Wyszukiwanie semantyczne w botach Telegram dla społeczności

Bot Telegram z wyszukiwaniem semantycznym do automatyzacji społeczności biznesowych

W społeczności 120 przedsiębiorców ręczne poszukiwanie ekspertów pochłaniało godziny, zapisy na wydarzenia wymagały koordynacji przez prywatne wiadomości, a ranking aktywności prowadzono w tabelach. Aplikacja Telegram oparta na AI zlikwidowała te wąskie gardła: wektorowe wyszukiwanie po profilach uczestników znajduje specjalistów na podstawie sensu zapytania w sekundy, ranking naliczany jest automatycznie, a zapisy na wydarzenia – jednym kliknięciem. System wykorzystuje FAISS do przechowywania wektorów i GPT do strukturyzacji tekstów, zapewniając trafność bez słów kluczowych.

Problemy wzrostu: trzy kluczowe wąskie gardła

Przy rozwoju społeczności ujawniły się systemowe ograniczenia:

• Wyszukiwanie ekspertów: Niemożliwe zapamiętanie ponad 100 specjalizacji. Zapytania w czacie typu „kto w logistyce?” ginęły, a właściwa osoba nie reagowała.
• Organizacja wydarzeń: 5–7 godzin tygodniowo na listy, przypomnienia i korekty. Nie skaluje się.
• Śledzenie aktywności: Ręczne tabele rejestrowały tylko jawne „dziękuję”, ignorując rzeczywisty wkład.

Te problemy są typowe dla społeczności opartych na czatach. Rozwiązanie – przejście od wyszukiwania tekstowego do wektorowego przedstawienia profili.

Architektura wyszukiwania AI: od tekstu do wektorów

Wypełnianie i strukturyzacja profili

Każdy uczestnik wypełnia swobodny tekst: doświadczenie, kompetencje, case studies. Model GPT (oparty na OpenAI) parsuje go na trzy warstwy:

• Krótka esencja (10–15 słów, 55% wagi): Główne cechy.
• Szczegółowy opis (30% wagi): Pełny zestaw umiejętności.
• Kontekst (15% wagi): Hobby, zainteresowania.

Dzięki temu uwzględnia różne style opisów. Na przykład „pomoc z wizami” znajdzie profil z „relokacją firmy”.

Wektoryzacja i przechowywanie

Każda warstwa przekształcana jest w wektor (∼3000 wymiarów) za pomocą modelu embeddingów. Wektory przechowywane są w FAISS – bibliotece do szybkiego wyszukiwania najbliższych sąsiadów (approximate nearest neighbors).

Algorytm:

• Zapytanie użytkownika („Istota: wizy do Włoch”) wektoryzowane.
• FAISS znajduje 10–15 najbliższych profili.
• Model „audytor” sprawdza trafność, ranguje z uwzględnieniem rankingu aktywności.

Rezultat: top-3 kandydatów z wysokim podobieństwem semantycznym, nawet bez dokładnych zbieżności.

Automatyczny ranking na Telethon i PostgreSQL

Bot monitoruje czat przez Telethon:

• „Dziękuję” +1 punkt.
• Organizacja masterminda: +100.
• Uczestnictwo w wydarzeniu: +30.

Dane agregowane w PostgreSQL. Ranking wpływa na:

• Priorytet w wyszukiwaniu.
• Dostęp do limitowanych wydarzeń.

Tworzy to przejrzystą reputację: aktywni uczestnicy awansują w wynikach.

# Przykład pseudokodu monitoringu (Python + Telethon)
from telethon import TelegramClient

async def monitor_thanks(client, chat_id):
    async for message in client.iter_messages(chat_id):
        if 'dziękuję' in message.text.lower():
            add_karma(message.reply_to_msg_id, 1)

Kalendarz wydarzeń: od ręcznych list do self-service

Integracja kalendarza w bocie: ogłoszenia → przycisk „zapisz się” → automatyczne dodanie do PostgreSQL. Bez korespondencji, przypomnienia generuje bot. Skaluje się na setki uczestników bez dodatkowego wysiłku.

Co najważniejsze

• Semantyczne wyszukiwanie na FAISS + GPT zapewnia dokładność 80–90% bez słów kluczowych.
• Wektorowe przedstawienie profili (3 warstwy z wagami) dostosowuje się do niestrukturyzowanych tekstów.
• Automatyzacja rankingu przez Telethon redukuje pracę ręczną o 100%.
• Integracja kalendarza upraszcza organizację wydarzeń 10-krotnie.
• Podejście nadaje się do dowolnych społeczności Telegram: od zespołów IT po kluby biznesowe.

— Editorial Team