Вайбкодинг: Как сделать бота в Телеграме за 2 часа?

Я основатель и руководитель компании Абистеп, где мы делаем онлайн-продукты: сайты, Telegram ботов и мини-приложения.

В последнее время мы активно применяем гибридный формат разработки (ИИ+ кастом), где ИИ нам заменил дизайнеров, UX и все больше и больше написание кода.

Разработчики подхватывают написанный нейронками код и работают с ним, редактируют, правят и дополняют.

Сам я не разработчик, а больше менеджер с уклоном в маркетинг. В 2025 году я часто слышал про вайбкодинг и видел, как люди "балуются" с программированием через нейронки. Мне стало интересное направление вайбкодерства, я начал пробовать и меня затянуло.

Для тех, кто не знает, что такое вайбкодинг — это способ делать программы и сервисы не зная классического программирования, а управляя процессом через смысл, логику и общение с ИИ. Ты пишешь ИИ задание в виде текста и он начинает генерировать код.

Итак, мне нужен был Telegram-бот, который автоматически выдаёт материалы (чек-листы, PDF, ссылки) по кодовому слову.

До этого у меня было два варианта:

1. отправлять материалы людям вручную;

2. использовать конструктор ботов.

У меня уже был Telegram-бот, собранный на конструкторе. И за него приходилось платить 1000 рублей в месяц. При этом функционал был довольно простой.

В какой-то момент я подумал: «Почему я каждый месяц плачу за то, что потенциально могу сделать сам?»

И, обучаясь вайбкодингу, я решил собрать этого бота самостоятельно — с помощью ИИ.

Два часа на запуск: как распределилось время

Весь процесс был разбит на два основных этапа:

1. Первый час — архитектура и техническое задание
2. Второй час — генерация кода и отладка
   

Именно такой порядок оказался критически важным. Частая ошибка новичков — сразу просить ИИ «написать бота». С таких подходом вам будет гораздо сложнее добиться от ИИ нормального результата.

Причина довольно известная — контекстный лимит нейросетей:

1. чем больше и хаотичнее диалог, тем хуже итог;
2. если нет чёткого ТЗ, ИИ начинает «додумывать» архитектуру за вас;
   
3. в итоге получается не проект, а набор догадок.
   

На практике гораздо эффективнее сначала использовать ИИ в роли архитектора, а уже потом — как исполнителя.

Шаг 1. Подготовка технического задания с помощью ИИ

Техническое задание не писалось вручную и не держалось «в голове». Вместо этого в нейросеть были переданы сырые требования в свободной форме:

1. логика поведения бота на каждом этапе (старт, выдача материалов, подписка);
2. сценарии на случай нестандартных действий пользователя;
   
3. конкретный технологический стек, чтобы избежать размытых решений.
   

Ключевой промпт выглядел так:

Очень важно попросить ИИ указать на слабые места, задать уточняющие вопросы и только после этого составлять пошаговый план реализации функционала.

Далее процесс шёл в несколько итераций вопрос–ответ. ИИ уточнял логику, пограничные сценарии и технические детали, а ответы постепенно дополняли и уточняли требования.

Коротко структура выглядела так:

1. Стек:

— Python 3.11+

— aiogram 3.x

— MongoDB — основное хранилище

— Redis — кэш подписки

— Docker + Docker Compose

2. Логика бота:

— /start → приветствие и меню

— ввод кодового слова → описание материала

— задержка 2 секунды

— запрос email (FSM):

— проверка подписки на канал

— выдача файла или запрос подписки

3. Состояния (FSM):

— waiting_for_email

— waiting_for_subscription

4. Хранение данных:

— коллекция leads в MongoDB

— user_id, email, статус подписки, количество скачиваний

5. Логирование:

— INFO / ERROR / DEBUG

— отдельная папка с логами внутри Docker

Это уже структурированный технический документ, а не абстрактное описание идеи. Такой формат сразу подходит для передачи в разработку — как человеку, так и ИИ.

Шаг 2. Генерация кода по готовому ТЗ

Подготовленное ТЗ было загружено в среду разработки с ИИ-ассистентом (в данном случае — Google Antigravity). Когда у модели есть чёткая архитектура и пошаговые инструкции, она перестаёт «фантазировать» и генерирует вполне рабочую основу продукта.

На этом этапе ИИ закрыл большую часть рутинной работы: структуру проекта, базовую логику, обработчики событий и взаимодействие с API.

Про инструмент — почему Google Antigravity?

Я выбирал между Cursor, Claude Code и Google Antigravity.

В итоге начал с Google Antigravity, потому что:

1. это единая экосистема Google;
2. удобно работать с файлами и проектной структурой;
   
3. есть поддержка кодовых блоков и логических шагов;
   
4. можно использовать разные модели;
   
5. и важный плюс — более частое обновление лимитов токенов Gemini по сравнению с конкурентами, что сильно упрощает итерации.
   

По факту, я просто начал с него — и он закрыл все мои задачи.

Шаг 3. Финальная проверка и отладка

Несмотря на высокую скорость генерации, ИИ не заменяет разработчика полностью. С первого запуска бот не заработал корректно. Однако благодаря заранее внедрённому логированию причина ошибки была найдена быстро.

Логирование было заложено сразу, ещё на этапе ТЗ. Это было осознанное требование, а не инициатива ИИ.

Пример реальной строки из лога:

2024-11-18 21:43:12 INFO User 123456789 selected keyword: "Система"

Логи указали на проблему с уникальным ключом бота — использовался токен от старого, уже активного инстанса.

Решение заняло не больше 10 минут:

1. проверка логов;
2. отключение старого инстанса;
   
3. генерация нового ключа;
   
4. обновление переменных окружения.
   

После этого бот стабильно заработал — без костылей, ручных правок и дальнейших сбоев, полностью соответствуя изначальной логике и сценарию, заложенным на этапе архитектуры.

Текущий статус проекта

Сейчас бот работает, он запущен в Docker на локальном сервере, а я продолжаю добавлять:

1. ключевые слова,
2. чек-листы,
   
3. и планирую сделать админку, чтобы использовать бота как мини-конструктор.
   

После этого — деплой в продакшен.

Гибридная разработка как новая норма

Этот кейс наглядно показывает, как работает гибридный подход к разработке:

1. человек задаёт архитектуру в начале;
2. ИИ быстро создаёт основу продукта;
   
3. разработчик подключается на этапе проверки и исправления критических ошибок.
   

В результате получается рабочий продукт за вечер, а не за неделю. Экономия времени достигается не за счёт «магии ИИ», а благодаря правильному распределению ролей между человеком и ИИ.

Вывод

ИИ сильно ускоряет разработку, если использовать его не наобум, а по шагам. Когда есть понятное ТЗ, продуманная логика и финальная проверка, идеи быстро превращаются в работающие продукты — без хаоса и сюрпризов.

И напоследок — три “совета другу”, который хочет повторить мой опыт:

1. Сначала опиши логику словами:

Кто что нажимает → что отвечает бот → какие есть ветки. Без этого ИИ будет гадать.

2. Попроси ИИ задавать вопросы, а не писать код:

Лучший промпт: «Действуй как Senior Developer. Проанализируй требования, найди слабые места, задай уточняющие вопросы — и только потом составь план».

3. Делай функционал по шагам:

Один сценарий = один чат / одна итерация. Не пытайся «сделать всё сразу» — получишь кашу.