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

Если интересно, ниже указан канал с аудиоотзывом от заказчика о разработке данного проекта.

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.

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

Уже на этом этапе я насторожился:

Как говорится, «Вызов принят!».

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.

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:

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