У большинства AI-инструментов есть один и тот же скрытый суперпауэр: они умеют работать не только с OpenAI напрямую, но и с любым OpenAI-совместимым API. На практике это значит: можно оставить тот же SDK, тот же формат запросов, те же messages, но заменить адрес API и ключ.

То есть вместо схемы:

клиент → api.openai.com → модель OpenAI

получается:

клиент → BotHub API → GPT / Claude / DeepSeek / Gemini / другие модели

В этой статье — базовый принцип, на который можно ссылаться из любых интеграций: Aider, Continue, Chatbox, Open WebUI, своих Python-скриптов, CLI-утилит и внутренних сервисов.

Что такое OpenAI-совместимый API

OpenAI API стал фактическим стандартом для работы с LLM: запрос отправляется на endpoint вроде /chat/completions, внутри лежит массив messages, а ответ возвращается в предсказуемом формате.

Минимальный запрос обычно содержит:

Раньше AI-кодинг у меня выглядел так: открыл чат, скопировал кусок файла, попросил поправить, получил ответ, руками перенёс diff, потом ещё полчаса проверял, не уехал ли контекст. Работает, но ощущение такое, будто у тебя не ассистент, а очень умный буфер обмена.

С Cursor и Claude Code стало удобнее, но не всем хочется тащить AI в IDE. Многие senior-разработчики живут в терминале, привыкли к git, vim, tmux и короткому циклу: посмотрел diff → прогнал тесты → закоммитил.

Для такого сценария хорошо заходит Aider — консольный AI-ассистент для кода. Он запускается прямо в репозитории, видит файлы, умеет править код, показывает diff и работает с git. А через BotHub его можно подключить к Claude Sonnet и другим моделям с OpenAI-compatible API — без отдельной подписки на каждый сервис.

Что будем настраивать

Сценарий простой:

Раньше мой сценарий с нейросетями для кода выглядел так: скопировать кусок файла, вставить в чат, получить патч, вручную перенести, запустить тесты, вернуться с ошибкой. На маленьких задачах терпимо. На реальном проекте — тормозит процесс.

Вокруг модели много запросов: claude ai, claude нейросеть, кто-то ищет claude подписка или сразу хочет claude купить доступ. Через BotHub всё это решается одним ключом.

Claude Code решает это иначе: ассистент живёт прямо в терминале, видит структуру репозитория, читает файлы, предлагает план, вносит изменения, запускает команды и помогает с git. То есть это уже не «чат про код», а агентный CLI для разработки.

В этом гайде разберём, как установить Claude Code, подключить доступ к Claude через BotHub, дать агенту контекст проекта и какие команды реально использовать в работе.

Что такое Claude Code

Claude Code — это CLI-ассистент Anthropic для программирования. Он работает из терминала и может:

Самая частая ошибка с нейросетями в бизнесе — ждать от них 100% автоматизации. На практике ИИ лучше всего окупается не там, где он заменяет отдел, а там, где снимает мелкую ежедневную рутину: письма, заявки, отчёты, документы, ответы клиентам, карточки товаров.

Спрос на ии для бизнеса растёт быстро: компании ищут нейросети для бизнеса, пробуют ии агенты, настраивают чат боты для бизнеса. За этим стоит одна цель — автоматизация с помощью ии рутинных задач и ии для бизнес процессов. Первый шаг — внедрение нейросети в конкретный участок работы.

Если задача повторяется каждый день и съедает 20–40 минут, это уже кандидат на автоматизацию.

Расписала 10 рабочих сценариев, где бизнес может использовать нейросети сразу. Тестировать разные модели — GPT, Claude, Gemini, DeepSeek и другие — можно через BotHub: в одном интерфейсе, без отдельных подписок на каждый сервис.

1. Ответы клиентам в поддержке

ИИ хорошо справляется с черновиками ответов: вежливо объяснить условия доставки, вернуть клиента к инструкции, ответить на типовой вопрос, подготовить извинение.

Пример промпта:

Составь ответ клиенту.

Ситуация: клиент спрашивает, почему заказ задерживается на 2 дня.

Тон: спокойный, вежливый, без канцелярита.

Важно: не обещай компенсацию, если её нет в условиях.

Длина: до 700 знаков.

Сотрудник не копирует ответ вслепую, а быстро проверяет и отправляет. Экономия — на каждом диалоге.

2. Коммерческие предложения и письма

Малый бизнес постоянно пишет одно и то же: КП, follow-up после звонка, письмо с условиями, напоминание об оплате.

Самая неприятная часть работы с документами — не всегда их написать. Чаще надо прочитать 40 страниц договора, найти три важных риска, вытащить суммы из PDF, сверить таблицу в Excel и ещё перевести всё это на нормальный человеческий язык.

Сценарии классические: кто-то использует нейросеть текст для черновиков, кто-то ищет, как э написать текст нейросетью или улучшить текст через нейросеть.

Отдельная большая тема — нейросеть для юристов и работа с договорами. Для повседневных задач подойдёт нейросеть редактор текста.

А генерация текста через BotHub доступна на разных моделях.

Раньше я делала это руками: открывала файл, искала глазами даты, копировала фрагменты, собирала выжимку. Но после начала отдавать документы нейросети — и выяснилось, что в правильной постановке задач.

Нейросеть для документов может быстро разобрать Word, PDF или Excel: извлечь данные, сделать краткое резюме, заполнить шаблон, перевести текст, найти несостыковки и подготовить таблицу. В BotHub это можно делать через разные модели в одном окне: GPT, Claude, Gemini, DeepSeek и другие — без отдельной подписки на каждый сервис.

Что умеет нейросеть для документов

Если коротко, нейросеть работает как внимательный ассистент, который читает документ и преобразует его в нужный формат.

Типовые задачи:

Раньше я выбирала модель для кода по принципу «возьму самую умную». Через пару недель выяснилось, что это способ потратить токены: флагманская модель пишет хороший код, но зачем ей генерировать типовой CRUD, если с этим справляется модель в разы дешевле?

В 2026 году вопрос уже не в том, может ли нейросеть писать код. Может. Вопрос — какую модель брать под конкретную задачу: генерацию, рефакторинг, дебаг, тесты, ревью или работу с большим легаси-контекстом.

Я решила сравнить Claude, GPT и DeepSeek Coder на типовых задачах разработки. Все эти модели можно тестировать в BotHub: в одном окне, без отдельных подписок, с оплатой по фактическому расходу токенов.

Как сравнивала

Разработчикам не нужен промпт «реши алгоритмическую задачу», чаще они просят:

Сначала всё выглядит логично: для текстов берём ChatGPT, для длинных документов — Claude, для быстрых черновиков — DeepSeek, для мультимодальных задач — Gemini, для картинок — Flux или DALL-E.

А потом внезапно, что у команды пять аккаунтов, пять подписок, разные лимиты, разные интерфейсы, разные API-ключи и отдельная боль с оплатой. И половина этих сервисов используется два раза в месяц.

Отсюда и растёт спрос на агрегаторы нейросетей онлайн в одном месте: пользователи ищут лучшие нейросети и сравнивают их.

Особенно это важно, когда нужны нейросети для бизнеса — держать пять подписок неудобно и дорого.

В BotHub это решается иначе: один доступ к разным AI-моделям, единый API и оплата за фактическое использование — по токенам и генерациям.

Почему 5 подписок — это неудобно

Типичный набор у команды выглядит так:

Ещё недавно сценарий был простой: открыл ChatGPT, вошёл в аккаунт, оплатил подписку и работаешь. Сейчас для пользователей из России всё сложнее: сайт может не открываться без VPN, регистрация ломается на разных этапах, а оплата зарубежной картой для большинства просто недоступна.

Есть более простой вариант: пользоваться ChatGPT через BotHub. Это сервис, где доступны GPT-модели и другие нейросети в одном интерфейсе: без VPN, без зарубежной карты и с оплатой в рублях.

Решение BotHub

BotHub работает как единое окно для нейросетей. Вы заходите на сайт, выбираете нужную модель и пишете запрос в привычном чат-интерфейсе. Отдельно регистрироваться в OpenAI и настраивать VPN не нужно.

Что важно:

Первый промпт для генерации картинки у меня был классический: «нарисуй красивый баннер про нейросети». На выходе — синий фон, случайное изображение, псевдотекст и ощущение, что это уже где-то было.

Я прогнала один и тот же запрос через разные модели и стало понятно: генерация изображений — это не «какая нейросеть рисует лучше», а «какая модель подходит под конкретную задачу». Midjourney красиво стилизует, Flux хорошо держит реализм и промпт, DALL-E аккуратно следует инструкции, Leonardo удобен для концепт-арта и игровых ассетов.

Запросов много: кто-то ищет midjourney нейросеть, кто-то — генератор изображений нейросеть или нейросеть для фотографий. Одни хотят  создать картинку с нуля, другим нужна нейросеть для рисования или нейросеть картинки под конкретный стиль. 

Ниже — практическое сравнение: для чего использовать Midjourney, Flux, DALL-E и Leonardo, где они ошибаются и как писать промпты. А тестировать генераторы изображений можно через BotHub — в одном окне, без десяти отдельных подписок.

Как я сравнивала

Чтобы не спорить на уровне «нравится / не нравится», берём один базовый промпт:

A realistic product photo of a modern AI assistant app on a smartphone,

standing on a clean office desk, soft daylight, premium tech startup style,

minimal background, high detail, commercial photography

И смотрим на пять критериев:

Первый промпт для генерации видео у меня выглядел примерно так: «сделай красивый ролик про приложение». На выходе нейросеть выдала что-то между рекламой банка, заставкой к сериалу и странным телефоном, который то появлялся, то растворялся в воздухе.

Если нужно быстро сделать видео нейросетью, вариантов много: одни ищут, как получить генератор видео нейросеть бесплатно, другие сразу пробуют конкретные модели — runway нейросеть, нейросеть sora, нейросеть kling. По сути задача одна: искусственный интеллект видео превращает текстовый промпт в готовый ролик, и через BotHub можно создать видео на любой из этих моделей в одном окне.

Текст в видео работает лучше, когда вы описываете не «красивый ролик», а конкретную сцену: кто в кадре, что делает, где находится камера, какой стиль, свет, длительность и формат. Ниже — пошаговый гайд, как создать видео из текста нейросетью и не потратить половину лимита на случайные генерации.

Что умеет текст в видео

Современная нейросеть для видео хорошо справляется с короткими роликами: заставками, b-roll, рекламными сценами, вертикальными видео для соцсетей, атмосферными фонами, product shot и простыми объясняющими сценами.

Но есть ограничения. Не стоит ждать, что модель с первого раза сделает двухминутный ролик с идеальным монтажом, читаемым текстом, одинаковым персонажем во всех сценах и логотипом без искажений. Лучше мыслить короткими фрагментами: один клип — одна сцена — одно действие.

 1. Опишите задачу до промпта

Перед тем как открывать генератор видео нейросетью, сформулируйте ответы на вопросы:

Первый раз я всерьёз задумалась о токенах не тогда, когда увидела цену модели. А когда попросила нейросеть «быстро посмотреть документ и сделать выводы» — и внезапно потратила больше, чем на несколько обычных запросов подряд.

Проблема была не в том, что модель дорогая. Проблема была в том, что в чат был загружен тяжёлый файл, висела длинная история переписки, а промпт звучал как «проанализируй всё подробно». То есть я сама попросила модель прочитать лишнее, подумать широко и ответить длинно.

Токены — это не абстрактная внутренняя валюта. Это то, за что вы реально платите при работе с ChatGPT, Claude, Gemini, DeepSeek и другими моделями. В этом гайде разберём, как считается расход AI-токенов, где они незаметно утекают и как сократить расходы без заметной потери качества. А в BotHub можно сразу сравнить расход разных моделей в одном окне.

Как считаются токены

Если совсем просто: токен — это кусочек текста. Иногда это слово, иногда часть слова, иногда знак препинания. Например, фраза «нейросеть пишет текст» не равна трём токенам: конкретное число зависит от токенизатора модели.

Но для расходов важнее не точная математика, а формула:

Расход = системные инструкции + история чата + файлы + ваш промпт + ответ модели

То есть оплачивается не только то, что вы написали в последнем сообщении. Модель каждый раз получает контекст: предыдущие реплики, загруженные документы, настройки, иногда — скрытые инструкции сервиса.

Поэтому короткий вопрос в длинном чате может стоить дороже, чем большой промпт в новом диалоге.

Привет Хабр!

В прошлых годах видео от нейросети было заметна по характерным огрехам. По плывущим лицам, лишним пальцам и кривому движению. Как дела обстоят в середине 2026-го?

Мы взяли пять топовых генераторов видео — Veo 3.1, Kling v3 Omni, Sora 2 Pro, LTX-2.3 Pro и Grok Imagine Video 1.5 — и прогнали их через 7 одинаковых сценариев. Одинаковые промпты, одинаковые настройки, равные условия. От средневекового рыцаря до жонглёра, кота-паникёра и Уилла Смита, жадно уминающего спагетти.

Погнали.