Технический разбор: как внедрить ИИ-ассистента на Claude в рабочий Telegram-чат с доступом к кодовой базе

Почему ваш техлид сходит с ума от вопросов по коду

Каждый день в рабочем чате разработчиков появляются десятки вопросов: "Как работает этот модуль?", "Где лежит конфиг базы данных?", "Почему падает тест в ветке feature/auth?". Техлид тратит 30% времени на рутинные ответы, а новые сотрудники неделями не могут разобраться в проекте. Знакомая картина?

Решение - ИИ-ассистент, который знает ваш код лучше любого человека. Не просто ChatGPT с тупым контекстом, а умный агент с доступом ко всем репозиториям, способный отвечать на вопросы в Telegram-чате. Сегодня разберем, как собрать такого ассистента на Claude API - одном из самых продвинутых LLM на рынке.

Что получится: бот, который заменяет трех техлидов

После внедрения системы вы получите Telegram-бота, который:

• Отвечает на вопросы о кодовой базе на естественном языке
• Понимает контекст обсуждения в чате (последние 100 сообщений)
• Имеет доступ ко всем репозиториям компании через RAG-систему
• Может генерировать код, объяснять архитектуру, искать баги
• Работает 24/7 и не просит повышения зарплаты

И самое главное - он не выдумывает. Благодаря точному поиску по коду и строгому ограничению контекста, ответы всегда основаны на реальных файлах вашего проекта.

Архитектура: как заставить Claude читать ваш код

Система состоит из трех ключевых компонентов:

1. Telegram-бот на Python (библиотека python-telegram-bot версии 21.0+) - принимает сообщения, управляет диалогом
2. Claude API (модель Claude 3.5 Sonnet или новее) - ядро, обрабатывает запросы, генерирует ответы
3. Система индексации кода на базе ChromaDB или Qdrant - хранит векторы вашего кода, позволяет быстро находить релевантные фрагменты

Рабочий процесс: когда пользователь задает вопрос в Telegram, бот сначала ищет релевантные фрагменты кода в векторной базе, затем формирует промпт для Claude с контекстом чата и найденным кодом, получает ответ и отправляет его обратно в чат.

1 Готовим окружение: ключи, токены и репозитории

Первое, что нужно сделать - получить доступ к API. Для Claude нужен аккаунт в Anthropic и API-ключ. Для Telegram - создать бота через @BotFather и записать токен. И, конечно, доступ к вашим репозиториям.

# Устанавливаем зависимости
pip install anthropic python-telegram-bot chromadb gitpython

# Экспортируем ключи (никогда не храните их в коде!)
export ANTHROPIC_API_KEY="your_claude_key"
export TELEGRAM_BOT_TOKEN="your_bot_token"
export GITHUB_TOKEN="your_github_token"

2 Индексация кода: превращаем гигабайты в векторы

Самый важный этап. Нужно просканировать все репозитории, разбить код на осмысленные фрагменты (функции, классы, модули) и создать векторные embeddings.

import os
from git import Repo
import chromadb
from chromadb.utils import embedding_functions

def index_codebase(repo_path, chroma_collection):
    """Индексирует весь код в репозитории"""
    for root, dirs, files in os.walk(repo_path):
        for file in files:
            if file.endswith(('.py', '.js', '.ts', '.java', '.go', '.rs')):
                file_path = os.path.join(root, file)
                with open(file_path, 'r', encoding='utf-8') as f:
                    content = f.read()
                
                # Разбиваем файл на функции/классы
                chunks = split_code_into_chunks(content, file_path)
                
                for i, chunk in enumerate(chunks):
                    chroma_collection.add(
                        documents=[chunk['code']],
                        metadatas=[{
                            'file': file_path,
                            'type': chunk['type'],
                            'name': chunk['name']
                        }],
                        ids=[f"{file_path}_{i}"]
                    )

Ключевая задача здесь - качественное разбиение кода. Просто резать по символам не работает. Нужно сохранять семантическую целостность. Если ваш код на Python, используйте ast.parse для выделения функций и классов. Для других языков потребуются парсеры.

3 Ядро бота: соединяем Telegram и Claude

Теперь пишем основную логику бота. Он должен уметь:

• Хранить контекст диалога (последние N сообщений)
• При получении вопроса искать релевантный код
• Формировать промпт для Claude
• Обрабатывать ответ и отправлять его в чат

from telegram import Update
from telegram.ext import Application, MessageHandler, filters
import anthropic
import chromadb

class CodeAssistantBot:
    def __init__(self):
        self.claude = anthropic.Anthropic(api_key=os.environ['ANTHROPIC_API_KEY'])
        self.chroma_client = chromadb.PersistentClient(path="./chroma_db")
        self.collection = self.chroma_client.get_collection("codebase")
        
        # Контекст чата: {chat_id: [messages]}
        self.chat_context = {}
    
    async def handle_message(self, update: Update, context):
        user_message = update.message.text
        chat_id = update.effective_chat.id
        
        # 1. Ищем релевантный код
        relevant_code = self.search_relevant_code(user_message)
        
        # 2. Обновляем контекст чата
        if chat_id not in self.chat_context:
            self.chat_context[chat_id] = []
        
        self.chat_context[chat_id].append({"role": "user", "content": user_message})
        
        # 3. Формируем промпт для Claude
        prompt = self.build_prompt(user_message, relevant_code, self.chat_context[chat_id])
        
        # 4. Отправляем запрос к Claude
        response = self.claude.messages.create(
            model="claude-3-5-sonnet-20241022",  # Актуальная модель на 2026 год
            max_tokens=1000,
            messages=[{"role": "user", "content": prompt}]
        )
        
        # 5. Отправляем ответ в Telegram
        await update.message.reply_text(response.content[0].text)
        
        # 6. Сохраняем ответ в контекст
        self.chat_context[chat_id].append({"role": "assistant", "content": response.content[0].text})
        
        # Ограничиваем размер контекста (последние 20 сообщений)
        self.chat_context[chat_id] = self.chat_context[chat_id][-20:]

4 Поиск кода: умнее, чем grep

Метод search_relevant_code - сердце системы. Простой подход: использовать векторный поиск по embeddings кода. Но для кода этого часто недостаточно. Лучше комбинировать:

1. Векторный поиск по семантике
2. Поиск по именам функций/классов (полнотекстовый)
3. Поиск по путям файлов

def search_relevant_code(self, query, n_results=5):
    """Ищет релевантные фрагменты кода"""
    # 1. Векторный поиск
    vector_results = self.collection.query(
        query_texts=[query],
        n_results=n_results
    )
    
    # 2. Полнотекстовый поиск по метаданным
    # (упрощенный пример, в реальности используйте Elasticsearch или что-то подобное)
    all_docs = self.collection.get()
    text_results = []
    for doc, metadata in zip(all_docs['documents'], all_docs['metadatas']):
        if query.lower() in metadata['name'].lower():
            text_results.append(doc)
    
    # Объединяем и удаляем дубликаты
    combined = list(set(vector_results['documents'][0] + text_results))
    return combined[:n_results]

Для больших проектов стоит добавить кэширование результатов поиска. И обязательно тестируйте качество поиска на реальных вопросах разработчиков.

5 Промпт-инжиниринг: как говорить с Claude

Качество ответов на 90% зависит от того, как вы формируете промпт. Claude - одна из самых "умных" моделей, но ей нужны четкие инструкции.

def build_prompt(self, user_query, relevant_code, chat_history):
    """Строит промпт для Claude с контекстом чата и кодом"""
    
    # Форматируем историю чата
    history_text = ""
    for msg in chat_history[-10:]:  # Берем последние 10 сообщений
        role = "Human" if msg["role"] == "user" else "Assistant"
        history_text += f"{role}: {msg['content']}\n\n"
    
    # Форматируем найденный код
    code_text = ""
    for i, code in enumerate(relevant_code):
        code_text += f"Фрагмент кода {i+1}:\n\n{code}\n\n\n"
    
    prompt = f"""Ты - ИИ-ассистент разработчиков в компании. У тебя есть доступ к кодовой базе проекта.

Контекст текущего обсуждения в чате:
{history_text}

Релевантные фрагменты кода из базы:
{code_text}

Текущий вопрос: {user_query}

Правила:
1. Отвечай только на основе предоставленного кода и контекста чата
2. Если информации недостаточно, скажи об этом честно
3. Не выдумывай несуществующие функции или классы
4. Если вопрос про архитектуру - объясни связи между модулями
5. Форматируй ответ: кратко, по делу, с примерами кода при необходимости

Ответ:"""
    
    return prompt

6 Деплой: куда запускать и как масштабировать

Самый простой вариант - запустить бота на виртуальной машине (например, на DigitalOcean или аналогичном сервисе). Но для production-нагрузки лучше использовать контейнеры и оркестратор.

# Dockerfile
FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install -r requirements.txt

COPY . .

CMD ["python", "bot.py"]

# docker-compose.yml
version: '3.8'
services:
  bot:
    build: .
    environment:
      - ANTHROPIC_API_KEY=${ANTHROPIC_API_KEY}
      - TELEGRAM_BOT_TOKEN=${TELEGRAM_BOT_TOKEN}
      - GITHUB_TOKEN=${GITHUB_TOKEN}
    volumes:
      - ./chroma_db:/app/chroma_db
    restart: always

Для индексации кода создайте отдельный сервис, который запускается по расписанию (cron) или при обновлении репозитория (webhook от GitHub).

Подводные камни: что сломается первым

За 3 года внедрения таких систем в разных компаниях я собрал топ-5 ошибок:

FAQ: ответы на вопросы, которые вы зададите через неделю

Что дальше? От бота к автономным агентам

Текущая система - только первый шаг. Дальше можно развивать в нескольких направлениях:

• Автоматические ревью кода - бот может комментировать пулл-реквесты, предлагать улучшения
• Поиск уязвимостей - интеграция с SAST-инструментами, анализ кода на безопасность
• Документирование - автогенерация документации по запросу
• Мультиагентные системы - несколько специализированных ИИ, как в статье про 17 AI-агентов

Самое интересное - когда бот начинает не только отвечать на вопросы, но и proactive действовать: "Я заметил, что в модуле payment нет обработки ошибок сети. Хотите, чтобы я добавил retry-логику?"

Главный совет на последок: начните с малого. Возьмите один репозиторий, сделайте прототип за выходные, покажите команде. Если понравится - масштабируйте. Если нет - вы потратили 48 часов, а не 3 месяца.

И помните: ИИ-ассистент не заменит разработчиков. Он заменит рутину. Освободит время для того, что действительно важно - создания нового, а не поиска старого.

А у вас в компании уже есть ИИ-помощник? Делитесь опытом в комментариях.

Подписаться на канал