Разработка омниканального AI-чат-бота (все мессенджеры + сайт)

Разработка омниканального AI-чат-бота (все мессенджеры + сайт)

Омниканальный бот — единое ядро AI с адаптерами для каждого канала. Клиент начинает диалог в Telegram, продолжает на сайте — история и контекст сохранены. Один раз обученная модель, одна база знаний, одна аналитика.

Архитектура омниканальной системы

[Telegram]  [WhatsApp]  [VK]  [Viber]  [Web Widget]  [Instagram]
     ↓           ↓        ↓      ↓           ↓             ↓
[Channel Adapters — нормализация форматов сообщений]
     ↓
[Unified Message Router]
     ↓
[Core AI Engine]
    ├── Intent Recognition
    ├── Context Manager (Redis: user_id → conversation_state)
    ├── RAG / Knowledge Base
    ├── Tool Executor (CRM, ERP, DB)
    └── Response Generator
     ↓
[Channel Adapters — форматирование под канал]
     ↓
[Telegram]  [WhatsApp]  [VK]  ...

Нормализация сообщений

Разные каналы имеют разные форматы. Unified Message Format:

class UnifiedMessage:
    channel: str          # "telegram", "whatsapp", "vk", "web"
    user_id: str          # глобальный ID (channel:original_id)
    text: str | None
    media: list[MediaItem] | None
    timestamp: datetime
    metadata: dict        # channel-specific данные

Адаптер каждого канала конвертирует входящее в UnifiedMessage и ответ обратно в channel-native формат.

Унификация идентификаторов пользователей

Пользователь в Telegram (@username) и в WhatsApp (+7...) — это один человек? Без явной связки — нет. Стратегии объединения профилей:

• Авторизация через единый аккаунт (сайт) → линкование мессенджеров
• Запрос номера телефона через Telegram (API) → матчинг с WhatsApp
• Email-верификация → единый профиль

Управление контекстом диалога

Redis хранит состояние диалога с TTL = 24 часа:

import redis
import json

class ConversationContextManager:
    def __init__(self):
        self.redis = redis.Redis(decode_responses=True)

    def get_context(self, user_id: str) -> dict:
        data = self.redis.get(f"ctx:{user_id}")
        return json.loads(data) if data else {"history": [], "profile": {}}

    def update_context(self, user_id: str, update: dict):
        ctx = self.get_context(user_id)
        ctx.update(update)
        ctx["history"] = ctx["history"][-20:]  # последние 20 сообщений
        self.redis.setex(f"ctx:{user_id}", 86400, json.dumps(ctx))

Форматирование под канал

Одно «внутреннее» сообщение бота → разные представления:

Ответ форматируется адаптером уже после генерации AI.

Единая аналитика

Омниканальная платформа даёт сквозную аналитику:

• Канальный mix: откуда приходят пользователи
• Cross-channel journey: Telegram → сайт → конверсия
• Containment rate по каналам: где бот справляется лучше
• Перетекание между каналами: пользователь переключился — почему?

Стек: ClickHouse для событийной аналитики, Grafana для real-time дашбордов, Superset для бизнес-отчётов.

Масштабирование

Омниканальный бот под нагрузку:

• Горизонтальное масштабирование Core AI Engine (stateless + Redis)
• Message Queue (Kafka / RabbitMQ) между адаптерами и ядром — для пиковой нагрузки
• Rate limiting по каналу и пользователю
• Graceful degradation: при недоступности AI → шаблонные ответы + escalation

Governance и контент-политика

Единая политика допустимого контента применяется ко всем каналам. Один prompt injection guard, одна система мониторинга токсичности. Изменение системного промпта — в одном месте, разворачивается на все каналы.

Сроки реализации

Месяц 1–2: Core AI Engine, первый канал (Telegram), базовый context management

Месяц 3: Добавление 2–3 каналов (WhatsApp, VK, Web), unified analytics

Месяц 4–5: Интеграции с CRM/системами, agent handoff, advanced персонализация

Месяц 6: Нагрузочное тестирование, мониторинг, промышленный запуск