Написал бота для поиска клиентов

2026-01-22 Николай Носков 11 мин #freelance #llm #python

TL;DR: собрал систему на Python + LLM, которая парсит Telegram-чаты, находит людей с конкретными болями и генерирует персонализированные сообщения для аутрича. 7 чатов по 1000 сообщений — стоимость анализа $0.11.

1. Проблема одного канала продаж

Два года я зарабатываю на фрилансе — делаю Telegram-ботов, Mini Apps и автоматизации для бизнеса. За это время вырос с 40 до 270 тысяч в месяц. Неплохо, но была проблема, которая не давала масштабироваться: все заказы приходили с одной фриланс-площадки.

Это работало, пока работало. Но возникали независящие от меня проблемы — у клиентов замораживались счета или откладывались проекты, и я оставался без денег и без понимания, где брать новых заказчиков. Конечно, тут есть и мои ошибки: например, не защитил себя от подобных рисков договорами. Классическая зависимость от одного канала.

Я пробовал диверсифицироваться:

Fiverr — 4 гига, ноль откликов за полгода (только мошенники писали). Хотя даже заграничную симку приобрёл для регистрации. Там неадекватная конкуренция с индусами и пакистанцами.
Telegram-канал — 9 подписчиков (привет, мама. а не, мамы даже там нет).

Проблема была системной: мне нужен стабильный поток лидов, которых можно обрабатывать, передавать стажёрам, масштабировать. Можно, конечно, руками искать по чатам и каналам народ с болью, однако ручной поиск в чатах не масштабируется.

2. Идея: автоматизировать то, что делаю руками

Я и раньше находил клиентов в Telegram-чатах. Заходил в чаты селлеров, логистов, инфобиз. Искал сообщения типа «посоветуйте бота для…» или «как автоматизировать…». Но это занимало часы, это реально нужно анализировать, думать, вчитываться, смотреть, что за пользователь, — было непредсказуемо и не масштабировалось.

Я играл в Factorio — и оттуда вновь вдохновился идеей тотальной автоматизации. В игре ты не таскаешь руду руками — строишь конвейеры, которые делают это за тебя. Потом автоматизируешь производство конвейеров. Потом — производство фабрик, которые производят уже сами конвейеры.

чат  ●────────▶ парсер
чат  ─●───────▶ парсер
чат  ───●─────▶ парсер
чат  ─────●───▶ парсер

В разработке я стараюсь делать то же самое. Автоматизирую документацию, скиллы для LLM, пайплайны контейнеров, деплой. Поэтому каждый повторяющийся шаг — отличный кандидат на автоматизацию.

И тогда пришла такая мысль: а почему бы не автоматизировать основной входящий ресурс — потенциальных заказчиков? Нужен был конвейер. Так родилась концепция Lead Finder.

3. Архитектура v1: Web Search (спойлер: не сработало)

Первая идея была очевидной (ну для меня…):

ниша «селлеры wildberries»
   ↓
Web Search ищет каналы
   ↓
Telethon парсит каналы
   ↓
GPT ищет у авторов боли
   ↓
карточка лида

Посидел, помыслил, как я это хочу видеть, — ТЗ на 442 строчки. Расписал каждый модуль. Закинул в Claude Code, и спустя день итераций получил кое-какой MVP.

Результат первого запуска:

Входная ниша: "селлеры wildberries"
Сгенерировано запросов: 5
Найдено каналов: 2
Успешно распарсено: 1
Квалифицировано: 0

Ноль лидов.

Web Search находил статьи ПРО каналы («Топ-10 каналов для селлеров»), а не сами каналы. Google плохо индексирует Telegram и весь его контент. Ну а личные каналы мелких предпринимателей вообще не в поиске — у них там 500 подписчиков.

Можно было бы интегрировать TGStat API, но это усложнение и траты на стадии MVP. Да и главное: даже если найти канал, это ещё не лид с болью. Это просто канал.

4. Архитектура v2: парсинг участников чатов

Тут вспомнил: ведь в начальном ручном методе работа была в основном не с каналами, а с чатами. Поиск по их содержанию, по участникам чата — для самой простой ниши (селлеры маркетплейсов) это иногда по 10к участников и тысячи сообщений за короткий срез времени.

Короче, мысль: один чат = сотни потенциальных лидов.

seed-чаты: @marketplace_pro, …
   ↓
1000 сообщений из чата
   ↓
только последние 10 дней
   ↓
LLM ищет болевые сообщения
   ↓
квалификация авторов
   ↓
карточки со ссылками на сообщения

Что изменилось концептуально:

v1	v2
Ищем каналы через интернет	Парсим людей из известных чатов
Надеемся найти владельца бизнеса	Видим реальные сообщения с болями
Холодный контакт в личку	Можем ответить на конкретное сообщение в чате
Масштаб: единицы каналов	Масштаб: сотни участников

чат 1000 сообщений
● ● ● ● ● ● ● ● ●
фильтр по боли
● ○ ○ ● ○ ○ ● ○ ○
карточки лидов
[1] [2] [3]

Результат: 7 чатов по 1000 сообщений. Стоимость анализа — $0.11. На выходе — список людей с конкретными болями, которые они сами написали за последние 10 дней.

5. Как выглядит результат

Карточка лида в Markdown-отчёте:

## Лид #1 — Оценка: 4/5

**Контакт:** @maxsmek
**Канал:** @max_seller_wb (1,240 подписчиков)

### Бизнес

Селлер Wildberries, ниша — товары для дома.
Судя по каналу, оборот 2-5 млн/мес. Ведёт канал сам, делится опытом.

### Болевые сообщения

**[2 дня назад]** в @marketplace_pro:

"Подскажите тг бота чтобы отслеживать остатки фактические
по складам... хоть как-нибудь, даже косвенно, чтобы успевать"

[Открыть сообщение →](https://t.me/marketplace_pro/8934)

**[5 дней назад]** в @wb_sellers:

"Кто автоматизировал ответы на отзывы? Трачу по 2 часа в день"

[Открыть сообщение →](https://t.me/wb_sellers/12847)

### Что предложить

Telegram-бот для мониторинга остатков по складам WB
с алертами при падении ниже порога.

### Готовое сообщение

"Макс, привет! Видел твой вопрос в чате про отслеживание
остатков по складам. Делаем как раз такие боты — мониторинг
в реальном времени + уведомления. Показать как работает?"

Ключевая фича — ссылки на сообщения

В итоге можно кликнуть на ссылку, перейти в чат и ответить прямо на вопрос человека. Это уже не холодный спам, а релевантный ответ на его публичный запрос. Так намного безопаснее, можно не так париться за блок аккаунта, хотя всё равно я создал отдельный аккаунт для этого дела.

Конверсия второго варианта выше на порядок. Ну, по идее. На практике пока только 1 из 6 ответил нормально, остальные просто проигнорировали. Но хотя бы не пожаловались.

6. Технические детали

Стек

Python 3.11 — основа
Telethon — Telegram API для парсинга
gpt-5.1 — для квалификации (через CometAPI, прокси-площадку, доступную в России)
Docker — для изоляции и Telegram-сессий
Claude Code — для разработки (раньше сидел на Cursor, но понял, что каждый раз в восторге, когда выбираю Claude, поэтому переехал полностью)

Как основная IDE — NeoVim, привык со времён Arch (сейчас на Mac переехал). Cursor иногда использую, но только для быстрого чтения и редактирования файлов.

Почему gpt-5.1 через CometAPI

Для квалификации использую gpt-5.1 через CometAPI — это прокси для OpenAI API, доступный в России. Оптимально по соотношению цена/качество. Сначала ехал на gpt-4.1, но посмотрел: input у обеих моделей одинаковый, output у 5.1 дороже, но он меня не интересует — мне надо именно загружать в него большое количество сообщений для анализа. Пробовал Claude Sonnet — дороже при сопоставимом качестве для этой задачи. Экономия на масштабе ощутимая.

ЭТО НЕ РЕКЛАМА!

Telethon и авторизация

Как уже говорил, для Telethon использую дополнительный аккаунт — с него же потом и пишу лидам. Сначала хотел сделать бота более общедоступным: авторизацию Telethon пропустить через самого бота. Но Telegram заметил подмену и запретил так делать. Поэтому пока использую только для себя — код ввожу в терминале вручную при создании файла сессии. Сессии храню просто: локальный файл, который Docker забирает себе. Создаётся изолированно при помощи отдельного скрипта вне контейнера.

Логика обработки сообщений

Берём 1000 сообщений из чата
Отсекаем всё старше 10 дней
Отправляем пачку в LLM для поиска болевых сообщений
Запоминаем авторов болевых сообщений
Квалифицируем каждого автора отдельно

Люди без личного канала тоже анализируются — просто у них ниже оценка, меньше гарантий, что это реально владелец бизнеса. Не отсекаю сразу.

Система оценок

Изначально делал 0–10, потом упростил до 0–5. Где 1 — уже потенциальный лид, но я работаю с оценкой от 2. Так проще фильтровать и меньше шума.

Web Search для обогащения

Изначально добавил поиск упоминаний в сети: username + ниша, имя + «отзывы». Но честно — пока не заметил конкретного буста в качестве квалификации. Траты есть, а выхлопа особого нет. Держу отключённым, может, потом докручу.

Защита от бана

Telegram банит за агрессивный парсинг. Реализовал три режима:

Режим	Задержка между чатами	Между запросами
fast	15-30 сек	1-2 сек
normal	30-60 сек	2-3 сек
careful	60-120 сек	3-5 сек

Плюс:

рандомизация всех интервалов (не ровно 3 сек, а 2.3–3.7);
лимит чатов за сессию;
обработка FloodWaitError — ждём, сколько сказали, плюс буфер.

За месяц использования — ни одного бана.

Структура проекта (v2)

lead_finder/
├── config.py             режимы безопасности
├── modules/              core-логика для CLI и бота
│   ├── input_handler.py  валидация входных данных
│   ├── members_parser.py парсинг участников
│   ├── qualifier.py      LLM-квалификация
│   ├── output.py         форматирование
│   └── enrichment/
│       ├── telegram.py   парсинг каналов лидов
│       └── web_search.py обогащение через поиск
├── bot/                  появится в v3
├── generate_session.py   создание Telethon-сессии
└── docker-compose.yml

7. Грабли и факапы

v1 с Web Search — главный провал

Потратил день на начальную архитектуру, которая не взлетела. Но это нормально: быстрые итерации важнее идеального плана. Переделал за день.

Claude Code уходит не туда

Конечно, это происходит постоянно. Самая частая проблема — забываешь прописать в инструкции, что нельзя трогать старый функционал. Начинает улучшать старые функции, которые работали. Откатываю через git, добавляю ограничение в промпт, еду дальше.

Ложноположительные

Система дала 4/5, а человек оказался не тем — конечно, бывает. Поэтому читаю карточки внимательно, а не спамлю всем подряд. LLM квалифицирует, но финальное решение — моё.

Авторизация через бота

Хотел красиво — чтобы пользователь авторизовывался прямо в боте. Telegram такое не пропустил. Пришлось откатиться к ручному вводу кода в терминале. Не масштабируется, но работает для личного использования.

8. Честные цифры

v2 (CLI)

Метрика	Значение
Время разработки v2	~8 часов чистого времени
Строк кода (core-модули)	~1500 (всё через Claude Code)
Стоимость анализа 7 чатов	$0.11

Использование

Метрика	Значение
Seed-чатов в базе	~30 (5 категорий по 4-8 чатов)
Активных программ в боте	3 (селлеры, edtech, smm)
Написал лидам	6
Ответили	1 (сказал «если потребуется — напишет»)
Конверсия в заказ	пока 0, но и выборка маленькая

Категории чатов: маркетплейсы, предприниматели, edtech, smm, риэлторы.

Честно — конверсия пока не впечатляет. Но система работает меньше месяца, выборка маленькая. Главное — процесс автоматизирован, я трачу минуты вместо часов на поиск.

9. v3: Telegram-бот

После того как CLI-версия заработала, захотелось полной автоматизации. Тратить время на ручные запуски — не масштабируется. За следующие несколько дней собрал полноценного Telegram-бота на aiogram 3.x.

Что получилось

Программы поиска — сохранённые конфигурации:

Название + ниша («Селлеры WB», «Инфобизнес»)
Список чатов для парсинга
Настройки (min_score, max_leads, обогащение)
Расписание автозапуска

Автозапуск по расписанию:

APScheduler интегрирован в бота
Каждая программа запускается в своё время
После завершения бот присылает уведомление с результатами

Дедупликация:

SQLAlchemy + PostgreSQL
Лиды с одним username не дублируются
История сохраняется, можно вернуться к старым

лид @maxsmek ──▶ уже в базе
лид @newlead ──▶ новый, в отчёт

Интерфейс через inline-кнопки:

Никаких команд — только кнопки
Создание программы — пошаговый диалог (FSM)
Карточки лидов приходят прямо в бот

Пример работы

Утром в 09:00:

🔔 Автозапуск завершён

📁 Селлеры WB
⏰ Запуск в 09:00

📊 Результаты:

• Новых лидов: 5

[👀 Посмотреть лидов]

Нажимаю кнопку — получаю карточки:

🎯 Лид #1 из 5

Программа: Селлеры WB

━━━━━━━━━━━━━

👤 @username

⭐ Оценка: 4/5

💼 Бизнес: Селлер на WB...

😤 Боли: Теряет заявки между Excel и мессенджерами

💡 Что предложить: Бот для сбора заявок...

📝 Сообщение для @username:

━━━━━━━━━━━━━

Привет! Видел твой вопрос про потерю заявок.
У нас есть готовое решение...

[⏭ Следующий лид]

Стек бота

aiogram 3.5 — асинхронный фреймворк для Telegram
SQLAlchemy 2.0 — ORM для базы
PostgreSQL — основная база на продакшене, SQLite для локальной разработки
APScheduler — планировщик задач
Docker — всё работает в контейнере

Метрика	Значение
Время разработки v3	~1 неделя (поверх v2)
Строк кода (бот + БД)	~1000 дополнительно

Что изменилось архитектурно

APScheduler ─▶ парсинг ─▶ LLM
    ─▶ PostgreSQL ─▶ карточки в бот

CLI-модули (members_parser, qualifier, enrichment) стали библиотекой — бот их импортирует и использует как есть. Не пришлось переписывать логику. Разделение на CLI и бот позволило оставить оба интерфейса:

CLI — для отладки, тестов, ручных прогонов
Бот — для ежедневного использования

Грабли с ботом

APScheduler и asyncio. Scheduler хотел синхронные job-функции, а весь код — async. Решение: обернул async-функции в asyncio.create_task().

База заблокирована (SQLite). Несколько одновременных запусков программ — database locked. Перешёл на PostgreSQL для проды, проблема ушла.

FSM-состояния терялись. Использовал MemoryStorage — при перезапуске бота состояния сбрасывались. Для продакшена можно RedisStorage, но пока живу с этим.

Ошибка .get() на None. LLM иногда возвращал product_idea: None вместо {}. Код падал с AttributeError. Исправил все места на .get(key) or {} вместо .get(key, {}).

10. Что дальше

v3 работает, но есть что улучшить:

Парсинг комментариев в каналах (сейчас только чаты)
Мониторинг новых сообщений в чатах в реальном времени
Скраппинг фриланс-площадок — Kwork, FL.ru
A/B тестирование сообщений аутрича

Про сервис для других: хотелось бы открыть как сервис, но мешает авторизация Telethon. Каждому пользователю нужна своя сессия, а Telegram не пропускает автоматизацию через ботов. Варианты:

Генерировать сессию вручную для каждого (не масштабируется)
Использовать Telegram Login Widget (пока не разобрался, как подружить с Telethon)
Ограничиться self-hosted версией с инструкцией

Пока использую только для себя. Если у кого есть идеи — пишите.

Реальный пример сообщения

🎯 Лид #14 из ??

Программа: Маркетплейсы

👤 @скроююзернейм
⭐ Оценка: 2/5

💭 С высокой вероятностью владелец или самостоятельно управляющий продавец на маркетплейсах. Есть явный запрос: отслеживать отзывы по кластерам на Ozon и WB. Боль формулируется как вопрос, без деталей объёма и последствий, поэтому глубина боли и формат решения пока неочевидны. Потенциально можно закрыть задачей по сбору и структурированию отзывов через парсер и дашборд, но нужно уточнение, что именно она хочет видеть под «кластерами».

💼 Бизнес:

Селлер на маркетплейсах Ozon и Wildberries (малый бизнес)

😤 Боли:

• «Подскажите, можно ли через какие либо программы отследить отзывы по кластерам ? На озон и вб»

💡 Что предложить:

Сервис/скрипт-парсер отзывов с Ozon и Wildberries с кластеризацией по темам и визуализацией в дашборде

✅ Решает: автоматический сбор и группировка отзывов по темам вместо ручного просмотра, что позволяет быстрее видеть типовые проблемы и запросы покупателей

💰 Ценность: экономия времени на ручной разбор отзывов, возможность оперативно видеть повторяющиеся проблемы и улучшать карточки/продукт по данным

📝 Сообщение для @тутимяпользователя:

ИМЯ, вы спрашивали в чате, можно ли отслеживать отзывы по кластерам на Ozon и WB. Это как раз можно сделать через парсер + небольшой дашборд: отзывы автоматически подтягиваются и группируются по темам (качество, доставка, размер и т.п.). Если интересно, могу показать, как это технически реализуется и что вы сможете видеть в отчётах, а вы поймёте, подходит ли это под ваши задачи.

11. Выводы

1. Автоматизируй свои процессы, а не только клиентские.

Вместо очередного бота для заказчика потратил 15 часов (8 на CLI + 7 на бота) на инструмент, который приносит заказчиков. ROI потенциально бесконечный.

2. LLM-first разработка работает.

Я не написал ни строчки кода руками — всё через Claude Code. От идеи до работающего MVP за 8 часов. От CLI до полноценного бота с базой и работой по расписанию — ещё неделя. Всем рекомендую. Кто читал статью про методологию — знает, о чём речь.

3. Провалы — часть процесса.

v1 с Web Search не сработала. Вместо того чтобы упираться, переделал архитектуру. v2 взлетела. Быстрые итерации важнее идеального плана. Провал — это информация, не приговор.

4. Документация — это контекст.

Каждую версию начинал с детального ТЗ. Это позволяло передавать контекст между сессиями Claude и не терять фокус. ТЗ — не бюрократия, это инструмент мышления. Особенно критично, когда разрабатываешь с LLM. Фиксирую все ошибки в отдельные ISSUES.md, каждая новая фича — новая документация, которая не должна конфликтовать с текущей реализацией. Каждый успешный запуск нового этапа — RESULT.md, в котором задокументирован пруф успеха.

5. Модульная архитектура окупается.

CLI-модули стали библиотекой для бота без переписывания. Разделение интерфейса (CLI/бот) и логики (парсинг/квалификация) позволило эволюционировать систему без заметных проблем. Хотя, возможно, есть незаметные.

Готов к гнилым помидорам. Как показывает практика — это только добавляет просмотров.