Кейс: «Бот-маркетолог на Python — как я победил гигантские промты и тарифы на токены»

Введение

Люблю и умею решать маркетинговые задачи — от разработки простого приветственного бота до создания масштабных клубных систем с рекуррентной оплатой. Но в этот раз ко мне пришли с настоящим «монстром» маркетинга: чат-ботом на базе искусственного интеллекта, который должен был решать самые сложные задачи для предпринимателей. От генерации продающих текстов и контент-планов до отправки индивидуальных напоминаний по всем пользователям.

Сразу скажу, что это не было стандартной «собачкой, которая говорит “Привет, я бот!”». Это был целый «дипломированный ассистент-маркетолог» c собственной админ-панелью, интеграцией платежей и библиотекой из 75 000+ символов промтов, которые казалось вот-вот превратятся в Википедию по маркетингу.

Обращение клиента

Клиент, девушка маркетолог в паре со свое сотрудницей, пришли с почти чётким запросом:

«Хочу, чтобы все рутинные маркетинг-задачи решались одним ботом. Чтобы он умел вести учёт подписчиков, подключать реферальную программу, хранить тысячи промтов и не сжигал мне всю кассу на OpenAI-токены за счёт огромного количества материала которым необходимо обучить бота».

Уже на этом этапе я насторожился:

Тысячи промтов — нужно продумать структуру хранения и механизмы быстрого поиска.
Интеграция с платёжными системами (YooMoney или YooKassa карты банков РФ, автопродление подписки).
Экономия токенов — ведь плата за OpenAI может «съесть» весь бюджет и оставить клиента без средств на кофе.

Как говорится, «Вызов принят!».

Проблемы и вызовы

Гигантские промты:
Когда я подумал о «модульном разделении» на 25 подкатегорий и файлы с промтами на 75 000+ символов, стало ясно, что GPT будет «жевать» много текста и это нужно реализовывать как глобальный вопрос. На первой итерации бот «проглотил» 60 000 токенов за раз и поглотил бы все деньги API кабинета, если бы не оперативное вмешательство.
Высокая стоимость токенов:
OpenAI-токены в больших объёмах больно били по кошельку клиента. Нужно было оптимизировать промты, не теряя их смысла и структуры.
Шахматы с подписками:
Отслеживание подписчиков (триал, платная подписка, без подписки).
Автоматическое продление.
Реферальная программа с бонусными запросами.
Отслеживание истечения подписки и удобные напоминания.
Разрозненность данных:
У клиента были тонны маркетинговых наработок — тексты, видео, чек-листы, гайды. Всё это хранилось в разных местах: Google Документы, Excel-таблицы, тетрадка на коленке. Надо было систематизировать в одном решении.
Платежи:
Требовалось подключить полный цикл обработки платежей через Flask: получение уведомления, проверка суммы, обновление подписки и рассылка уведомлений о платеже как покупателю так и администраторам.

Предпринятые решения

1. Сжатие и оптимизация промтов

Мы разработали «Модуль экономии токенов» об этом модуле читайте чуть ниже. В основе лежит идея, что длинный промт передаётся не целиком, а выборочно, под конкретную задачу.
Промты разбили на блоки по 2–3 тысячи символов. Если пользователю нужен блок «Продажи через соцсети», бот подгружает только нужный модуль, а не сразу весь гигантский текст.

В результате расход токенов снизился с 60 000 до 5 000 за один полноценный маркетинговый запрос.

Дополнение: Как модуль gpt_module_prompts.py экономит токены

При создании «Модуля экономии токенов» мы столкнулись с задачей: Как не передавать в GPT всю гигантскую простыню текста? Нужно было разбить исходные «промты-монстры» на логические блоки, чтобы при запросе к OpenAI-API загружать только нужные фрагменты, а не весь текст за раз.

Наше решение — gpt_module_prompts.py. Вот, как оно работает и чем помогает:

Пошаговое выделение смысловых частей

В файле есть функция split_prompt_to_structure, которая проходит по списку «секции» (introduction, instructions, reasoning, question_blocks, final_instructions).

Для каждой секции формируется отдельный запрос к GPT — но только по нужному контенту (тот же текст, но с конкретной задачей: «извлечь вопросы», «сформировать рекомендации» и т. д.).

В итоге мы не пытаемся «засунуть» во входной промт всю стену текста; мы делаем серию более коротких запросов, где GPT обрабатывает ровно тот кусок информации, который нужен для решения текущей подзадачи.

Сегментация и гибкое взаимодействие

generate_prompt_for_section — эта функция «умно» формирует задачу для GPT, в зависимости от нужной секции. Например, для question_blocks бот фокусируется только на вопросах и не тратит токены на всю сопутствующую информацию.

Таким образом, если вам нужны только «финальные инструкции», вы запрашиваете их из GPT отдельно, без заголовков, без «всего текста целиком» и дополнительных блоков.

Перезапись и кэширование

Файл умеет проверять, была ли изменена исходная версия промта (.txt). Если да, то заново генерирует структуру (.json). Иначе использует уже готовые структурированные данные, без лишних обращений к GPT.

Это особенно важно, когда промт стабилен и его не нужно каждый раз «тянуть» целиком из OpenAI — мы экономим не только деньги, но и время на API-запросах.

Сжатие и хранение

Фактически, в итоговом .json каждое поле уже «подготовлено» GPT и не требует повторной обработки в будущем. При последующих обращениях, если эти данные не поменялись, мы можем просто подгружать нужный блок.

С точки зрения расхода токенов это огромная выгода — мы «разложили» текст на мини-«пакетики» и обращаемся к ним по мере надобности.

Гибкость для кастомных задач

Вы можете добавлять или убирать секции, в зависимости от того, какие части промта вам нужны (например, под «SMM», «SEO», «E-mail маркетинг» и т. п.). Код легко адаптировать под любые форматы.

Если GPT-модель попросили подготовить «отдельные блоки» (например, «что нужно сделать» и «чего делать не нужно»), функция generate_prompt_for_section формирует именно такие структурированные указания. Никакой траты токенов на дополнительные вступления и разглагольствования.

Итоговая польза

Сокращение расходов: Выгоднее отправлять несколько коротких запросов, чем один гигантский.

Ускорение ответа: GPT быстрее обрабатывает небольшие блоки.

Чистота структуры: Вы получаете готовые к использованию данные (JSON), пригодные для хранения, редактирования или дальнейшей автоматизации.

Легкость обновления: Изменили исходный .txt — модуль автоматически перегенерирует структуру и всё остаётся синхронизированным.

Таким образом, gpt_module_prompts.py — это не просто «скрипт-разделитель», а полноценный инструмент, позволяющий правильно «порезать» огромные маркетинговые промты, сэкономить токены и при этом не потерять контекст и смысл каждого отдельного блока. Именно он стал решающим фактором, позволившим урезать затраты с 60 000 до 5 000 токенов при работе с действительно большими объёмами текстов.

2. Библиотека промтов с чётким модульным разделением

Сделал 25 отдельных подкатегорий (landing, SMM, email-рассылки, SEO, коммерческие предложения и др.).
Каждая подкатегория — отдельный файл, лежит на сервере, к которому есть доступ только у админа через веб-интерфейс.
Допилил удобную систему загрузки/редактирования: захотели что-то поправить в промте — пять секунд и готово, никакой ручной правки кода.

3. Админ-панель на Flask

Развернул на Python (со стеком openai, python-telegram-bot, requests, apscheduler, flask, pytz).
Flask используется не только как база для веб-интерфейса админки, но и как «диспетчер» для платёжных уведомлений.
Разделы админ-панели:Статистика бота (количество пользователей, активные подписки, история запросов, затраты по токенам).
Управление тарифами и подписками.
Реферальная программа: видим, кто кого пригласил и сколько бонусных запросов заработать.
Создание и редактирование гайдов (описание, цена, ссылка для оплаты).

4. Интеграция с YooMoney и банками РФ

В subscription.py у нас завёлся эндпоинт(Вариант для примера):

@app.route("/payment_notification", methods=["POST"])
def payment_notification():
    """
    Эндпоинт для обработки уведомлений от YooMoney.
    """
    data = request.form
    logger.info(f"Получен POST от YooMoney: {data}")

    user_id = data.get("label")
    amount = data.get("withdraw_amount")

    if not user_id or not amount:
        logger.warning("Не переданы необходимые параметры (label, withdraw_amount). Пропускаем...")
        return "No label or withdraw_amount", 200

    logger.info(f"Обрабатываем платеж для пользователя {user_id} на сумму {amount}")

    # Сравниваем суммы с тарифами
    if amount == subscribe_month:
        duration_days = submonth
    elif amount == subscribe_six_months:
        duration_days = subsixmonth
    elif amount == subscribe_year":
        duration_days = subyear
    else:
        logger.warning(f"Неизвестная сумма платежа: {amount}. Ничего не делаем.")
        return "Unknown amount", 200

    # Обновляем подписку
    logger.info(f"Обновляем подписку для пользователя: {user_id} на {duration_days} дней")
    update_subscription(user_id, duration_days)

    logger.info(f"Отправляем уведомление для пользователя: {user_id}")
    asyncio.run(notify_user_and_admin(user_id, duration_days))
    return "OK", 200

Так бот узнаёт о новых оплатах, автоматически продлевает подписку пользователю и шлёт админу уведомление в Telegram.

5. Рассылки и триггерные уведомления

Использовал apscheduler, чтобы запускать периодические рассылки «каждый понедельник в 10:00» или напоминать за неделю до окончания подписки или ежедневно при обнаружении об окончании подписки и перевода пользователя в другой статус подписки.
Разделил в админ-панели рассылки на сегменты: подписчики, триал, бесплатный доступ. Так кто-то получал «У вас заканчивается подписка, продлите», а кто-то — «Пора апгрейдить свои навыки, переходим на платный тариф!».

6. Реферальная программа

Создал отдельный модуль, который даёт пользователям реферальные ссылки.
Каждый раз, когда по такой ссылке приходит новый подписчик и оплачивает тариф, рефереру добавляются бонусные GPT-запросы.

7. Модуль «Гайды» и «Контент-план»

Бот создаёт и хранит гайды по маркетингу, которые можно купить отдельно, не оформляя подписку.
После покупки (через ту же платёжную систему) пользователю открывается доступ к материалам: видео, PDF, чек-листы.
Для постоянных подписчиков эти материалы могут быть включены в пакет или со скидкой, в зависимости от тарифа.

Как я всё это запустил

Анализ: провел переговоры с клиентом, выяснили, какой функционал критичен, а что «хочу на всякий случай» составил детальный пошаговый и структурированный ТЗ план разработки и предоставил клиенту на одобрение.
Дизайн системы: нарисовал схему в MindManager, расписал как бот взаимодействует с админ-панелью и сторонними сервисами.
Прототип: собрал MVP(минимально жизнеспособный продукт) с базовыми промтами и оплатой. Запустили тест для небольшой группы сотрудников агентства.
Оптимизация промтов: сократил токены, внедрил выборочные подгрузки текстов.
Реализация: допилил новые функции: гайды, рассылки, модуль уведомлений и аналитики, рассылка из админки разному сегменту аудитории(с подпиской и без).
Тестирование: проверял платежи, бан пользователей, истечение подписки — всё в боевых условиях.
Запуск: дали «зелёный свет» залил все на их сервер установил pm2, nodejs, apache, проксирование, конфиги(webhook.conf), перенаправил А записи домена на IP сервера, Certbot для получения SSL-сертификата, получил сертификат для домена, перезапустил Apache и о чудо... финальное подергивание глаза. Этот последний этап Запуск можно было бы вместить еще в одну огромную статью, но у меня не хватит на это нервов, поэтому решил хоть тут проскочить зайцем. Вы уж простите меня что сохранил вам немного зрения)

Итоги и результаты

Сокращение затрат на токены в 12 раз — из 60 000 до 5 000 токенов на один запрос. Клиент счастлив, ведь счета за OpenAI заметно «похудели».
Удобная админ-панель на Flask: клиент сам добавляет/редактирует промты и гайды. Ему не нужно будет дёргать меня по каждому чиху и ...
Стабильные продажи: интеграция с YooMoney и банками РФ + гибкие тарифы (триал, подписка, единоразовые гайды) дают стабильный прирост выручки по умолчанию.
Автоматизация рутины: выстрел в десять задач одним выстрелом. Сотрудники, которые раньше вручную выставляли счета и писали тексты, теперь могут заняться стратегией, а не рутиной.

Сервисы и инструменты

Python «мозг» системы.
Библиотеки:openai — общение с GPT-моделью.
python-telegram-bot — «глаза и уши» бота в Telegram.
requests — HTTP-запросы ко всему подряд.
apscheduler — планирование регулярных задач (рассылки, уведомления).
flask — админ-панель, приём уведомлений о платежах.
pytz — чтобы не было путаницы с часовыми поясами, когда отправляешь рассылку из Владивостока в Калининград.

Немного юмора для финала

Заказчик шутливо назвал бота «Маркетозаврик», потому что тот поглощал всё больше и больше маркетинговых кейсов. Но, сэкономив на токенах, он теперь не распугивает аудиторию одним своим аппетитом.
Мы иногда называем его «Почти Искусственный Интеллект», потому что он уже научился различать «я хочу Лендинг по продаже котиков» и «я хочу составить рекламу для кофейни». Что будет дальше — остаётся только догадываться.

Заключение

Этот кейс наглядно показывает, что даже самый сложный бот с кучей промтов, сложной реферальной системой, автопродлениями и гигантской базой данных можно сделать дружелюбным и недорогим в обслуживании, если подойти к задаче системно и с умом.

Если вы хотите, чтобы ваш бот:

Не ел все ваши деньги на токенах.
Умел продавать, рассылать и уведомлять клиентов без лишней рутины.
Имел гибкие тарифы и автоматические подписки.
При этом не утратил человеческое лицо и даже умел пошутить в чате.

Я готовы помочь! Напишите в Telegram @korzh_igor и мы обсудим ваш проект: превратим вместе вашу мечту в реальность с коммерческой жилкой.

«Не бойтесь больших промтов — бойтесь ботов без оптимизации!»

- из народной мудрости разработчиков.

👉 КАНАЛ С АУДИООТЗЫВОМ О ДАННОМ ПРОЕКТЕ - РАЗРАБОТЧИК