AI-бот для анализа новостей
Для запуска платформы было недостаточно заполнить её условными примерами. Контент должен был отражать реальные и актуальные темы ещё до того, как пользователи начнут активно создавать его сами.
В одном из наших проектов мы отвечали за серверную часть, административную панель и AI-функциональность. Одна из ключевых задач - разработать бота, который анализирует новости и законодательные источники, отбирает значимые темы и превращает их в структурированные черновики для дальнейшей проверки человеком.
О клиенте
Клиент — крупное дизайн-агентство из США, которое работало над дизайном и пользовательским интерфейсом платформы. Наша команда отвечала за серверную часть, административную панель и AI-функциональность.
Инструменты
Архитектура сочетает LLM, фоновые очереди BullMQ и Redis и ролевую модель доступа. Это позволяет отдельно управлять этапами анализа и генерации, выполнять длительные операции в фоне и сохранять существующие ограничения доступа к данным.
Команда
В проекте участвовали команда разработки, AI-инженер, QA и проектный менеджер. Команда отвечала за серверную часть, административную панель, AI-функциональность, тестирование и координацию проекта.
Что сделали
Темы должны были опираться на реальные события и общественно значимую повестку: местные новости, региональное и федеральное законодательство, решения городских советов, референдумы, бюджетные инициативы и другие актуальные вопросы.
Поэтому задача была не в том, чтобы просто генерировать текст. Система должна была:
- собирать данные из множества постоянно обновляемых источников;
- отсеивать нерелевантные материалы;
- определять основную тему каждой публикации;
- объединять материалы об одном событии, чтобы не создавать дубли;
- формировать на их основе структурированный черновик;
- оставлять финальное решение о публикации за человеком.
Как устроен бот
Обработка построена в два этапа.
На первом этапе модель фильтрует входящие материалы, отсеивает нерелевантные публикации и группирует источники, которые относятся к одному и тому же событию. Это помогает не превращать несколько статей на одну тему в несколько почти одинаковых черновиков.
На втором этапе другая модель работает уже с отобранными и сгруппированными материалами и формирует структурированный текст для проверки. После этого человек может отредактировать его, одобрить или отклонить - автоматической публикации нет.
Такое разделение позволяет отдельно настраивать фильтрацию и генерацию, а также контролировать качество и стоимость обработки на каждом этапе.
Фоновая обработка и доступ к данным
Сбор источников, анализ и генерация черновиков выполняются в фоне через очереди задач на BullMQ и Redis. Это позволяет выполнять долгие операции без блокировки основной работы платформы.
Доступ к данным организован с учётом ролевой модели. Бот работает только с той информацией, которая доступна пользователю в рамках его прав, а взаимодействие с административной частью платформы не обходит существующие ограничения доступа.
Результат
Раньше команде пришлось бы вручную отслеживать десятки источников, отбирать релевантные темы, объединять дубли и готовить тексты для публикации.
Теперь основная часть этой работы автоматизирована: система собирает и фильтрует материалы, группирует публикации по событиям и готовит структурированные черновики. Человек подключается на финальном этапе — проверяет контекст, при необходимости редактирует текст и принимает решение о публикации.
В результате AI берёт на себя масштабную первичную обработку информации, но контроль над содержанием остаётся у команды.