Привет! Я Лена, продакт-менеджер в ЮMoney. Финансовые технологии — одна из отраслей, где инновации появляются и внедряются особенно быстро. Нужно постоянно следить за рынком: изучать конкурентов, мониторить тренды и технологические новинки.
Отдельно мне интересны кейсы, когда AI начинает выполнять задачи, которые раньше делали люди. Но подходящего формата для системного мониторинга таких новостей найти не удалось: где-то много «воды», а где-то не хватает конкретики.
Хотелось максимально лаконичный формат:
-
кто внедрил AI,
-
для какой задачи,
-
какие процессы / роли это затронуло,
-
результаты.
А что, если собрать собственную ленту новостей?
С помощью AI-ассистентов я уже автоматизировала небольшие задачи: один бот «ловит» спамерские отзывы, другой — сообщает про обновления конкурентов. Стало интересно: получится ли создать что-то более сложное без инженерного бэкграунда, но с AI-ассистентом? Например, автономный процесс мониторинга новостей по заданной теме.
В результате я собрала персональный Telegram-канал, в котором новости публикуются автоматически, — о том, как к AI переходят человеческие функции и процессы.
В этой статье расскажу, как устроена система, какие проблемы решала по пути и какие выводы я сделала о работе с AI-ассистентами.
Из чего состоит система
Воркфлоу №1: сбор и подготовка новостей
Запускается ежедневно в 8:00. Его задача — собрать новости и, фильтруя нерелевантные, подготовить публикации. Новости берутся из нескольких RSS-лент: TechCrunch, VentureBeat, The Verge, MIT Technology Review и тому подобное. Один сбор — 200-300 новых статей.
Новости фильтруются в несколько этапов. Берём только материалы, опубликованные за последние 26 часов. Затем система удаляет дубли по ссылкам и проверяет новости по набору ключевых слов — используется около 50 терминов на русском и английском.
Только после того, как мы убрали лишнее, остаётся 30-50 новостей, они и отправляются в LLM. Я использую llama-3.3-70b-instruct через aitunnel. Один запрос стоит около 11 копеек. В месяц ушло ~350₽ с учётом множества тестовых запросов.
Модель оценивает релевантность каждой статьи теме, заданной в промпте — и выставляет скоринг от 0 до 10. Если оценка 6 и выше, LLM пишет пост, затем исключает смысловые дубли. На выходе имеем 10-20 постов и сохраняем их в Google Sheets со статусом pending («готово к публикации»).
Воркфлоу №2: публикация в канал
На этом этапе из таблицы берутся посты со статусом pending и перед публикацией повторно проверяются через LLM.
Зачем нужна вторая проверка?
Медиа могут публиковать одну и ту же новость в разное время и разными словами. Формально тексты не совпадают, смысл — одинаковый.
Поэтому модель ищет среди pending-постов смысловые дубли с уже опубликованными. Если обнаружены, пост получает статус duplicate и не размещается. Если дублей нет — пост публикуется, а статус меняется на published. Отсеиваются около 50% постов.
Грабли, которые я собрала
Telegram нестабильно принимал запросы с российского VPS
n8n развёрнут на Timeweb с техническим доменом .twc1.net.
На ноде публикации Telegram периодически переставал отвечать: getWebhookInfo возвращал Connection timed out. Менять сервер на зарубежный не хотелось, и смена домена не помогла.
AI-ассистент подсказал решение: добавить Cloudflare Workers как промежуточный прокси. Сработало, проблема исчезла, а бесплатного тарифа оказалось более чем достаточно.
LLM обрубала JSON
По плану LLM должна возвращать готовые посты и ссылки в формате JSON. Но при большом объёме новостей модель просто срезала ответ на половине.
Модели было задано условие — все записи должны быть завершёнными, остальное отбрасываем. А сократить потери помогла предварительная дедупликация — меньше лишних данных на входе, меньше шанс упереться в лимит.
Короткие ключевые слова давали мусор
Казалось бы, простая фильтрация по словам — что может пойти не так? Но короткое «ai» начало матчиться на нерелеватные слова: daily, email, cocktail…
В итоге часть ключевых слов я вынесла в отдельный список и проверяю их только по заголовку. Релевантные новости не теряются, мусора — меньше.
Что я поняла про работу с AI-ассистентом
Самым интересным результатом проекта для меня оказался опыт взаимодействия с AI в процессе создания системы.
Держи в голове целевое состояние системы
AI ошибается часто. Без чёткого видения цели легко клюнуть на правдоподобный, но ложный вариант, который незаметно разрушит архитектуру. Вайбкодинг — это не медитация за клавиатурой, а жёсткий менеджмент контекста: сверка с целями, приоритизация, отсев. По сути, это работа продакта и архитектора в одном флаконе — нужно удерживать требования, видеть связи системы и описывать требования без разночтений.
Длинный контекст — враг качества
Когда чат становится слишком длинным, модель начинает галлюцинировать и предлагать решения, которые противоречат уже сделанному. Иногда создаётся впечатление, будто AI забывает часть контекста и заново решает уже закрытые вопросы.
Спасает создание нового чата. А чтобы не пересказывать задачу с нуля, есть два приёма:
-
загрузить воркфлоу целиком как JSON;
-
попросить модель в «перегретом» чате самой сделать саммари текущего состояния проекта и продолжить работу уже с этим контекстом.
Хождение по кругу — сигнал остановиться
Если модель снова и снова предлагает неработающее решение, не стоит настаивать и ругать AI-чат. Скорее всего, вы описываете симптом, а не причину.
В таких случаях помогает зафиксировать: что попробовали, что не сработало, почему — и переформулировать задачу. Иногда полезно сходить с проблемой в другой AI-инструмент — свежий взгляд помогает найти решение.
Проверь, нужна ли вообще задача, которую вы пытаетесь решить
AI — исполнительный помощник. Он хорошо разбирается в деталях, но по умолчанию не возражает. Не спрашивает «а нам это точно нужно?», а решает задачу в заданных рамках.
У меня был квест с картинками для постов: как доставать их из статей, передавать в ноду публикации, что делать при отсутствии изображения. AI предлагал всё новые варианты.
Я остановилась, вернулась к цели канала (лаконичность и информативность) и поняла: картинки не нужны. Проблема исчезла.
Что получилось
Канал публикует несколько коротких постов в день автоматически. На беглый просмотр уходит около минуты. Иногда случается забавное: LLM решает, что новость про обновление интерфейса — это «замена людей AI» с релевантностью 8. Иногда проскакивают иероглифы. Но в целом качество отбора устраивает.
Благодаря точной фильтрации в канал попадают практические кейсы перехода задач от людей к AI. По ним видно развитие трендов AI-технологий и регулярно находятся сценарии, которые можно переиспользовать в работе.
AI-ассистент работает как «журналист» и «редактор»: я задала архитектуру и правила, система экономит часы ручного листания источников.
Этот эксперимент хорошо соответствует подходу, который мы применяем в ЮMoney и в продуктовых, и в инженерных направлениях: мы стараемся автоматизировать повторяющиеся процессы там, где это действительно освобождает время для важных задач и улучшения продукта.
Развитие AI-технологий для нас — логичное продолжение этого подхода. AI уже становится частью внутренних процессов, о практических кейсах и результатах мои коллеги рассказывают в подкасте ЮVoice и на митапах ЮMoney.
Вместо заключения
Сейчас, благодаря AI-ассистентам, между идеей и работающим инструментом стало гораздо меньше барьеров.
Главное открытие для меня — вайбкодинг развивает не технические навыки, а продуктовое и критическое мышление. AI ускоряет путь от идеи к реализации, но при этом приходится чаще проверять гипотезы, удерживать контекст и не принимать правдоподобный ответ за правильный.
Поделитесь, каких AI-ассистентов вы уже используете в работе? Как боретесь с галлюцинациями моделей? Как выбираете источники информации на профессиональную тему?
ссылка на оригинал статьи https://habr.com/ru/articles/1042830/