Как в рабочий чат добавили ИИ-ассистента и что из этого вышло
Ассистент работает как бот на базе Claude: обработчик сообщений собирает последние реплики и тему ветки, добавляет контекст из кодовой базы, клиентской БД, GitHub Issues и внутренних документов, а затем отправляет запрос в LLM. Файн-тюнинг не использовали: авторы прямо связывают результат с тем, какой контекст передан модели.
В рабочих сценариях бот отвечает менеджерам на продуктовые вопросы по коду, помогает с первичной диагностикой багов, формулирует ответы клиентам и создаёт GitHub issue из переписки. В одном примере он понял обсуждение про сравнение фотографий квартир, нашёл уже существующее хеширование, описал Hamming distance, валидацию на 10 000+ пар и добавил задачу с нужными labels.
За три месяца ассистент отправил около 2500 сообщений, создал примерно 120 задач, закрыл без CEO около 60% вопросов менеджеров и отвечал в среднем за 15–40 секунд. Ограничения тоже заметны: сложные межсистемные баги, бизнес-решения, эмоциональные клиентские ситуации, длинный контекст и галлюцинации требуют контроля; один из safeguards — правило не уверен — уточни.
Коротко
- ИИ-ассистент встроен в общий Telegram-чат и использует Claude, историю ветки, кодовую базу, CRM, GitHub Issues и документы.
- Главные сценарии: ответы менеджерам по продукту, первичная диагностика багов, формулировка клиентских ответов и создание GitHub issue.
- За три месяца бот отправил около 2500 сообщений, создал примерно 120 задач и закрыл без CEO около 60% вопросов менеджеров.
- Среднее время ответа составило 15–40 секунд, но были 3 критичные ошибки, когда hallucination дошла до клиентского уровня.
- Авторы считают, что 80% ценности даёт контекст: без доступа к коду, CRM и переписке даже сильная LLM остаётся мало полезной.
FAQ
Зачем небольшой SaaS-компании понадобился ИИ-ассистент прямо в рабочем Telegram-чате?
Команда хотела снять с CEO роль постоянной справки по продукту, клиентам и задачам. Ассистент должен был быстро отвечать менеджерам и превращать обсуждения в рабочие действия.
Почему в этом кейсе авторы считают контекст важнее выбора конкретной LLM-модели?
Бот полезен потому, что видит историю переписки, код, CRM, GitHub Issues и внутренние документы. Без этих источников он отвечал бы общими формулировками, а не по реальному состоянию продукта.
Какие ограничения у такого ассистента остаются даже после нескольких месяцев использования в команде?
Он может ошибаться в сложных межсистемных багax, терять длинный контекст и галлюцинировать. Поэтому бизнес-решения, эмоциональные клиентские ситуации и спорные ответы всё равно требуют человека.
Читайте также
Как в «СВОЙ Тех» сократили подготовку к тестированию на 70% с помощью AI-агентов- Когда, зачем и как правильно начинать новую сессию в Claude Code
- Как я локально тестировал новый Qwen 3.6 и Gemma 4
- LLM-агент для поиска свободных доменов: автоматизация подбора
- Как кодинг-агенты используют инструменты, память и контекст репозитория, чтобы писать код лучше
- Контекст важнее выбора LLM-модели в рабочих ассистентах: Практическая ценность внутреннего ИИ-ассистента возникает не от самой модели, а от доступа к рабочему контексту: истории чатов, коду, CRM, задачам и внутренним документам. Без этих источников даже сильная LLM будет давать общие ответы, а не помогать с реальными операционными вопросами.
[AI-ассистенты и контекст]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
В кейсе с Хабра описан ИИ-ассистент в рабочем Telegram-чате небольшой SaaS-компании. Его главная ценность не в модели как таковой, а в доступе к коду, CRM, истории переписки и GitHub-задачам.