Как создать бота‑предсказателя в WhatsApp: от no‑code до собственной ML‑модели

Идея создать бота-предсказателя в WhatsApp звучит заманчиво: от развлекательного «Шара судьбы» до серьезного инструмента для прогнозирования трендов или личных финансов. В этой статье мы разберем все способы реализации — от нулевого кодирования (no-code) до разработки собственного ML-модели с интеграцией через WhatsApp Business API.

Определение концепции: Что именно будет предсказывать ваш бот?

Прежде чем писать код или настраивать конструктор, определитесь с типом «предсказателя»:

• Развлекательный (Magic 8-Ball): Выдает случайные ответы («Да», «Нет», «Спроси позже», «Звезды говорят да»). Идеально для развлечения друзей или вовлечения аудитории.
• Астрологический / Нумерологический: Рассчитывает гороскоп, совместимость или число судьбы по дате рождения пользователя.
• ИИ-советник (LLM-based): Использует большие языковые модели (GPT, Llama, локальные модели) для генерации советов, сценариев будущего или анализа ситуации на основе контекста диалога.
• Аналитический / Бизнес-прогноз: Подключается к базам данных, использует временные ряды (ARIMA, Prophet, LSTM) для прогноза продаж, курсов валют, погоды или трафика.

Путь 1: No-code конструкторы (Самый быстрый старт)

Если вам нужен работающий бот «вчера» и вы не хотите возиться с серверами и кодом — используйте официальные партнеры Meta (BSP) или визуальные билдеры.

Популярные платформы:

1. ManyChat / Chatfuel / SendPulse: Отличные визуальные редакторы блок-схем. Поддерживают кнопки, картинки, задержки ответов.
2. BotHelp / Salebot / Aimylogic: Популярны в СНГ, имеют готовые шаблоны и интеграцию с CRM.
3. Nocode-интеграции (Make, n8n, Zapier): Позволяют соединить WhatsApp с Google Sheets (как базой предсказаний) или OpenAI API без кода.

Пример логики для «Шары судьбы» в конструкторе:

• Триггер: Входящее сообщение (ключевое слово «Предсказание» или любое сообщение).
• Действие (Код/Функция): Генерация случайного числа от 1 до N.
• Условия (Роутинг): Если 1 -> «Бесспорно», Если 2 -> «Мне кажется — да»… и т.д.
• Ответ: Отправка текста пользователю.

Плюсы: Запуск за 15 минут, хостинг на стороне платформы, удобная аналитика.
Минусы: Ежемесячная плата, ограничения логики, зависимость от стороннего сервиса, сложно внедрить кастомную ML-модель.

Путь 2: Собственный бот на Python (Полный контроль + ИИ)

Это профессиональный подход. Вам понадобятся:

• Сервер (VPS) или облачная функция (AWS Lambda, Yandex Cloud Functions, Google Cloud Run).
• Аккаунт Meta for Developers и настроенный WhatsApp Business API (через Meta напрямую или провайдеров: 360dialog, Twilio, Wazzup, Green-API).
• Python 3.10+ и библиотеки: flask/fastapi, requests, openai (или transformers для локальных моделей).

Архитектура «Умного предсказателя» на LLM:

User (WhatsApp) 
 -> Meta Cloud API / Provider 
 -> Ваш Webhook (HTTPS POST) 
 -> Ваш Backend (Python) 
 -> Логика / Prompt Engineering 
 -> LLM API (OpenAI / Local Llama) 
 -> Ответ -> User

Минимальный рабочий пример (FastAPI + OpenAI):

# main.py
from fastapi import FastAPI, Request, Header, HTTPException
from pydantic import BaseModel
import openai
import os
import uvicorn

app = FastAPI
openai.api_key = os;getenv("OPENAI_API_KEY")
VERIFY_TOKEN = os.getenv("WHATSAPP_VERIFY_TOKEN") # Токен для верификации вебхука

@app.get("/webhook")
async def verify_webhook(hub_mode: str = "", hub_challenge: str = "", hub_verify_token: str = ""):
 if hub_mode == "subscribe" and hub_verify_token == VERIFY_TOKEN:
 return int(hub_challenge)
 raise HTTPException(status_code=403, detail="Verification failed")

class WhatsAppMessage(BaseModel):
 object: str
 entry: list

@app.post("/webhook")
async def receive_message(body: WhatsAppMessage, x_hub_signature_256: str = Header(None)):
 # Тут должна быть проверка подписи X-Hub-Signature-256 для безопасности!
 
 for entry in body.entry:
 for change in entry.get("changes", []):
 value = change.get("value", {})
 messages = value.get("messages", [])
 contacts = value.get("contacts", [])
 
 for msg in messages:
 if msg["type"] == "text":
 user_phone = msg["from"]
 user_text = msg["text"]["body"]
 
 # 1. Формируем промпт для "Предсказателя"
 system_prompt = """Ты, Мистический Предсказатель. Отвечай загадочно, метафорично, но по существу. 
 Не давай медицинских, юридических или финансовых советов. Используй эмодзи 🔮✨."""
 
 # 2. Вызов LLM
 try:
 completion = openai.chat.completions.create(
 model="gpt-4o-mini", # Быстрая и дешевая модель
 messages=[
 {"role": "system", "content": system_prompt},
 {"role": "user", "content": user_text}
 ],
 temperature=0.8,
 max_tokens=150
 ) prediction = completion.choices[0].message.content
 except Exception as e:
 prediction = "Туман застилает мою сферу... Попробуй позже. 🌫️"
 print(f"OpenAI Error: {e}")

 # 3. Отправка ответа обратно в WhatsApp (через Graph API)
 send_whatsapp_message(user_phone, prediction)
 
 return {"status": "ok"}

def send_whatsapp_message(to: str, text: str):
 # Реализация отправки через requests к Graph API Meta или API провайдера
 # POST https://graph.facebook.com/v19.0/{PHONE_NUMBER_ID}/messages
 # Headers: Authorization: Bearer {ACCESS_TOKEN}
 # JSON: {"messaging_product": "whatsapp", "to": to, "type": "text", "text": {"body": text}}
 pass

if __name__ == "__main__":
 uvicorn.run(app, host="0.0.0.0", port=8000)

Путь 3: Локальные ML-модели (TensorFlow / PyTorch) — для офлайн и приватности

Если вы хотите запустить модель бесплатно на своем железе и без отправки данных третьим лицам, используйте открытые LLM (Llama 3, Mistral, Gemma) через llama.cpp (Python биндинг llama-cpp-python) или классические NLP модели.

Важный нюанс про токенизацию (связано с вашим фрагментом про UNK):

При обучении собственной модели» с нуля (не дообучении, а именно обучении токенизатора и модели с нуля) вы столкнетесь с понятием UNK (Unknown) токена.

UNK Token — это специальный токен (обычно [UNK] или <unk>), который заменяет все слова, не вошедшие в словарь (vocabulary).

В коде подготовки данных (как в вашем примере из StackOverflow/TensorFlow) это выглядит так:

# Пример логики build_dataset
vocabulary_size = 50000
count = [['UNK', -1]] # UNK токен всегда индекс 0
count.extend(collections.Counter(words).most_common(vocabulary_size ౼ 1))

dictionary = dict
for word, _ in count:
 dictionary[word] = len(dictionary)

data = list
unk_count = 0
for word in words:
 index = dictionary.get(word, 0) # 0 — это индекс UNK
 if index == 0: 
 unk_count += 1
 data.append(index)
count[0][1] = unk_count