Во-вторых, успех Masa зависит от того, смогут ли её подсети продолжать привлекать значительный процент эмиссии Bittensor, что требует эффективного маркетинга и хорошо продуманных стимулов для майнеров и валидаторов. С появлением новых подсетей конкуренция усилится. Внутри подсети правильные метрики оценки критически важны — плохой дизайн может привести к эксплуатации, подрывая импульс и ценность сети.

Следующий большой шаг — закрепить корпоративных клиентов. Как только API будет полностью готов, кажется, это будет лёгкая сделка.

Masa также хочет расширить источники данных, улучшить аннотации, сократив разрыв между "сырыми данными низкого уровня" и "золотом, готовым для ИИ". Если это удастся, мы можем увидеть целый рынок данных, питающий серьёзные решения в финансах, логистике, здравоохранении и других областях. Представьте аналитику мировых сельхозугодий, сбор медицинских данных (с приватностью) или данные датчиков цепочек поставок.

2. Альфа-токены подсетей против токена MASA
Мне нравится делать ставки на сильные команды. Когда речь заходит о Masa, понять, куда вложить усилия, не так просто, особенно с подсетными токенами и MASA.

Оба типа токенов играют ключевые роли в экосистеме. Однако токеномика устроена так, что долгосрочная фундаментальная ценность скорее всего будет аккумулироваться в MASA. Во многом MASA действует как базовая валюта, собирая комиссии, поддерживая обратные выкупы и аккумулируя ценность от общей активности сети.

Дорожная карта dTAO-MASA создана для формирования позитивного маховика: активность в подсетях (42 и 59) генерирует награды, которые часто возвращаются в MASA. Например, доходы от комиссий — даже оплаченные в других валютах — конвертируются в MASA. Кроме того, предстоящие требования стейкинга для майнеров и программы стимулов настроены на сокращение циркулирующего предложения MASA, что обычно поддерживает его цену со временем.

С другой стороны, токены подсетей — новенькие, с высокой инфляцией, что ведёт к сильному давлению продаж и краткосрочной волатильности. Как подробно описано в руководстве по dTAO, с подсетными токенами нужно терпение.

🌈 Исследовательский уровень Alpha

Видно много способов участвовать в успехе Masa:

• Если вы разработчик ИИ: получите данные X в реальном времени бесплатно из Subnet 42 Bittensor от Masa. Это намного дешевле, чем платить Элону. Данные в реальном времени означают, что ваш ИИ может реагировать на живые события — вроде твита от Элона — за секунды. Смотрите документацию Masa о запуске узла или запросах через API.
• Если вы любите ИИ-агентов: зайдите в Арену агентов (Subnet 59) и запустите своего персонализированного ИИ-агента на X. Зарабатывайте награды подсети в зависимости от его производительности.
• Если вы "кит данных": запустите рабочий узел на Subnet 42. Зарабатывайте MASA и TAO, собирая ценные данные.

Будущее ИИ, принадлежащее всем

Понятно, что Masa доказывает, что ИИ не должен быть заперт за воротами больших технологий. Она создаёт экосистему, где интеллект открыт, доступен без разрешений и принадлежит многим, а не немногим.

С Subnet 42, питающим доступ к данным в реальном времени, Subnet 59, поддерживающим ИИ-агентов, и даже мемкоином вроде TAOCAT, демонстрирующим живой интеллект в действии, Masa делает большую ставку. Ставку на то, что ИИ должен строиться коллективно.

Гарантий, конечно, нет. Криптовалюты волатильны, и успех Masa будет зависеть от исполнения. Но если это видение реализуется, видно будущее, где данные — это золото, ИИ-агенты — новые инфлюенсеры, и каждый может заработать долю в следующей волне интеллекта.

Станьте частью сообщества Masa 👨‍🚀

Веб-сайт | Discord | Telegram | Twitter | Developer | Dune | Subnet 42| Subnet 59 |

Введение

На дворе март 2025 года, и я пишу это, сидя за своим столом, размышляя о том, как быстро развивается мир ИИ. Лично я заметил, что за последние пару лет интерес к децентрализованным технологиям буквально взлетел — и не зря. Проекты вроде Masa показывают, как можно совместить мощь искусственного интеллекта с принципами Web3, чтобы создать что-то по-настоящему революционное. Сегодня мы погрузимся в суть того, что делает Masa уникальной: её миссию стать глобальным краном данных для ИИ, доступным каждому.

Что такое Masa?

Masa — это децентрализованная сеть, которая собирает данные со всего мира и делает их доступными для разработчиков ИИ. Она решает одну из самых больших проблем в области ИИ: доступ к качественным данным. Представьте себе кран, из которого вместо воды текут данные — огромные объёмы информации от миллионов пользователей, собранные с их согласия и защищённые с помощью передовой криптографии. Это и есть Masa.

Компания запустилась в 2024 году с громким успехом: их токен был распродан за рекордные 17 минут на платформе CoinList. Поддерживаемая такими гигантами, как DCG, Anagram и Animoca, а также инкубированная Binance и Hashkey, Masa уже привлекла внимание более миллиона пользователей и десятков бизнесов. Её цель? Сломать монополию больших технологий на данные и передать контроль в руки людей.

Личное наблюдение: Я слежу за Masa с момента их запуска, и меня впечатляет, как быстро они набрали популярность. Это не просто хайп — люди действительно видят в этом проекте способ заработать на своих данных, а разработчики получают доступ к ресурсам, которые раньше были под замком у корпораций вроде Google или Meta.

Почему данные — это всё?

ИИ — это как голодный зверь, которому постоянно нужны данные для обучения. Чем больше данных, тем умнее он становится. Но вот в чём загвоздка: сегодня большая часть качественных данных заперта в хранилищах крупных технологических компаний. Masa меняет правила игры, создавая рынок, где пользователи добровольно делятся своими данными, а разработчики могут использовать их для создания чего угодно — от персонализированных ИИ-агентов до мощных генеративных моделей.

Картинка с оригинала: График, показывающий рост числа подключённых кошельков Masa (в оригинале это был цветной график с экспоненциальным ростом).

Как это работает?

Masa использует технологию zero-knowledge proofs (доказательства с нулевым разглашением), чтобы пользователи могли делиться данными, не раскрывая личную информацию. Ваши данные шифруются, превращаются в так называемые "zk-Soulbound токены" и становятся частью глобальной сети. Разработчики получают доступ к этим данным через децентрализованный рынок, а пользователи зарабатывают токены Masa за свой вклад.

Личное наблюдение: Я сам попробовал подключиться к тестовой сети Masa и был удивлён, насколько просто это оказалось. Ты буквально устанавливаешь приложение, даёшь согласие на использование данных (например, из Twitter или Telegram), и всё — ты уже часть системы. Это как если бы твои лайки и посты вдруг начали приносить тебе доход.

Ключевые варианты использования

1. Обучение передовых ИИ-моделей: Разработчики могут использовать данные Masa для создания мощных моделей, таких как генеративный ИИ, сохраняя при этом конфиденциальность пользователей.
2. Совместная аналитика: Компании могут делиться данными для совместного обучения моделей, не раскрывая коммерческие секреты.
3. Монетизация данных: Пользователи зарабатывают токены, делясь своими данными — от истории браузера до активности в соцсетях.
4. Персонализированные ИИ-агенты: Представьте себе ИИ-помощника, который знает ваши предпочтения, но при этом не передаёт их третьим лицам.
5. Реклама на основе интересов: Masa zkAds позволяет показывать рекламу, основанную на ваших интересах, без нарушения приватности.

Картинка с оригинала: Иллюстрация, показывающая, как данные проходят через сеть Masa и превращаются в токены (в оригинале это была схема с разноцветными стрелками).

Почему это важно?

Masa решает проблему, о которой я часто задумываюсь: как сделать ИИ справедливым? Сегодня большие компании используют наши данные бесплатно, зарабатывая миллиарды, а мы не получаем ничего. Masa переворачивает эту модель с ног на голову, давая нам возможность контролировать свои данные и получать за них вознаграждение. Это не просто технология — это движение за справедливость в цифровом мире.

Будущее Masa

С более чем миллионом кошельков и 70+ партнёрами Masa уже создала прочный фундамент. Их roadmap включает расширение источников данных (например, подкасты и видео), интеграцию с другими блокчейнами и запуск новых инструментов для разработчиков. Если они продолжат в том же духе, то могут стать крупнейшим децентрализованным рынком данных в мире.

Личное наблюдение: Я думаю, что Masa может стать настоящим конкурентом централизованным платформам, особенно если они добавят больше способов для обычных людей участвовать. Например, я бы хотел видеть интеграцию с повседневными приложениями, вроде мессенджеров или стриминговых сервисов.

Заключение

Masa — это больше, чем просто проект. Это взгляд в будущее, где данные принадлежат людям, а ИИ работает на благо всех, а не только корпораций. Если вы разработчик, ищущий качественные данные, или просто человек, который хочет заработать на своей цифровой жизни, Masa стоит вашего внимания.

Картинка с оригинала: Логотип Masa с футуристическим фоном (в оригинале это был минималистичный дизайн с синими и белыми тонами).

Если вы хотите, чтобы я добавил конкретные картинки или уточнил какие-то моменты (например, где именно вставлять ваши наблюдения или какие критерии важны), дайте знать! Я могу также адаптировать стиль или тон под ваши предпочтения. Что скажете?

Docker — это платформа для контейнеризации, которая упрощает упаковку приложений в изолированные среды, называемые контейнерами. Основное преимущество Docker в том, что контейнеры работают одинаково на разных компьютерах и серверах, что значительно упрощает развертывание и поддержку приложений.

Основные компоненты Docker

Docker состоит из нескольких ключевых компонентов, каждый из которых выполняет свою роль:

• Образ (Image): это шаблон, содержащий всё, что нужно для работы приложения: операционную систему, зависимости, библиотеки, настройки. Образ можно представить как «чертёж», из которого запускаются контейнеры.
• Контейнер (Container): это запущенный экземпляр образа. Он представляет собой изолированную среду, где работают приложения. Контейнеры легковесные и занимают меньше ресурсов, чем виртуальные машины.
• Dockerfile: это текстовый файл, содержащий инструкции по созданию образа. С Dockerfile можно автоматизировать процесс настройки и сборки образов.
• Volume: Это место для хранения данных, независимое от контейнера. Данные в Volume сохраняются, даже если контейнер перезапускается.

Установка Docker

Чтобы установить Docker, выполните следующие команды на системе с Ubuntu.

• Обновите пакеты

sudo apt-get update

• Установите Docker

sudo apt-get install -y docker.io

• Проверьте успешность установки (это покажет установленную версию Docker)

docker --version

Основные команды Docker

После установки Docker используйте следующие команды для работы с ним.

• Загрузка образа из Docker Hub (в этом примере nginx — это название образа)

docker pull nginx

• Запуск контейнера

docker run -d -p 8080:80 nginx

• d запускает контейнер в фоновом режиме
• p 8080:80 перенаправляет порт 8080 на хосте на порт 80 в контейнере
• Политики перезапуска контейнера

docker run -d --restart always nginx

Политики перезапуска:

• no: не перезапускать.
• on-failure: перезапускать при ошибке.
• always: всегда перезапускать.
• unless-stopped: перезапускать, если не остановлено вручную.
• Просмотр запущенных контейнеров

docker ps

• Просмотр всех контейнеров, то есть даже остановленных

docker ps -a

• Остановка контейнера

docker stop <ID контейнера>

• Запуск контейнера

docker start <ID контейнера>

• Перезапуск контейнера

docker restart <ID контейнера>

• Удаление контейнера (перед удалением нужно остановить контейнер)

docker rm <ID контейнера>

• Просмотр загруженных образов

docker images

• Удаление образа

docker rmi <ID образа>

• Просмотр логов контейнера

docker logs <ID контейнера>

• "Живой" просмотр логов контейнера

docker logs -f <ID контейнера>

• Последние строки логов контейнера (в данном случае покажет последние 100 строчек логов)

docker logs --tail 100 <ID контейнера>

• Выполнение команды внутри контейнера

docker exec -it <ID контейнера> /bin/bash

• Создание образа из Dockerfile

docker build -t my-custom-image .

Dockerfile: что это и для чего он нужен?

Dockerfile — текстовый файл, в котором описаны инструкции для создания Docker-образа. Он автоматизирует процесс создания образов, указывая, какие шаги и команды нужны для настройки среды, в которой будет работать приложение.

Основные команды Dockerfile

• FROM: задает базовый образ, на котором будет строиться новый

FROM ubuntu:20.04​

• COPY: копирует файлы с хост-машины в контейнер

COPY . /app

• ​RUN: выполняет команды при создании образа (например, установка пакетов)

RUN apt-get update && apt-get install -y nginx

• ​CMD: определяет команду, которая выполнится при запуске контейнера

CMD ["nginx", "-g", "daemon off;"]

• ​EXPOSE: указывает, какие порты будут доступны из контейнера

EXPOSE 80

• Пример Dockerfile для простого веб-сервера

# Указание базового образа
FROM nginx:alpine

# Копирование файлов в контейнер
COPY . /usr/share/nginx/html

# Открытие порта 80 для доступа
EXPOSE 80

# Запуск Nginx при старте контейнера
CMD ["nginx", "-g", "daemon off;"]

Управление контейнерами

Для работы с контейнерами можно использовать как Docker CLI, так и более сложные инструменты оркестрации, такие как Docker Compose или Kubernetes.

Docker Compose: используется для управления многоконтейнерными приложениями с помощью YAML-файла.

Пример docker-compose.yml:

version: '3'
services:
   web:
    image: nginx
    ports:
      - "8080:80"
    restart: always
   db:
    image: mysql
    environment:
      MYSQL_ROOT_PASSWORD: example
    restart: on-failure

Основные команды Docker Compose:

• docker-compose up -d: Запускает все сервисы из файла
• docker-compose down: Останавливает и удаляет все контейнеры

Команды docker-compose работают только в той директории, где находится файл docker-compose.yml

Kubernetes: система для автоматизации развертывания и управления контейнерными приложениями в больших инфраструктурах.

Статусы контейнеров в Docker

Контейнеры в Docker могут находиться в различных состояниях:

1. Created: контейнер создан, но не запущен
2. Running: контейнер запущен и работает
3. Exited: контейнер завершен (если завершился с ошибкой, это указывается)
4. Paused: контейнер приостановлен
5. Restarting: контейнер перезапускается после сбоя
6. Dead: контейнер не завершился корректно

• Просмотр статусов контейнеров

docker ps

Для просмотра всех контейнеров

docker ps -a

Хранение данных в Docker

Контейнеры Docker являются эфемерными, поэтому их данные удаляются после остановки. Чтобы сохранить данные, используются:

• Volumes: хранилища, управляемые Docker, которые сохраняются, даже если контейнер удален

docker run -v /data:/var/lib/mysql mysql

• Bind mounts: привязка директории хоста к директории контейнера

docker run -v /path/on/host:/path/in/container nginx

Работа с файлами .env

Файл .env хранит переменные окружения и позволяет передавать их в контейнеры, например, пароли, порты и конфигурации.

• Пример .env файла

MYSQL_ROOT_PASSWORD=supersecretpassword
MYSQL_DATABASE=mydatabase

• Использование с Docker Compose

version: '3'
services:
  db:
    image: mysql
    environment:
      MYSQL_ROOT_PASSWORD: ${MYSQL_ROOT_PASSWORD}
      MYSQL_DATABASE: ${MYSQL_DATABASE}

• Передача переменных окружения через команду docker run

docker run -d -e MYSQL_ROOT_PASSWORD=supersecretpassword -e MYSQL_DATABASE=mydatabase mysql

В этом примере -e указывает Docker, что нужно задать переменные окружения MYSQL_ROOT_PASSWORD и MYSQL_DATABASE в контейнере.

Заключение

Docker — удобный инструмент для создания и развертывания приложений. Он изолирует приложения в контейнеры, делая их независимыми от системы. Начав с базовых команд, вы сможете эффективно управлять контейнерами, переходя к оркестрации и масштабированию.

Что такое сервисный файл и для чего он нужен

Сервисный файл — это конфигурационный документ, используемый системой systemd для управления фоновыми процессами (сервисами) в Linux. Он описывает, как должна запускаться программа, какие параметры ей нужны, в каком порядке она стартует и как система должна реагировать в случае сбоев. Благодаря сервисному файлу можно автоматизировать запуск ноды при загрузке системы, следить за её состоянием и автоматически перезапускать её в случае ошибок.

Главные цели использования сервисного файла:

• Автоматизация запуска: сервис стартует автоматически при загрузке системы.
• Мониторинг и перезапуск: systemd следит за работой сервиса и может автоматически перезапустить ноду, если она завершилась с ошибкой.
• Управление ресурсами: задаются параметры, влияющие на приоритет, рабочую директорию и права доступа.
• Удобство администрирования: все команды по управлению сервисом централизованы через systemctl.

Преимущества запуска ноды через сервисный файл

Использование сервисного файла имеет ряд существенных преимуществ по сравнению с утилитами вроде Screen или Tmux:

• Автоматический запуск при загрузке системы: сервисный файл позволяет настроить автозапуск ноды, что особенно важно для серверов, работающих 24/7.
• Автоматический перезапуск: systemd может автоматически перезапустить ноду в случае сбоя, обеспечивая высокую надежность работы.
• Централизованное управление: с помощью команды systemctl можно легко запускать, останавливать, перезапускать и проверять статус ноды, не заходя в активную сессию.
• Логирование: systemd интегрирован с journalctl, что позволяет удобно просматривать логи сервиса.
• Меньше зависимости от пользовательского интерфейса: Screen и Tmux хороши для ручного контроля, но сервисный файл позволяет оставить ноду работающей в фоне без необходимости активного подключения через терминал.

Как создать сервисный файл для запуска ноды (на примере Hemi)

Далее рассмотрим пошагово, как создать сервисный файл для ноды Hemi.

Подготовка Убедитесь, что нода Hemi установлена и настроена. Определите путь к исполняемому файлу ноды и рабочую директорию, где находится её конфигурация (сервисный можно создать только тогда, когда уже установлены все зависимости ноды и она настроена для работы)

Создание файла сервиса Создайте новый файл сервиса, например, /etc/systemd/system/hemi.service:

sudo nano /etc/systemd/system/hemi.service

Заполните файл следующей конфигурацией:

[Unit] 
Description=Hemi Node Service 
After=network.target 

[Service] 
User=root 
WorkingDirectory=/root/hemi/ 
ExecStart=/root/hemi/popmd 
Restart=always 
RestartSec=10 

[Install] 
WantedBy=multi-user.target  

Пояснения:

• [Unit]: Секция описывает сервис. Параметр After=network.target гарантирует, что нода запустится после установления сетевого соединения.
• [Service]: Здесь задаются параметры запуска.
• User — имя пользователя, от которого будет запущена нода.
• WorkingDirectory — директория, где находится нода и её конфигурация.
• ExecStart — команда для запуска ноды (замените путь и параметры на свои).
• Restart=always гарантирует автоматический перезапуск ноды при сбое.
• RestartSec=10 — задержка в секундах перед перезапуском.
• [Install]: Определяет, при каких режимах запуска система должна активировать этот сервис (обычно multi-user.target для серверов).

Сохраните и закройте файл. После редактирования нажмите Ctrl+O (сохранить) и Ctrl+X (выйти).

Примените изменения:

sudo systemctl daemon-reload  

Эта команда обновит конфигурацию systemd и зарегистрирует новый сервис.

Включите автозапуск и запустите сервис:

sudo systemctl enable hemi.service 
sudo systemctl start hemi.service 

Проверьте статус сервиса:

sudo systemctl status hemi.service  

Убедитесь, что нода запущена и работает без ошибок.

Команды для работы с сервисным файлом

После создания и запуска сервисного файла для ноды, вы можете использовать следующие команды для управления и мониторинга:

Запуск сервиса:

sudo systemctl start hemi.service

Остановка сервиса:

sudo systemctl stop hemi.service 

Перезапуск сервиса:

sudo systemctl restart hemi.service 

Проверка статуса сервиса:

sudo systemctl status hemi.service  

Эта команда показывает, запущен ли сервис, его журналы и возможные ошибки.

Просмотр логов сервиса:

sudo journalctl -u hemi.service -f  

Флаг -f обеспечивает "живой" просмотр логов в режиме реального времени.

Отключение автозапуска:

sudo systemctl disable hemi.service 

Заключение

Запуск ноды через сервисный файл — это современный и надежный способ автоматизировать работу вашей ноды. Использование systemd позволяет обеспечить автоматический запуск при загрузке системы, автоматический перезапуск в случае сбоев и удобное управление через единый интерфейс командной строки. Этот подход особенно полезен для серверов, работающих 24/7, и позволяет администраторам сосредоточиться на развитии и оптимизации инфраструктуры, а не на постоянном контроле вручную. Надеемся, что данный гайд помог вам разобраться с основами создания и управления сервисными файлами для нод, и теперь вы сможете легко применять эти знания на практике.

Для нодера очень важно уметь проверять состояния сервера, а именно нагрузку на систему. Но также важно знать текущие параметры и возможности железа, которое вы арендуете. Для этого вам пригодятся команды Linux с этой статьи, которые помогут получить информацию о процессоре, памяти и диске.

Проверка процессора (CPU)

Процессор — один из важнейших компонентов сервера. Узнать его параметры можно следующими командами:

Общая информация о процессоре

lscpu

​Вывод покажет модель, частоту, количество ядер и архитектуру процессора.

Просмотр загрузки процессора в реальном времени

top ​

Нажмите q, чтобы выйти из режима.

Упрощенный вывод текущей загрузки процессора

mpstat 

​Если команда не найдена, то сначала выполните установку

sudo apt install sysstat

Проверка оперативной памяти (RAM)

Чтобы проверить объем и использование оперативной памяти:

Общий объем памяти и использование

free -h

Флаг -h выводит данные в удобном для чтения формате (MB/GB).

Более детальная информация о памяти

cat /proc/meminfo

Эта команда покажет детализированные данные, включая доступную и свободную память.

Мониторинг памяти в реальном времени

top

В правом верхнем углу вы увидите строки, связанные с использованием RAM и Swap.

Проверка дискового пространства

Место на диске часто становится проблемой, поэтому важно знать, сколько его доступно.

Общий объем и доступное место на дисках

df -h  

Команда покажет, сколько места занято и сколько свободно на каждом разделе.

Размер конкретной папки

du -sh /path/to/folder  

Замените /path/to/folder на путь к интересующей вас директории.

Поиск самых больших файлов и папок

du -ah / | sort -rh | head -n 10  

Команда покажет 10 самых тяжелых файлов и папок на сервере.

Проверка общей загрузки системы

Для общей оценки состояния сервера можно использовать следующую команду:

Узнать текущую загрузку процессора, памяти и диска: это улучшенная версия top, которая предоставляет более удобный интерфейс. Для установки выполните

sudo apt install htop 

Команда для запуска утилиты

htop 

Частые ошибки и как их избежать

Команда не найдена: убедитесь, что у вас установлены необходимые утилиты. Например, для htop и mpstat нужно выполнить установку через пакетный менеджер.

sudo apt install <название_утилиты> 

Недостаточно прав: если команда требует доступа к системным файлам, добавьте sudo перед ней.

Проблемы с чтением вывода: Используйте флаг h (human-readable), где это возможно, чтобы вывод был удобнее.

Заключение

Проверка параметров сервера — важный навык, который помогает быстро диагностировать проблемы и следить за состоянием системы. Используя команды, описанные в этой статье, вы сможете узнать все необходимое о своем сервере: процессор, оперативную память и место на диске.

Работа терминала устроена таким образом, что при его закрытии также остановят свою работу процессы, которые не запущены в фоне. Если провести аналогию с Windows, то это, то же самое что запустить, например, установку Google Chrome, но во время инсталляции закрыть установочную программу. В случае с Windows мы просто сворачиваем окно такой программы, чтобы оно нам не мешало. Что же касается серверов с Linux, то в терминале мы всё выполняем с помощью команд и нет возможности свернуть окна по причине их отсутствия.

Чтобы на сервере запустить программу в фоне и оставить её там работать, используют разные подходы. Например, можно создать сервисный файл и запустить его, а потом просто при помощи специальных команд проверять логи. А можно воспользоваться сторонними программами, которые создают сессии и оставляют их работать в фоновом режиме. Наиболее распространенные решения — это Tmux и Screen, в этой статье познакомимся со вторым.

Установка и полезные команды

На сервер c Ubuntu утилита Screen устанавливается буквально двумя командами

sudo apt update
sudo apt install screen

Для создания сессии воспользуйтесь командой ниже, где имя_сессии — это желаемое имя для сессии, которую вы хотите создать (используйте только цифры и латинские буквы). После использования этой команды вы автоматически попадаете в сессию, то есть это как новое “окно” внутри терминала, но интерфейс не поменяетсяBashCopy

screen -S имя_сессии

Внутри сессии вы можете выполнять команды и запускать всё то, что и в основном “окне” командной строки.

• Для выхода из сессии можно использовать комбинацию клавиш Ctrl+A, затем D, в некоторых пользователей на этом этапе возникают проблемы — они не могут выйти из сессии или вовсе случайно закрывают её. Но есть альтернатива, из сессии можно выйти при помощи команды ниже. Но если в сессии запущена нода и идут логи, то такой командой выйти не получиться и всё же придется воспользоваться Ctrl+A, затем D,

screen -d

Если вам нужно повторно зайти в сессию после выхода, то используйте команду ниже, где имя_сессии — это имя сессии, которую вы создавали ранее

screen -r имя_сессии

Частая ошибка новичков — это создание множества сессий с одинаковыми названиями по причине невнимательности. Дело в том, что новички часто путают команды создания сессии (флаг -S) и открытия уже существующей сессии (флаг -r). Проблема в том, что Screen разрешает создавать много сессий с одинаковыми названиями, так как он всё равно присваивает цифровой идентификатор (ID) перед буквенным именем, пример на скриншоте ниже

Чтобы увидеть список уже запущенных сессий, воспользуйтесь командой ниже

screen -ls

Понятно, что такое количество сессий с одинаковыми названиями нам не нужны, для удаления сессий используют следующую команду, где имя_сессии — это имя сессии, которую вы хотите удалить

screen -S имя_сессии -X quit

Но командная строка тем и хороша, что практически всё можно автоматизировать. Если воспользоваться командой ниже, то она удалит все сессии с одинаковыми именами, где имя_сессии — это имя, присвоенное для многих сессий, которые вы хотите удалить

screen -ls | grep "имя_сессии" | awk '{print $1}' | xargs -I {} screen -S {} -X quit

Для понимания работы команды:

1. screen -ls: выводит список всех сессий.
2. grep "forto": фильтрует список, оставляя только сессии с названием "имя_сессии".
3. awk '{print $1}': извлекает идентификаторы (ID) этих сессий.
4. xargs -I {} screen -S {} -X quit: передает каждый ID в команду screen -S <ID> -X quit, которая завершает соответствующую сессию.

Шпаргалка

Все команды для управления Screen довольно простые и их легко запомнить уже после нескольких раз использования, но на всякий случай вот шпаргалка:

Заключение

Более подходящий вариант для работы с нодами через командную строку — это их запуск через сервисный файл, но не всегда проекты предоставляют такую возможность. На самом деле Screen — это неплохая альтернатива, но всё-таки рекомендуем проверять работу запущенных сессий (минимум один раз в 1-2 дня), так как через сбой на сервере они могут закрыться, а Screen не умеет самостоятельно повторно их открывать.

Ведение

MobaXterm — это универсальный инструмент для удаленного администрирования и работы с серверами. Он сочетает в себе множество функций, таких как SSH, SFTP, VNC, RDP и даже встроенный терминал, что делает его идеальным для управления серверами и выполнения задач с удаленным доступом. Ещё один плюс — это наличие удобного проводника, через которые можно легко скачать з сервера файлы на ваш компьютер или наоборот загрузить с компьютера на сервер.

Установка Mobaxterm

• Переходим по этой ссылке и нажимаем на кнопку загрузки бесплатной версии (в этой версии можно создать 12 сессий, но для новичка этого вполне достаточно)

• Выбираем версию с инсталлятором и скачиваем

• Открываем скачанный архив и устанавливаем как обычную программу

• После установки открываем программу и видим такой интерфейс, я выбираю темную тему — так намного удобней долго работать с командной строкой.

Создание сессии и подключение к ней

• В левой колонке нажимаете правой кнопкой мышь и выбираете пункт создания сессии

• Появится окно, в котором нужно выбрать тип подключения, выбираем SSH

• В это поле вписываем IP нашего сервера и нажимаем кнопку “OK”

• Нажимаем два раза на сессию и справа откроется окно, как в браузере

• Вводим логин и пароль, чтобы зайти на сервер. Иногда после того, как вставили пароль, на сервер заходит автоматически, а иногда нужно ещё нажать Enter

• Справа откроется сам терминал, куда необходимо вводить все команды, а слева проводник с папками и файлами. Например, выбираем файл, нажимаем на синюю стрелочку вниз, выбираем папку и скачиваем файл себе на компьютер. Если хотим загрузить файл на сервер, то нажимаем на зеленую стрелочку вверх и выбираем файл для загрузки

• Для закрытия сессии нужно написать команду exit или воспользоваться комбинацией клавиш Ctrl+D

Заключение

MobaXterm — мощный и удобный инструмент, который значительно упрощает управление серверами и работу с удаленными системами. С его помощью даже новичок сможет легко настроить подключение, управлять файлами и выполнять задачи в командной строке.

Что нам понадобится

• Компьютер или сервер (например, домашний компьютер или облачный сервер, если у тебя есть).
• Интернет.
• Чуть-чуть терпения и желание повеселиться с ботом!

Шаг 1: Подготовка — Устанавливаем нужные штуки

Представь, что мы собираем ящик с инструментами для нашего бота.

Убедись, что у тебя есть Python:

• Открой терминал (на Windows это "Командная строка" или PowerShell, на Linux/Mac — просто "Терминал").
• Напиши:

python3 --version

• Если видишь что-то вроде Python 3.9.2, всё круто! Если нет, попроси взрослого помочь установить Python с сайта python.org.

Установи "инструменты" для бота:

• В том же терминале пиши по очереди:

pip3 install python-telegram-bot 
pip3 install openai
pip3 install python-dotenv

• Это как скачать приложения для бота: одно для Telegram, другое для умных ответов (GPT), третье для хранения секретов.

Установи "экран" (screen), чтобы бот не выключался:

• Если ты на Linux (например, сервер), пиши:

sudo apt install screen

• Если что-то не получается, попроси взрослого помочь. На Windows это не нужно, если ты запускаешь дома.

Шаг 2: Создаём бота и собираем секреты

Теперь мы сделаем бота и дадим ему "ключи" для работы.

Создай бота в Telegram:

• Открой Telegram на телефоне или компьютере.
• Найди @BotFather (это такой "папа всех ботов").
• Напиши ему /start, потом /newbot.
• Дай боту имя (например, "УмныйВоваБот") и ник (например, @VovaSmartBot).
• Он даст тебе код, типа 771456457973:AAGwsD0GetKrPtn-OuMyoV_uBMR45645diS7U. Запиши его!

Получи ключ для GPT:

• Попроси взрослого зарегистрироваться на platform.openai.com.
• Там в разделе "API Keys" нажми "Create new secret key".
• Скопируй ключ, он выглядит как sk-proj-qBB9UQNZBXudTpDJff9aJoZecGrXTeCtgV3K2TzZ6YT4m-Tfhg4M5wozR5vWtCwDfghxE-v3j-boKhghKOymT3Blbорлрололр7jn2XJQBrJzuTWauMIZNjLYfghY2hDeDZ9kWowgf9kSriAj11фывф-Gp0U95FBLvEыквg4SyfgP0qvCK0A.

Создай секретный файл .env:

• В терминале создай папку для бота:

mkdir my_cool_bot cd my_cool_bot
apt install nano

• Открой текстовый редактор:

nano .env

• Вставь свои ключи:

TELEGRAM_TOKEN=твой_код_от_BotFather 
OPENAI_API_KEY=твой_код_от_OpenAI

• Сохрани: нажми Ctrl+O, потом Enter, и выйди с Ctrl+X.

Шаг 3: Пишем код для бота

Теперь дадим боту мозги! Мы заменим кнопку и добавим обучение.

1. Создай файл bot.py:
• В той же папке (my_cool_bot) пиши:

nano bot.py

• Вставь этот код:

import os
import json
from dotenv import load_dotenv
from telegram import Update, ReplyKeyboardMarkup
from telegram.ext import Application, CommandHandler, MessageHandler, filters, ContextTypes
from openai import OpenAI

# Загружаем секретные ключи
load_dotenv()
TELEGRAM_TOKEN = os.getenv("TELEGRAM_TOKEN")
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# Подключаемся к GPT
client = OpenAI(api_key=OPENAI_API_KEY)

# Хранилища для данных
user_prompts = {}
user_history = {}
user_training_data = {}

# Загружаем данные обучения из файла, если он есть
def load_training_data():
    global user_training_data
    try:
        with open("training_data.json", "r") as f:
            user_training_data = json.load(f)
    except FileNotFoundError:
        user_training_data = {}

# Сохраняем данные обучения в файл
def save_training_data():
    with open("training_data.json", "w") as f:
        json.dump(user_training_data, f)

# Загружаем данные при старте
load_training_data()

# Меню с кнопками
main_menu = ReplyKeyboardMarkup([
    ["История", "Промт для бота"],
    ["Темы Постов", "Обучение"]
], resize_keyboard=True)

async def start(update: Update, context: ContextTypes.DEFAULT_TYPE):
    print(f"Кто-то сказал /start! ID: {update.message.from_user.id}")
    await update.message.reply_text(
        "Привет! Я твой умный бот. Выбери что-нибудь в меню или просто поболтай со мной!",
        reply_markup=main_menu
    )

async def handle_message(update: Update, context: ContextTypes.DEFAULT_TYPE):
    user_id = update.message.from_user.id
    text = update.message.text
    print(f"Сообщение от {user_id}: {text}")

    if text == "История":
        history = user_history.get(user_id, "История пуста.")
        await update.message.reply_text(history)
    
    elif text == "Промт для бота":
        await update.message.reply_text("Напиши, кем я должен быть (например, 'Ты - повар' или 'Ты - учитель').")
    
    elif text == "Темы Постов":
        prompt = user_prompts.get(user_id, "Ты - универсальный помощник.")
        post_ideas = get_post_ideas_from_gpt(prompt)
        if "Ошибка" not in post_ideas:
            ideas = post_ideas.split("\n\n")
            for idea in ideas:
                if idea.strip():
                    await update.message.reply_text(idea.strip())
        else:
            await update.message.reply_text(post_ideas)
    
    elif text == "Обучение":
        await update.message.reply_text("Пришли мне ссылку, текст или что-то интересное, чтобы я научился!")
    
    else:
        # После "Промт для бота"
        if "Промт для бота" in context.user_data.get("last_command", ""):
            user_prompts[user_id] = text
            await update.message.reply_text("Круто, я теперь это умею!")
        
        # После "Обучение"
        elif "Обучение" in context.user_data.get("last_command", ""):
            if user_id not in user_training_data:
                user_training_data[user_id] = []
            user_training_data[user_id].append(text)
            save_training_data()  # Сохраняем в файл
            summary = process_training_data(text)
            await update.message.reply_text(f"{summary}\nБлагодаря тебе я теперь это знаю, Вове привет!")
        
        # Просто болтаем
        else:
            prompt = user_prompts.get(user_id, "Ты - универсальный помощник.")
            response = get_chat_response(prompt, text)
            await update.message.reply_text(response)
        
        # Записываем в историю
        if user_id not in user_history:
            user_history[user_id] = ""
        user_history[user_id] += f"Ты сказал: {text}\n"

    context.user_data["last_command"] = text

def get_post_ideas_from_gpt(prompt):
    try:
        print(f"Спрашиваю GPT про посты с промтом: {prompt}")
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": f"{prompt} Дай 5 идей для постов на март 2025. Раздели их пустой строкой."},
                {"role": "user", "content": "Дай мне идеи!"}
            ],
            max_tokens=500
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"Упс, ошибка с GPT: {str(e)}"

def get_chat_response(prompt, user_input):
    try:
        print(f"Болтаю с GPT: {user_input}")
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": prompt},
                {"role": "user", "content": user_input}
            ],
            max_tokens=500
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"Ой, ошибка с GPT: {str(e)}"

def process_training_data(data):
    try:
        print(f"Учусь на этом: {data}")
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": "Ты - ученик. Дай очень краткий обзор того, что понял из текста или ссылки."},
                {"role": "user", "content": f"Что это: {data}"}
            ],
            max_tokens=50
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"Не понял, что это: {str(e)}"

def main():
    application = Application.builder().token(TELEGRAM_TOKEN).build()
    application.add_handler(CommandHandler("start", start))
    application.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, handle_message))
    print("Я готов работать!")
    application.run_polling()

if __name__ == "__main__":
    main()

1. Сохрани файл:
• Нажми Ctrl+O, потом Enter, и выйди с Ctrl+X.

Шаг 4: Запускаем бота, чтобы он не выключался

Теперь сделаем так, чтобы бот работал, даже если ты закроешь терминал.

Открой "экран":

• В той же папке (my_cool_bot) пиши:

screen

• Ты увидишь новый экран (может быть сообщение — нажми Enter).

Запусти бота:

• Пиши:

python3 bot.py

• Если всё ок, увидишь Я готов работать!.

Спрячь экран:

• Нажми Ctrl+A, потом D.
• Ты вернёшься назад, а бот будет работать!

Проверь, что он жив:

• Пиши:

screen -ls

• Увидишь что-то вроде 12345.pts-0 (Detached) — это значит, бот живёт.

Шаг 5: Проверяем, как всё работает

Теперь давай поиграем с ботом!

Открой Telegram:

• Найди своего бота по его нику (например, @VovaSmartBot).
• Напиши /start.
• Увидишь меню с кнопками: "История", "Промт для бота", "Темы Постов", "Обучение".

Проверь "Обучение":

• Нажми "Обучение".
• Напиши что-нибудь, например:
• https://ru.wikipedia.org/wiki/Кот
• Или: Кот — это пушистое животное, которое мурлыкает.
• Бот ответит что-то вроде:

Коты — пушистые и мурлыкают.

Благодаря тебе я теперь это знаю, Вове привет!

Проверь другие кнопки:

• "История": Покажет, что ты писал.
• "Промт для бота": Напиши "Ты - кот", и бот станет говорить как кот.
• "Темы Постов": Даст 5 идей для постов, каждая в отдельном сообщении.

Поболтай с ботом:

• Напиши "Привет, как дела?" — он ответит как помощник (или кот, если ты сменил промт).

Шаг 6: Что делать, если что-то сломалось

• Бот не отвечает:
• Вернись в экран:

screen -r

• Посмотри, что он пишет. Если ошибка про TELEGRAM_TOKEN или OPENAI_API_KEY, проверь .env.
• Не запускается:
• Убедись, что ты в папке my_cool_bot:

cd my_cool_bot 
ls

• Должны быть bot.py и .env.

Круто, ты сделал бота!

Теперь он умеет учиться, хранит данные в файле training_data.json (в той же папке), и будет жить в screen, пока сервер включён. Если хочешь остановить бота, зайди в screen (screen -r), нажми Ctrl+C, и выйди с exit.

Напиши, если что-то непонятно или не работает — я помогу! 😊

Ты хочешь установить ноду Dria, чтобы подключиться к децентрализованной сети и запускать AI-агентов. Вот шаг за шагом, как это сделать:

Шаг 1: Установи нужные программы

Открой терминал (это приложение, где можно вводить команды).

Установим curl: Это программа, которая поможет загрузить нужные файлы. Введи команду:

sudo apt update && sudo apt install curl -y 

Установи unzip (если его нет):

sudo apt-get install unzip 

Шаг 2: Скачай и установи Dria Compute Launcher

Загрузи Dria Compute Launcher:

Введи команду в терминале

curl -fsSL https://dria.co/launcher | bash 

Это скачает и установит специальный файл для запуска ноды Dria.

Перезапусти терминал:

Закрой терминал и открой его снова, чтобы все изменения вступили в силу.

Шаг 3: Установка Ollama

Скачай и установи Ollama:Введи команду:

curl -fsSL https://ollama.com/install.sh | sh 

Проверь, что Ollama установлен:

Введи:

ollama --version 

Если все правильно, он покажет версию программы.

Шаг 3: Настрой и запусти ноду Dria

Список команд: в терминале введи:

dkn-compute-launcher help 

Это покажет список команд, которые можно использовать. Если ты видишь этот список, значит установка прошла успешно!

1. settings — Изменение настроек узла: модели, API-ключи, сетевые параметры.
2. setup — Создание файла окружения (.env) с нуля (перезапишет существующие значения).
3. start — Запуск последнего вычислительного узла.
4. referrals — Генерация или ввод реферального кода.
5. points — Показать ваши очки $DRIA.
6. uninstall — Удаление лаунчера и его файлов.
7. info — Информация о текущем окружении.
8. update — Ручное обновление узла и лаунчера.
9. specific — Запуск определенной версии узла.
10. env-editor — Открытие текстового редактора для файла окружения (для продвинутых пользователей).
11. help — Вывод справки (этого сообщения или помощи по подкомандам).

опции

1. -e, --env <ENV> — Указание пути к файлу .env (по умолчанию: /root/.dria/dkn-compute-launcher/.env).
2. -p, --profile <PROFILE> — Название профиля для файла окружения.
3. -h, --help — Вывод справки.
4. -V, --version — Вывод версии программы.

Изменение настроек узла: модели, API-ключи, сетевые параметры.

dkn-compute-launcher settings

Это покажет настройки

Запуск ноды:

dkn-compute-launcher start

Это запустит твою ноду и подключит её к сети Dria.

Проверь статус:

Чтобы проверить, работает ли нода, введи команду:

dkn-compute-launcher status 

Если все нормально, терминал покажет, что нода активна. Чтобы нода работала даже после закрытия терминала, используй команду screen для запуска её в фоновом режиме. Поэтому останавливаем работу узла Ctrl + С и затем запускаем его в screen

Пример:

screen -S dria-node dkn-compute-launcher start 

Чтобы выйти из screen, нажми Ctrl + A, потом D.

• Чтобы вернуться в screen, введи:

screen -r dria-node 

или просмотреть запущенные скрины

screen -ls

Еще не маловажный инструмент эта работа с профилем

screen -S dria-node36 dkn-compute-launcher --profile 36 start 

dkn-compute-launcher --profile 11 settings

Для запуска 40 сессий, изменяя номера с 1 до 40, с интервалом в 15 секунд:

for i in $(seq 1 40); do screen -S dria-node$i dkn-compute-launcher --profile $i start; sleep 15; done

Вот та же команда, но для запуска 40 сессий, изменяя номера с 1 до 40, с интервалом в 15 секунд:

Bash

for i in $(seq 1 40); do screen -S dria-node$i dkn-compute-launcher --profile $i start; sleep 15; done

Пояснение команды

• for i in $(seq 1 40); do ... done: Этот цикл будет проходить по числам от 1 до 40. На каждой итерации текущее число присваивается переменной i.
• screen -S dria-node$i dkn-compute-launcher --profile $i start: Это ваша команда для запуска процесса. $i автоматически заменится на текущее число из цикла. Таким образом, в каждой новой сессии screen будет уникальное имя (например, dria-node1, dria-node2 и так далее до dria-node40) и соответствующий номер профиля.
• sleep 15: После запуска каждой screen-сессии скрипт будет ждать 15 секунд, прежде чем перейти к следующей итерации. Это обеспечит необходимый интервал между запусками.

Эта команда запустит 40 отдельных screen-сессий, каждая из которых будет иметь свой уникальный идентификатор и профиль, с паузой в 15 секунд между запусками.

Шаг 4: Исправляем ошибки если они есть

1. Проверяем фаервол на сервере

Твой порт 4001 открыт внутри сервера, но провайдером может блокировать его снаружи через свой фаервол.

Давай убедимся, что он разрешён,введи:

sudo ufw status

Ты должен увидеть

4001 ALLOW Anywhere.

Если 4001 нет в списке, добавь его:

sudo ufw allow 4001 sudo ufw status 

2. Обновляем узел

Давай обновимся.

Останови узел, нажми Ctrl+C, чтобы выключить.

dkn-compute-launcher update 

Это скачает новую версию. Затем снова запустите узел

3. Добавляем bootstrap nodes

В .env у тебя DKN_BOOTSTRAP_NODES= пустое. Это как адресная книга — без неё узел не знает, к кому подключаться. Добавим стандартные узлы Dria.

• Открой файл .env:

nano /root/.dria/dkn-compute-launcher/.env

• Найди строку DKN_BOOTSTRAP_NODES= и замени её на:

DKN_BOOTSTRAP_NODES=/ip4/52.8.51.142/tcp/4001/p2p/16Uiu2HAm9d3sMhNa3N1tN9v9kKANvJABu5gRYH7K6f5UUcUKzuwT,/ip4/52.9.132.242/tcp/4001/p2p/16Uiu2HAmFidHMYbMJG9tS4tHQeXuK3DA5kBAnVcF4hdhsG6jTdqa

Это официальные узлы Dria из документации на GitHub.

• Сохрани файл: нажми Ctrl+O, Enter, потом выйди с Ctrl+X.

4. Запускаем узел заново

• Запусти:

screen -S dria-node dkn-compute-launcher start 

Нажми Ctrl+A, D, чтобы выйти из screen.

• Подожди 1-2 минуты, зайди обратно:

screen -r dria-node

Название: PhygitalSportBot
Описание:
PhygitalSportBot — это Telegram-бот, созданный для помощи пользователям в регистрации команд на турниры по фиджитал-спорту. Бот взаимодействует с пользователями через диалог, собирая данные о команде (дисциплина, название команды, ФИО капитана, контактный номер, дата рождения, город, организация, информация о дополнительных игроках и комментарий), и записывает их в Google Sheets. Бот также поддерживает беседу на тему фиджитал-спорта, используя OpenAI API (gpt-4o) для генерации ответов. Промт для беседы загружается из Google Sheets.

2. Описание функционала

• Приветствие: Бот начинает диалог с приветственного сообщения и предлагает зарегистрировать команду.
• Регистрация команды:
• Запрашивает название дисциплины (например, Фиджитал-Футбол) и подтверждает выбор.
• Запрашивает название команды и подтверждает.
• Запрашивает ФИО капитана, контактный номер, дату рождения, город, организацию — с подтверждением на каждом шаге.
• Запрашивает информацию о дополнительных игроках (опционально).
• Запрашивает комментарий (опционально).
• Записывает данные в Google Sheets.
• Беседа: Если пользователь не хочет регистрироваться, бот продолжает беседу на тему фиджитал-спорта, используя OpenAI API (gpt-4o) и промт из Google Sheets.
• Проверка статуса: Команда /status <название_команды> позволяет проверить, зарегистрирована ли команда.
• Отмена: Команда /cancel позволяет отменить регистрацию и вернуться к беседе.

3. Требования к серверу

• Операционная система: Ubuntu 20.04 или выше (рекомендуется Ubuntu 22.04).
• Процессор: Минимум 1 ядро.
• Оперативная память: Минимум 2 ГБ (рекомендуется 4 ГБ).
• Дисковое пространство: Минимум 10 ГБ (для установки зависимостей и хранения логов).
• Интернет: Доступ к интернету с возможностью подключения к api.telegram.org и api.openai.com.
• Порты: Открытые исходящие порты 80 и 443 для HTTP/HTTPS-запросов.
• Локация сервера: Сервер должен находиться в стране, поддерживаемой OpenAI (например, Германия, США). Если сервер в неподдерживаемой стране (например, Россия), потребуется VPN.

4. Подготовка сервера

4.1. Обновление системы

Обновите систему, чтобы установить последние пакеты и исправления безопасности.

apt update && apt upgrade -y

• apt update — обновляет список доступных пакетов.
• apt upgrade -y — обновляет установленные пакеты, -y автоматически подтверждает действия.

4.2. Установка необходимых пакетов

Установите базовые утилиты, Python и зависимости:

apt install python3 python3-pip python3-venv nano curl git -y

• python3 — интерпретатор Python.
• python3-pip — менеджер пакетов для Python.
• python3-venv — для создания виртуального окружения.
• nano — текстовый редактор для редактирования файлов.
• curl — для проверки подключения к API.
• git — для работы с репозиториями (опционально).
• -y — автоматически подтверждает установку.

4.3. Создание рабочей директории

Создайте директорию для бота:

mkdir /root/bot_env 
cd /root/bot_env

• mkdir /root/bot_env — создаёт директорию /root/bot_env.
• cd /root/bot_env — переходит в созданную директорию.

4.4. Создание и активация виртуального окружения

Создайте виртуальное окружение, чтобы изолировать зависимости бота:

python3 -m venv /root/bot_env/venv 
source /root/bot_env/venv/bin/activate

• python3 -m venv /root/bot_env/venv — создаёт виртуальное окружение в директории /root/bot_env/venv.
• source /root/bot_env/venv/bin/activate — активирует виртуальное окружение (вы увидите (venv) в начале строки терминала).

4.5. Установка Python-библиотек

Установите все необходимые библиотеки для бота:

pip install telegram python-telegram-bot openai gspread oauth2client tenacity

• telegram и python-telegram-bot — для работы с Telegram API.
• openai — для работы с OpenAI API (gpt-4o).
• gspread — для работы с Google Sheets.
• oauth2client — для аутентификации в Google Sheets API.
• tenacity — для повторных попыток при записи в Google Sheets.

Пример вывода установки:

5. Подготовка API-ключей и доступов

5.1. Получение API-ключа OpenAI

1. Создайте учётную запись OpenAI:
• Перейдите на https://platform.openai.com/.
• Зарегистрируйтесь или войдите в существующую учётную запись.
2. Получите API-ключ:
• Перейдите в раздел API Keys.
• Нажмите "Create new secret key", дайте ключу имя (например, PhygitalBotKey).
• Скопируйте ключ (например, sk-abc123...). Сохраните его в безопасное место.
3. Добавьте API-ключ в переменную окружения:

На сервере добавьте ключ в /etc/environment для глобального доступа:

nano /etc/environment

Добавьте строку:

Замените sk-abc123... на ваш API-ключ.
Сохраните файл (Ctrl + O, Enter, Ctrl + X) и примените изменения:

source /etc/environment

Проверьте, что ключ доступен:

echo $OPENAI_API_KEY 

Вывод должен быть вашим ключом: sk-abc123....

5.2. Получение токена Telegram

1. Создайте бота в Telegram:
• Откройте Telegram и найдите @BotFather.
• Отправьте /start.
• Отправьте /newbot.
• Следуйте инструкциям: задайте имя бота (например, PhygitalSportBot) и username (например, @PhygitalSportBot).
• После создания бота вы получите токен, например: 7717227973:AAGwsD0GetKrPtn-OuMyoV_uBMRIZXdiS7U.
• Скопируйте токен и сохраните его в безопасное место.

5.3. Настройка доступа к Google Sheets

1. Создайте файл credentials.json:
• Перейдите в Google Cloud Console: https://console.cloud.google.com.
• Создайте новый проект (например, PhygitalBot).
• Включите API:
• В разделе "APIs & Services" → "Library" найдите и включите Google Sheets API и Google Drive API.
• Создайте Service Account:
• Перейдите в "IAM & Admin" → "Service Accounts".
• Нажмите "Create Service Account".
• Укажите имя (например, phygital-bot-service-account), нажмите "Create and Continue", пропустите шаг с ролями, нажмите "Done".
• Создайте ключ:
• В списке Service Accounts выберите созданный аккаунт, перейдите на вкладку "Keys".
• Нажмите "Add Key" → "Create New Key", выберите "JSON", нажмите "Create".
• Файл phygital-bot-XXXXX-XXXXXXXXXXXX.json скачается на ваш компьютер.
2. Перенесите credentials.json на сервер: Создайте директорию для файла:
   

mkdir -p /root/bot_env/credentials

Скопируйте файл на сервер:

scp /path/to/phygital-bot-XXXXX-XXXXXXXXXXXX.json root@your-server-ip:/root/bot_env/credentials/credentials.json 

Замените /path/to/phygital-bot-XXXXX-XXXXXXXXXXXX.json на путь к файлу на вашем компьютере и your-server-ip на IP-адрес сервера.

Проверьте, что файл на месте:

ls -l /root/bot_env/credentials/credentials.json

1. Дайте доступ к Google Sheet:
• Откройте Google Sheet: https://docs.google.com/spreadsheets/d/1whGZ1RefscCSiVNnVUGaXWiISnXa59EhXqxwmTXG3Vo/edit.
• Нажмите "Share" и добавьте client_email из credentials.json (например, phygital-bot-service-account@your-project-id.iam.gserviceaccount.com) с правами "Editor".

6. Пошаговая инструкция установки

6.1. Создание файла bot.py

Создайте файл bot.py:

nano /root/bot_env/bot.py

Вставьте следующий код:

import telegram
from telegram import Update, ReplyKeyboardMarkup, ReplyKeyboardRemove
from telegram.ext import Application, CommandHandler, MessageHandler, ContextTypes, ConversationHandler
from telegram.ext import filters
import gspread
from oauth2client.service_account import ServiceAccountCredentials
import logging
from openai import AsyncOpenAI
from datetime import datetime
import re
from tenacity import retry, stop_after_attempt, wait_fixed
import os

# Настройка логирования
logging.basicConfig(filename='/root/bot_env/bot.log', level=logging.INFO, 
                    format='%(asctime)s - %(levelname)s - %(message)s')

# Токен бота
TOKEN = '7717227973:AAGwsD0GetKrPtn-OuMyoV_uBMRIZXdiS7U'  # Замените на ваш токен Telegram

# API-ключ OpenAI из переменной окружения
OPENAI_API_KEY = os.getenv('OPENAI_API_KEY')

# Инициализация асинхронного клиента OpenAI
client = AsyncOpenAI(api_key=OPENAI_API_KEY)

# Настройка Google Sheets
scope = ['https://spreadsheets.google.com/feeds', 'https://www.googleapis.com/auth/drive']
creds = ServiceAccountCredentials.from_json_keyfile_name('/root/bot_env/credentials/credentials.json', scope)
client_gspread = gspread.authorize(creds)
sheet = client_gspread.open_by_key('1whGZ1RefscCSiVNnVUGaXWiISnXa59EhXqxwmTXG3Vo')
prompt_sheet = sheet.worksheet('promt')
registration_sheet = sheet.worksheet('registration')

# Кэшируем данные из Google Sheets при запуске
PROMPT_CONTEXT = "\n".join(prompt_sheet.col_values(1)[1:]) if len(prompt_sheet.col_values(1)) > 1 else "Нет данных для контекста"
logging.info(f"Loaded PROMPT_CONTEXT: {PROMPT_CONTEXT}")
EXISTING_TEAMS = set(registration_sheet.col_values(3)[1:])  # Кэшируем названия команд

# Кэш для ответов ChatGPT
CHATGPT_RESPONSE_CACHE = {}

# Асинхронная функция для запросов к ChatGPT
async def get_chatgpt_response(prompt):
    # Проверяем, есть ли ответ в кэше
    if prompt in CHATGPT_RESPONSE_CACHE:
        return CHATGPT_RESPONSE_CACHE[prompt]

    try:
        response = await client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": "Ты виртуальный помощник по фиджитал-спорту. Будь дружелюбным и энергичным!"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.7,
            max_tokens=500
        )
        answer = response.choices[0].message.content.strip()
        # Сохраняем в кэш
        CHATGPT_RESPONSE_CACHE[prompt] = answer
        return answer
    except Exception as e:
        logging.error(f"Ошибка при запросе к ChatGPT: {str(e)}")
        return "Извините, произошла ошибка при получении ответа от ИИ."

# Состояния для ConversationHandler
CHAT, DISCIPLINE, DISCIPLINE_CONFIRM, TEAM_NAME, TEAM_NAME_CONFIRM, FULL_NAME, FULL_NAME_CONFIRM, PHONE, PHONE_CONFIRM, BIRTH_DATE, BIRTH_DATE_CONFIRM, CITY, CITY_CONFIRM, ORGANIZATION, ORGANIZATION_CONFIRM, ADD_PLAYER, COMMENT = range(17)

# Обработчик текстовых сообщений (без команды /talk)
async def handle_text(update: Update, context: ContextTypes.DEFAULT_TYPE) -> None:
    user_message = update.message.text.strip().lower()
    if not user_message:
        await update.message.reply_text("Пожалуйста, напиши свой вопрос или сообщение.")
        return

    # Если пользователь в состоянии CHAT, продолжаем беседу
    if context.user_data.get('state') == 'CHAT':
        prompt = f"Опираясь на следующий контекст:\n{PROMPT_CONTEXT}\nПродолжи беседу на тему фиджитал-спорта. Пользователь написал: {user_message}"
        response = await get_chatgpt_response(prompt)
        await update.message.reply_text(response)
        return

    # Проверяем, не хочет ли пользователь зарегистрироваться
    if "регистр" in user_message or "записаться" in user_message:
        context.user_data['state'] = 'REGISTRATION'
        await update.message.reply_text(
            "Отлично! Давай зарегистрируем твою команду. Сначала укажи название дисциплины (например, Фиджитал-Футбол).",
            reply_markup=ReplyKeyboardRemove()
        )
        return DISCIPLINE

    # Обрабатываем обычные сообщения через ChatGPT
    prompt = f"Опираясь на следующий контекст:\n{PROMPT_CONTEXT}\nОтветь на вопрос: {user_message}"
    response = await get_chatgpt_response(prompt)
    await update.message.reply_text(response)

# Команда /start для начала диалога
async def start_registration(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    logging.info("Received /start command")
    context.user_data.clear()  # Очищаем старые данные
    context.user_data['state'] = 'CHAT'  # Устанавливаем состояние CHAT
    context.user_data['registration'] = {}
    context.user_data['players'] = []  # Список для хранения игроков

    # Приветствие (без обращения к ChatGPT для скорости)
    await update.message.reply_text("Привет! Я твой помощник по фиджитал-спорту! 🏅 Фиджитал-спорт — это крутое сочетание физической активности и цифровых технологий. "
                                    "Давай поговорим об этом! Знаешь, какие дисциплины есть в фиджитал-спорте? Например, фиджитал-футбол или фиджитал-гонки!")

    # Предложение регистрации
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        "Кстати, хочешь зарегистрировать свою команду на турнир? (да/нет)",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return CHAT

# Обработчик состояния CHAT
async def chat_handler(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    user_message = update.message.text.strip().lower()
    logging.info(f"Received message in CHAT state: {user_message}")

    if user_message in ['да', 'yes', 'y']:
        logging.info("User agreed to registration, moving to DISCIPLINE state")
        context.user_data['state'] = 'REGISTRATION'
        await update.message.reply_text(
            "Отлично! Давай зарегистрируем твою команду. Сначала укажи название дисциплины (например, Фиджитал-Футбол).",
            reply_markup=ReplyKeyboardRemove()
        )
        return DISCIPLINE
    elif user_message in ['нет', 'no', 'n']:
        await update.message.reply_text(
            "Хорошо, давай продолжим говорить о фиджитал-спорте! Что ты думаешь о сочетании физической активности и цифровых технологий?",
            reply_markup=ReplyKeyboardRemove()
        )
        context.user_data['state'] = 'CHAT'
        return CHAT
    else:
        # Продолжаем беседу
        prompt = f"Опираясь на следующий контекст:\n{PROMPT_CONTEXT}\nПродолжи беседу на тему фиджитал-спорта. Пользователь написал: {user_message}"
        response = await get_chatgpt_response(prompt)
        await update.message.reply_text(response)

        # Повторно предлагаем регистрацию
        reply_keyboard = [['да', 'нет']]
        await update.message.reply_text(
            "Кстати, хочешь зарегистрировать свою команду? (да/нет)",
            reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
        )
        return CHAT

# Обработчик названия дисциплины
async def discipline(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    discipline = update.message.text.strip().capitalize()
    logging.info(f"Received discipline: {discipline}")
    context.user_data['registration']['discipline'] = discipline
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        f"Дисциплина: {discipline}. Всё верно?",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return DISCIPLINE_CONFIRM

async def discipline_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in DISCIPLINE_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Отлично! Теперь укажи название команды (например, Молния).",
            reply_markup=ReplyKeyboardRemove()
        )
        return TEAM_NAME
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи название дисциплины (например, Фиджитал-Футбол).",
            reply_markup=ReplyKeyboardRemove()
        )
        return DISCIPLINE
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return DISCIPLINE_CONFIRM

# Обработчик названия команды
async def team_name(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    team_name = update.message.text.strip().capitalize()
    logging.info(f"Received team name: {team_name}")
    context.user_data['registration']['team_name'] = team_name
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        f"Команда: {team_name}. Всё верно?",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return TEAM_NAME_CONFIRM

async def team_name_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in TEAM_NAME_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Супер! Теперь укажи ФИО капитана (например, Иванов Иван Иванович).",
            reply_markup=ReplyKeyboardRemove()
        )
        return FULL_NAME
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи название команды (например, Молния).",
            reply_markup=ReplyKeyboardRemove()
        )
        return TEAM_NAME
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return TEAM_NAME_CONFIRM

# Обработчик ФИО
async def full_name(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    full_name = update.message.text.strip()
    name_parts = full_name.split()
    logging.info(f"Received full name: {full_name}")
    if len(name_parts) != 3:
        await update.message.reply_text("Пожалуйста, укажи полное ФИО (Имя Фамилия Отчество, например, Иванов Иван Иванович).")
        return FULL_NAME
    formatted_name = " ".join(part.capitalize() for part in name_parts)
    context.user_data['registration']['full_name'] = formatted_name
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        f"ФИО капитана: {formatted_name}. Всё верно?",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return FULL_NAME_CONFIRM

async def full_name_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in FULL_NAME_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Отлично! Теперь укажи контактный телефон (например, 5555555). Формат будет преобразован в 555-55-55.",
            reply_markup=ReplyKeyboardRemove()
        )
        return PHONE
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи ФИО заново (например, Иванов Иван Иванович).",
            reply_markup=ReplyKeyboardRemove()
        )
        return FULL_NAME
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return FULL_NAME_CONFIRM

# Обработчик телефона
async def phone(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    phone = update.message.text.strip()
    phone = re.sub(r'\D', '', phone)
    logging.info(f"Received phone: {phone}")
    if len(phone) != 7:
        await update.message.reply_text("Пожалуйста, укажи 7 цифр для номера телефона (например, 5555555). Формат будет преобразован в 555-55-55.")
        return PHONE
    formatted_phone = f"{phone[:3]}-{phone[3:5]}-{phone[5:7]}"
    context.user_data['registration']['phone'] = formatted_phone
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        f"Телефон: {formatted_phone}. Всё верно?",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return PHONE_CONFIRM

async def phone_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in PHONE_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Спасибо! Теперь укажи дату рождения капитана (в формате дд.мм.гг, например, 01.01.00). "
            "Можно также вводить в формате дд,мм,гг (например, 01,01,00) или ддммгггг (например, 01012000).",
            reply_markup=ReplyKeyboardRemove()
        )
        return BIRTH_DATE
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи контактный телефон заново (например, 5555555).",
            reply_markup=ReplyKeyboardRemove()
        )
        return PHONE
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return PHONE_CONFIRM

# Обработчик даты рождения
async def birth_date(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    birth_date = update.message.text.strip()
    logging.info(f"Received birth date: {birth_date}")
    if re.match(r'^\d{2},\d{2},\d{2}$', birth_date):
        birth_date = birth_date.replace(',', '.')
    elif re.match(r'^\d{8}$', birth_date):
        birth_date = f"{birth_date[:2]}.{birth_date[2:4]}.{birth_date[4:6]}"
    elif not re.match(r'^\d{2}\.\d{2}\.\d{2}$', birth_date):
        await update.message.reply_text("Пожалуйста, укажи дату рождения в формате дд.мм.гг (например, 01.01.00). "
                                        "Можно также вводить в формате дд,мм,гг (например, 01,01,00) или ддммгггг (например, 01012000).")
        return BIRTH_DATE

    try:
        birth_date_obj = datetime.strptime(birth_date, '%d.%m.%y')
        today = datetime.now()
        age = today.year - birth_date_obj.year - ((today.month, today.day) < (birth_date_obj.month, birth_date_obj.day))
        context.user_data['registration']['birth_date'] = birth_date
        context.user_data['registration']['age'] = age
        reply_keyboard = [['да', 'нет']]
        await update.message.reply_text(
            f"Дата рождения: {birth_date}, возраст: {age} лет. Всё верно?",
            reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
        )
    except ValueError:
        await update.message.reply_text("Неверный формат даты. Укажи дату в формате дд.мм.гг (например, 01.01.00).")
        return BIRTH_DATE
    return BIRTH_DATE_CONFIRM

async def birth_date_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in BIRTH_DATE_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Спасибо! Теперь укажи город проживания (например, Москва).",
            reply_markup=ReplyKeyboardRemove()
        )
        return CITY
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи дату рождения заново (в формате дд.мм.гг, например, 01.01.00).",
            reply_markup=ReplyKeyboardRemove()
        )
        return BIRTH_DATE
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return BIRTH_DATE_CONFIRM

# Обработчик города
async def city(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    city = update.message.text.strip().capitalize()
    logging.info(f"Received city: {city}")
    context.user_data['registration']['city'] = city
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        f"Город: {city}. Всё верно?",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return CITY_CONFIRM

async def city_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in CITY_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Укажи организацию (цех) или учебное заведение, которое вы представляете (например, Цех №5 или МГУ).",
            reply_markup=ReplyKeyboardRemove()
        )
        return ORGANIZATION
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи город проживания заново (например, Москва).",
            reply_markup=ReplyKeyboardRemove()
        )
        return CITY
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return CITY_CONFIRM

# Обработчик организации
async def organization(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    organization = update.message.text.strip()
    logging.info(f"Received organization: {organization}")
    context.user_data['registration']['organization'] = organization
    reply_keyboard = [['да', 'нет']]
    await update.message.reply_text(
        f"Организация: {organization}. Всё верно?",
        reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
    )
    return ORGANIZATION_CONFIRM

async def organization_confirm(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in ORGANIZATION_CONFIRM state: {response}")
    if response == 'да':
        await update.message.reply_text(
            "Хочешь добавить других игроков в команду? (да/нет)",
            reply_markup=ReplyKeyboardMarkup([['да', 'нет']], one_time_keyboard=True)
        )
        return ADD_PLAYER
    elif response == 'нет':
        await update.message.reply_text(
            "Давай исправим. Укажи организацию заново (например, Цех №5 или МГУ).",
            reply_markup=ReplyKeyboardRemove()
        )
        return ORGANIZATION
    else:
        await update.message.reply_text("Пожалуйста, выбери 'да' или 'нет'.")
        return ORGANIZATION_CONFIRM

# Обработчик добавления игроков
async def add_player(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    response = update.message.text.strip().lower()
    logging.info(f"Received response in ADD_PLAYER state: {response}")
    if response == 'да':
        await update.message.reply_text("Укажи ФИО и дату рождения игрока (например, Петров Петр Петрович 02.02.02).")
        return ADD_PLAYER
    elif response == 'нет':
        players = context.user_data.get('players', [])
        await update.message.reply_text(
            "Хочешь добавить комментарий? (Если нет, напиши 'нет'). Максимальная длина — 500 символов.",
            reply_markup=ReplyKeyboardRemove()
        )
        return COMMENT
    else:
        player_data = update.message.text.strip()
        context.user_data['players'].append(player_data)
        reply_keyboard = [['да', 'нет']]
        await update.message.reply_text(
            f"Игрок добавлен: {player_data}. Хочешь добавить ещё одного игрока?",
            reply_markup=ReplyKeyboardMarkup(reply_keyboard, one_time_keyboard=True)
        )
        return ADD_PLAYER

# Обработчик комментария
async def comment(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    comment = update.message.text.strip()
    logging.info(f"Received comment: {comment}")
    if comment.lower() == 'нет':
        comment = ''
    elif len(comment) > 500:
        await update.message.reply_text("Комментарий слишком длинный! Пожалуйста, укороти его до 500 символов.")
        return COMMENT
    context.user_data['registration']['comment'] = comment

    # Проверка на дублирование команды (используем кэш)
    team_name = context.user_data['registration']['team_name']
    if team_name in EXISTING_TEAMS:
        await update.message.reply_text(f"Команда '{team_name}' уже зарегистрирована! Если это другая команда, укажи другое название. Напиши новое название команды.")
        return TEAM_NAME

    # Собираем данные для записи
    registration_data = context.user_data['registration']
    players = context.user_data.get('players', [])
    date_registered = datetime.now().strftime("%H:%M %d.%m.%y")
    row = [
        date_registered,
        registration_data['discipline'],
        registration_data['team_name'],
        registration_data['full_name'],
        registration_data['phone'],
        f"{registration_data['birth_date']} ({registration_data['age']})",
        registration_data['city'],
        registration_data['organization'],
        f"{comment}; Игроки: {'; '.join(players) if players else ''}"  # Добавляем игроков в комментарий
    ]

    # Записываем данные в Google Sheets с повторными попытками
    @retry(stop=stop_after_attempt(3), wait=wait_fixed(2))
    def append_to_sheet(row):
        registration_sheet.append_row(row)

    try:
        append_to_sheet(row)
        EXISTING_TEAMS.add(team_name)  # Обновляем кэш
        await update.message.reply_text("Регистрация завершена! 🎉 Данные вашей команды записаны. Что ещё могу сделать для тебя? "
                                        "Давай продолжим говорить о фиджитал-спорте! Как думаешь, какая дисциплина самая интересная?")
        context.user_data['state'] = 'CHAT'  # Переходим в режим беседы
        return CHAT
    except Exception as e:
        logging.error(f"Ошибка при записи в Google Sheets: {str(e)}")
        await update.message.reply_text("Произошла ошибка при записи данных. Пожалуйста, попробуй снова позже.")
        return ConversationHandler.END

# Обработчик отмены
async def cancel(update: Update, context: ContextTypes.DEFAULT_TYPE) -> int:
    await update.message.reply_text("Регистрация отменена. Давай продолжим говорить о фиджитал-спорте! "
                                    "Какие у тебя планы на предстоящий турнир?")
    context.user_data['state'] = 'CHAT'
    return CHAT

# Команда /status для проверки статуса регистрации
async def status(update: Update, context: ContextTypes.DEFAULT_TYPE) -> None:
    if not context.args:
        await update.message.reply_text("Пожалуйста, укажи название команды после команды /status, например: /status Молния")
        return

    team_name = " ".join(context.args).capitalize()
    try:
        all_rows = registration_sheet.get_all_values()
        found = False
        for row in all_rows[1:]:  # Пропускаем заголовок
            if row[2] == team_name:  # Колонка 3 - название команды
                await update.message.reply_text(
                    f"Команда '{team_name}' зарегистрирована!\n"
                    f"Дисциплина: {row[1]}\n"
                    f"Капитан: {row[3]}\n"
                    f"Телефон: {row[4]}\n"
                    f"Дата рождения: {row[5]}\n"
                    f"Город: {row[6]}\n"
                    f"Организация: {row[7]}\n"
                    f"Комментарий: {row[8]}"
                )
                found = True
                break
        if not found:
            await update.message.reply_text(f"Команда '{team_name}' не найдена. Зарегистрируй её с помощью /start!")
    except Exception as e:
        logging.error(f"Ошибка при проверке статуса: {str(e)}")
        await update.message.reply_text("Произошла ошибка при проверке статуса. Попробуй снова позже.")

# Основная функция для запуска бота
def main() -> None:
    logging.info("Starting bot...")
    application = Application.builder().token(TOKEN).build()

    # Добавляем ConversationHandler для регистрации
    conv_handler = ConversationHandler(
        entry_points=[CommandHandler('start', start_registration)],
        states={
            CHAT: [MessageHandler(filters.TEXT & ~filters.COMMAND, chat_handler)],
            DISCIPLINE: [MessageHandler(filters.TEXT & ~filters.COMMAND, discipline)],
            DISCIPLINE_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, discipline_confirm)],
            TEAM_NAME: [MessageHandler(filters.TEXT & ~filters.COMMAND, team_name)],
            TEAM_NAME_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, team_name_confirm')],
            FULL_NAME: [MessageHandler(filters.TEXT & ~filters.COMMAND, full_name)],
            FULL_NAME_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, full_name_confirm)],
            PHONE: [MessageHandler(filters.TEXT & ~filters.COMMAND, phone)],
            PHONE_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, phone_confirm)],
            BIRTH_DATE: [MessageHandler(filters.TEXT & ~filters.COMMAND, birth_date)],
            BIRTH_DATE_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, birth_date_confirm)],
            CITY: [MessageHandler(filters.TEXT & ~filters.COMMAND, city)],
            CITY_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, city_confirm)],
            ORGANIZATION: [MessageHandler(filters.TEXT & ~filters.COMMAND, organization)],
            ORGANIZATION_CONFIRM: [MessageHandler(filters.TEXT & ~filters.COMMAND, organization_confirm)],
            ADD_PLAYER: [MessageHandler(filters.TEXT & ~filters.COMMAND, add_player)],
            COMMENT: [MessageHandler(filters.TEXT & ~filters.COMMAND, comment)],
        },
        fallbacks=[CommandHandler('cancel', cancel)]
    )

    application.add_handler(conv_handler)
    application.add_handler(CommandHandler('status', status))
    application.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, handle_text))
    application.run_polling()

if __name__ == '__main__':
    main()

Сохраните файл (Ctrl + O, Enter, Ctrl + X).

6.2. Настройка автозапуска

Чтобы бот запускался автоматически после перезагрузки сервера:

crontab -e

Выберите редактор (например, 1 для nano), затем добавьте:

@reboot /bin/bash -c "source /root/bot_env/venv/bin/activate && nohup /root/bot_env/venv/bin/python3 /root/bot_env/bot.py &"

Сохраните (Ctrl + O, Enter, Ctrl + X).

7. Процедуры запуска бота

7.1. Первый запуск

Запустите бота вручную для проверки:

source /root/bot_env/venv/bin/activate 
cd /root/bot_env 
nohup /root/bot_env/venv/bin/python3 bot.py &

• source /root/bot_env/venv/bin/activate — активирует виртуальное окружение.
• cd /root/bot_env — переходит в директорию бота.
• nohup /root/bot_env/venv/bin/python3 bot.py & — запускает бота в фоновом режиме, игнорируя закрытие терминала.

7.2. Проверка логов

tail -f /root/bot_env/bot.log

Ожидаемый вывод:

7.3. Проверка процесса

ps aux | grep python

Ожидаемый вывод:

8. Процедуры внесения изменений в промт в Google Sheets

8.1. Изменение промта

1. Откройте Google Sheet: https://docs.google.com/spreadsheets/d/1whGZ1RefscCSiVNnVUGaXWiISnXa59EhXqxwmTXG3Vo/edit.
2. Перейдите на лист promt.
3. Измените текст в первом столбце (A) — это промт, который бот использует для беседы.
4. Сохраните изменения (Google Sheets делает это автоматически).

8.2. Полный рестарт бота

Бот загружает промт при запуске, поэтому нужно перезапустить его:

Остановите текущий процесс:

ps aux | grep python 
kill -9 <PID>

Запустите бота заново:

source /root/bot_env/venv/bin/activate 
cd /root/bot_env 
nohup /root/bot_env/venv/bin/python3 bot.py &

8.3. Полный повторный запуск сервера

Если вы хотите перезапустить сервер:

Остановите бота:

ps aux | grep python kill -9 <PID>

Перезагрузите сервер:

reboot

Проверьте, что бот запустился: После перезагрузки подключитесь к серверу и проверьте:

ps aux | grep python tail -f /root/bot_env/bot.log

Бот должен автоматически запуститься благодаря crontab.

9. Полезные команды для тестирования и пояснения результатов

9.1. Проверка процесса

ps aux | grep python

• Ожидаемый результат: Вы должны увидеть процесс bot.py, например:

• Пояснение: Если процесс есть, бот запущен. Если нет, проверьте логи.

9.2. Проверка логов

tail -f /root/bot_env/bot.log

• Ожидаемый результат:

Пояснение: Логи показывают, что бот запустился и успешно подключается к Telegram API. Если есть ошибки (например, 401 Unauthorized), проверьте токен Telegram.

9.3. Проверка подключения

curl https://api.telegram.org curl https://api.openai.com

• Ожидаемый результат: Оба запроса должны вернуть HTTP-ответ (например, 200 OK или HTML-код).
• Пояснение: Если запросы не проходят, проверьте фаервол или интернет-соединение.

9.4. Тестирование бота в Telegram

• Отправьте /start:

• Ожидаемый результат:

Пояснение: Бот успешно запустился и отправил приветственное сообщение.

• Ответьте "да":

• Ожидаемый результат:

Пояснение: Бот начал процесс регистрации.

• Пройдите регистрацию:

• Введите дисциплину (например, "Фиджитал-Футбол"), подтвердите ("да").
• Укажите название команды (например, "Молния"), подтвердите.
• Укажите ФИО (например, "Иванов Иван Иванович"), подтвердите.
• Укажите телефон (например, "5555555"), подтвердите.
• Укажите дату рождения (например, "01.01.00"), подтвердите.
• Укажите город (например, "Москва"), подтвердите.
• Укажите организацию (например, "МГУ"), подтвердите.
• Ответьте "нет" на вопрос о дополнительных игроках.
• Ответьте "нет" на вопрос о комментарии.
• Ожидаемый результат:

Пояснение: Бот успешно записал данные в Google Sheets.

• Проверьте статус:

/status Молния

• Ожидаемый результат:
  

Пояснение: Бот нашёл данные команды в Google Sheets и вывел их.

• Проверьте беседу: После регистрации спросите что-то о фиджитал-спорте, например: "Какие дисциплины самые популярные?"

• Ожидаемый результат: Бот ответит, используя промт из Google Sheets и OpenAI API.
• Пояснение: Бот успешно продолжает беседу.

Итог

Инструкция включает все шаги для установки бота с нуля: от подготовки сервера до тестирования. Бот будет работать, если все API-ключи и доступы настроены корректно. Если возникнут проблемы, проверьте логи (tail -f /root/bot_env/bot.log) и убедитесь, что сервер может подключиться к Telegram и OpenAI API.

Если понравилось пишите 👨‍🚀