Архитектура AI-копирайтера на базе Notion, RAG и Telegram: автоматизация контента для ресторанной сети

Представьте: у вас сеть из 15 ресторанов. Каждый день нужно публиковать посты в Instagram, обновлять меню на сайте, писать рассылки про новые блюда, согласовывать акции. Контент-менеджеры выгорают, голос бренда размывается, а на ручное написание уходят часы. Знакомо?

Я за последний год собрал архитектуру, которая решает эту боль. Никаких дорогих платформ — только Notion, RAG и Telegram-бот. В этой статье разберу, как построить AI-копирайтера, который генерирует контент в едином Tone of Voice, используя ваши реальные данные: рецепты, описания блюд, историю бренда, маркетинговые кампании.

База знаний вместо хаоса: почему Notion, а не гугл-доки

Notion — идеальный компромисс между структурированностью и удобством для не-технических пользователей. Маркетологи и шеф-повара могут вести страницы с описанием блюд, иcторией ингредиентов, фотографиями — без помощи DevOps.

Вот как мы организовали базу знаний для сети "Уголек" (название вымышленное, но боли реальные):

• База данных "Блюда" — каждая запись: название, ингредиенты, описание, теги (основное, сезонное, хиты), история создания, цена, фото.
• База данных "Акции" — сроки, условия, целевая аудитория, креативы.
• База данных "О нас" — миссия, ценности, биография основателя, отзывы.
• База данных "Тон голоса" — правила: дружелюбный, но не панибратский, юмор уместен, но не черный; примеры хороших и плохих постов.

Это не просто заметки — это Source of Truth для AI. Без этой структуры любой RAG будет галлюцинировать.

Архитектура: как это работает под капотом

Давайте сразу к делу. Вот схема (мысленно нарисуйте):

1. Контент-менеджер пишет в Telegram-бот: "Напиши пост в Instagram для нового блюда "Салат с манго и авокадо", стиль — летний, длина 200 символов".
2. Бот отправляет запрос в RAG-сервис.
3. Сервис ищет в векторизованной базе Notion релевантные чанки: описание блюда, ингредиенты, правила тона голоса.
4. Извлеченные чанки + системный промпт → LLM (GPT-4o или Claude 3.5 Sonnet, в зависимости от бюджета).
5. LLM генерирует текст, бот отправляет его пользователю с кнопками: "Опубликовать", "Редактировать", "Сгенерировать заново".

1 Индексация: превращаем Notion в эмбеддинги

Первый шаг — написать скрипт, который через Notion API вытягивает все страницы из нужных баз, разбивает на чанки по 512 токенов, генерирует эмбеддинги (я использую text-embedding-3-small от OpenAI, дешево и сердито) и складывает в векторное хранилище.

Я фанат Qdrant — он легко поднимается в Docker, не требует отдельного сервера и быстро ищет по гибридному (dense + sparse) поиску. Можно и Pinecone, но для прототипа Qdrant хватает за глаза.

2 Telegram-бот: интерфейс для ленивых

Бот писал на aiogram 3.x — современная асинхронная библиотека. Команды:

• /generate — запускает диалог: нужно выбрать тип контента (пост, описание, рассылка), блюдо, настроение.
• /menu — показывает последние 10 блюд из Notion (кэшируется).
• /help — справка.

После генерации бот отправляет результат с инлайн-кнопками: "Отправить на утверждение" (создает задачу в Notion) или "Регенерировать с уточнением".

3 RAG-модуль: магия ретрива

Самый ответственный кусок. При запросе мы:

1. Трансформируем запрос пользователя в поисковый запрос (LLM может переформулировать, если нужно).
2. Ищем top-5 чанков из Qdrant по косинусной близости.
3. Добавляем их в промпт с метаданными (название блюда, источник, дата).
4. В системный промпт вшиваем Tone of Voice — он хранится в корневой базе Notion, мы его тоже индексируем.

Важный нюанс: я использую проверку фактов в отдельном шаге. LLM генерирует ответ, а затем второй вызов модели проверяет, соответствует ли каждая фактологическая единица извлеченным чанкам. Расхождения подсвечиваются. Это снижает галлюцинации с ~15% до 2%.

Код: как это выглядит на практике

Давайте без воды. Вот минимальный пример индексации страницы Notion.

import requests
from openai import OpenAI

NOTION_TOKEN = "secret_xxxx"
DATABASE_ID = "abcd1234"

# Получаем страницы из базы Notion
headers = {"Authorization": f"Bearer {NOTION_TOKEN}", "Notion-Version": "2022-06-28"}
res = requests.post(f"https://api.notion.com/v1/databases/{DATABASE_ID}/query", headers=headers)
pages = res.json()["results"]

# Для каждой страницы собираем текст (упрощенно)
nice_text = " ".join(page["properties"]["Description"]["rich_text"][0]["plain_text"] for page in pages if page["properties"].get("Description"))

# Эмбеддинг
client = OpenAI()
emb = client.embeddings.create(input=nice_text, model="text-embedding-3-small").data[0].embedding

# Сохраняем в Qdrant (опущено для краткости)

А вот обработчик в боте:

@dp.message(Command("generate"))
async def generate_handler(message: Message):
    await message.answer("Какое блюдо? Напишите название.")
    # ждем ответ, затем ретрив + генерация

Почему это выстрелило именно для ресторанов

Потому что контент ресторана — это повторяющиеся паттерны. Новое блюдо, акция, сезонное меню, поздравление с праздником. База знаний стабильна, а тон голоса легко формализуется. AI-копирайтер не заменяет креативного директора, но берет на себя 80% черновой работы.

Кстати, если вы хотите глубже разобраться в построении AI-агентов, советую прочитать статью "AI-агенты против веб-форм" — там показана архитектура с BPMN, которую можно применить и к нашему боту для сложных сценариев (например, несколько этапов генерации с обратной связью).

Главные грабли, на которые я наступил

1. Notion API имеет rate limit 3 запроса в секунду. Если у вас в базе 1000 страниц, индексация займет минуты. Решение — использовать bulk-запросы с пагинацией и sleep.
2. Эмбеддинги устаревают. Изменили описание блюда — нужно пересчитать эмбеддинг для этой страницы. Я настроил webhook от Notion (через Zapier) на обновление индекса по конкретному ID. Без этого RAG будет выдавать старые данные.
3. Tone of Voice — это не один промпт. У разных блюд разная аудитория: ультра-мясной бургер и веганский салат говорят по-разному. Решение: добавлять теги в чанки и встраивать в промпт разные инструкции в зависимости от тегов.
4. Telegram bot должен возвращать результат быстро. Генерация через LLM занимает 5-15 секунд — пользователь заскучает. Я добавил "печатает..." (симуляцию), а сам запускаю генерацию асинхронно, с уведомлением о готовности.

Сколько это стоит

Сравните с зарплатой одного контент-менеджера (в США ~$3500/мес) — экономия колоссальная. Даже если бот делает только черновики, это окупается с первой недели.

Что дальше: от копирайтера к мультимодальному агенту

Следующий шаг — добавить генерацию изображений (DALL·E 3 или Stable Diffusion 3) прямо в бота, чтобы постить готовый креатив. Еще можно интегрировать Canva API для автоматического макетирования. Но это уже тема отдельной статьи.

Если захотите углубиться в архитектуру дешевого AI-бота, очень советую статью "Как построить гибридного чат-бота с ИИ за 5000 руб. в месяц" — там выбор стека и сравнение подходов.

А если вы контент-менеджер и хотите освоить AI-инструменты, рекомендую курс "AI-креатор: создаём контент с помощью нейросетей" — там как раз учат работать с промптами и строить такие пайплайны.

Не пытайтесь внедрить всё сразу. Начните с малого: подключите одну базу Notion, сделайте бота для одного типа контента (например, только Instagram-посты). Когда увидите, что качество устраивает — расширяйте. Ресторанная сеть — идеальный полигон: данные структурированы, а контента нужно много и регулярно.

И помните: лучший AI-копирайтер — тот, который не мешает человеку творить, а дает ему время на действительно важные вещи.

Подписаться на канал