Как с нуля собрать простого Telegram-бота в Make
Мы начинаем с подключения бота через webhook, настраиваем триггер на получение сообщений и делаем эхо-бота, который отвечает тем же текстом, что получил.
Затем я добавляю интеграцию с Giphy — бот ищет и отправляет гифки по ключевым словам, а чтобы всё работало красиво, я настраиваю отправку гифок в виде видео с подписью.
По ходу объясняю, как устроены сценарии в Make, где искать нужные переменные, как тестировать модули и на что обращать внимание при работе с API и лимитами на бесплатном тарифе.
Как подключать и использовать различные AI-модели внутри Make
От GPT-4o до Gemini и Groq. Мы создаём переменные для системного промта и пользовательского ввода, чтобы не дублировать их в каждом модуле, и тестируем генерацию четверостиший по заданной теме. Я объясняю, как выбирать модели, настраивать роли, обрабатывать ответы и оптимизировать вывод. Также сравниваю скорость и качество ответов от разных провайдеров: GPT даёт более поэтичные тексты, а Groq — быстрее всех отвечает. В результате мы получаем гибкую цепочку, которую можно расширять и адаптировать под разные задачи.
Как управлять логикой сценариев в Make
С помощью роутеров, условий, циклов и обработки ошибок. Мы учимся направлять поток в зависимости от текста сообщения (например, команда /start), использовать логические операторы, добавлять условия для исключения повторного выполнения и создавать ветвления. Я также объясняю, как запускать сценарии по расписанию, подключать HTTP-запросы вручную, делиться сценариями, добавлять комментарии и управлять доступом через организацию. В качестве хранилища данных можно использовать Google Таблицы, а в платной версии — встроенные структуры данных Make. Всё это помогает строить гибкие, читаемые и мощные автоматизации.
Как собрать Telegram-бота в Make, который запоминает пользователей и рекомендует музыку на основе их предпочтений
В качестве памяти я использую Google Таблицу: в ней храню ID пользователя, его ответы и историю рекомендаций. Сценарий включает проверку, есть ли пользователь в базе, и четыре ветки обработки в зависимости от статуса. Я сохраняю любимые и нелюбимые жанры, а затем с помощью LLM-ок получаю персональные рекомендации и нахожу трек на YouTube. Также реализована логика с переменными, фильтрами, error handler-ами. Всё работает автоматически, бот отвечает по шагам, не повторяет рекомендации и формирует полноценный музыкальный профиль.
**→ Template to copy: https://base.aimindset.org/Make-Music-Bot.blueprint.json