Как мы за 30 часов без разработчиков собрали ИИ-бота для отбора контента

Что конкретно сделали

Изучили опыт коллег. Прежде чем садиться за инструмент, редакция обратилась к сотрудникам агентства, которые уже создают сервисы с помощью нейросетей. Оказалось, что главный секрет не в особом промпте, а в умении внятно сформулировать задачу и простым языком объяснить ее нейросети: сначала подробно описать задачу, затем разбить ее на этапы и двигаться шаг за шагом, постоянно проверяя результат. Второе правило — всегда просить ИИ подробно объяснять свои действия: когда нейросеть не просто выдает код, а поясняет, что и зачем делает, так гораздо проще понимать логику сервиса и не терять нить на следующих этапах.

Описали идею и механику бота. Команда сформулировала задачу, продумала сценарий использования, определила, откуда сервис будет брать данные, как их обрабатывать и в каком виде отдавать результат. Отдельное требование — удобство: бот должен запускаться моментально, а результат должен легко считываться и вести к быстрым выводам.

Собрали техническую часть. Основой выбрали n8n — визуальную среду, где можно последовательно выстраивать сценарий и видеть связи между блоками. Для написания отдельных фрагментов кода использовали ChatGPT с системным промптом от сооснователя агентства Всеволода Устинова. На старте все продвигалось быстро: отдельные элементы заработали, сценарий стал складываться в систему. Но затем начались первые баги: исправление одной части ломало другие, а нейросеть предлагала решения, не затрагивающие источник проблемы.

Скорректировали инструменты. Команда редакции перешла в Cursor, где больше контроля над кодом, проще отслеживать изменения и находить проблемные места. Здесь же стало окончательно ясно, что нейросеть не берет на себя ответственность за результат. Она может предложить решение и написать код, но не видит всех ошибок и не понимает контекст задачи так глубоко, как человек, который собирает инструмент под свои нужды.

Находили и устраняли ошибки. Например, в какой-то момент бот отказывался подтягивать данные с сайта. 

Решали проблему в три шага:

1. Отслеживали ошибку. В n8n для этого есть режимы Editor (редактирование), Executions (исполнение) и Evaluation (оценка), а также кнопка Execute Workflow (протестировать процесс), которая позволяет проверить корректность каждого этапа и найти, где именно скрыта ошибка.

2. Правили код. Смотрели, на каком этапе данные переставали подгружаться, и разбирались почему. Часть решений находили самостоятельно, часть — формулировали как подробный запрос нейросети.

3. Фиксировали рабочее решение. Верные настройки этапа сохраняли в отдельном документе, чтобы быстро восстановить их, если изменения слетали или возвращались старые баги.

Нюансы и сложности

Главная сложность вайбкодинга — не в технике, а в подходе: нейросеть пишет код за вас, но важно вникать, что именно этот код делает и зачем он нужен. Если довериться ИИ полностью и не разбираться в логике сервиса, легко застрять на первой же ошибке. Понимание кода, наоборот, позволяет находить и устранять баги за несколько минут. 

Еще один нюанс: нейросеть не всегда видит источник проблемы и может предлагать решения, которые не устраняют ошибку, а маскируют ее. В такие моменты помогает смена инструмента: переход из no-code среды вроде n8n в более прозрачную среду разработки вроде Cursor дает больше контроля над кодом и ускоряет поиск проблемных мест.

Вывод

Вайбкодинг не избавляет от необходимости думать и не собирает сервис за человека, но снимает львиную долю технического барьера. Редакция убедилась, что может самостоятельно собирать рабочие инструменты под свои задачи — без привлечения разработчиков и ожидания в очереди. Раньше подобные задумки откладывались, потому что требовали отдельного ресурса разработки, а теперь гипотезу можно проверить самостоятельно. Команда тратит меньше времени на сбор данных, быстрее переходит к содержанию материалов и, главное, получила навык, который позволит реализовать новые идеи для контент-маркетинга.