AI-бот для QA-инженеров: как я сделал Telegram-ассистента для ежедневной прокачки

Простой

6 мин

Искусственный интеллектПроектирование и рефакторинг*Будущее здесьТестирование IT-систем*Python*

Кейс

Что, если бы кто-то 4 раза в день напоминал тебе важное из мира QA — с примерами, объяснениями и без воды? Я сделал такого помощника.

Привет! Меня зовут Евгений. Я — Full-Stack QA Engineer в Devscribed и сегодня хочу поделиться своим экспериментом QA Mentor Bot — Telegram‑бот, который четыре раза в день отправляет случайный вопрос по тестированию из базы данных и сразу же публикует развёрнутый ответ на него с помощью AI в Telegram‑канале.

Зачем мне понадобился QA Mentor Bot

У этого проекта было две цели:

🎯 Прокачать свои QA‑навыки.
Регулярная самоподготовка: в нашей сфере без постоянного развития сложно оставаться эффективным. За день тестировщик может работать в разных направлениях: с мобильным приложением, веб-интерфейсом, API, базой данных и параллельно еще автоматизировать пару тестов. Чтобы не "сбрасывать кэш", мне нужно регулярно подпитывать память свежей информацией.
Борьба с прокрастинацией: у каждого из нас есть вопросы, которые возникают в ходе работы, не критичные, но расширяющие кругозор, и мы откладываем их "на потом" — и это "потом" часто превращается в "никогда". Бот решает эту проблему: он ежедневно напоминает о теории и практике.
🧠 Прокачаться в проектировании системы и работе с AI
Пусть Telegram-бот — это не огромная система, но он помогает понять, как устроены реальные проекты: от конфигурации и базы данных до интеграции с API AI. Эти знания можно масштабировать и применять при тестировании сложных систем.

Так и пришло в голову сделать бота на основе искусственного интеллекта, который будет помогать разгребать копящиеся вопросы и поддерживать в целом знания на должном уровне. В итоге получился живой проект — и для себя, и для сообщества.

Архитектура и ключевые компоненты проекта

├── bot.py                     # Основная логика бота
├── sheduler.py                # Настройки расписания публикаций
├── requirements.txt           # Зависимости Python
├── Dockerfile                 # Сборка образа для деплоя в Railway
├── schema.sql                 # Схема базы данных PostgreSQL
├── import_questions.py        # Скрипт импорта вопросов в БД из Excel
├── bot.log                    # Логи работы бота 
├── questions.xlsx             # Исходные файлы с вопросами
├── config/                    # Конфигурации для разных окружений
│   ├── base.py
│   ├── prod.py
│   └── test.py
└── utils/                     # Утилиты: Markdown-фиксер и логгер
    ├── tg_markdown.py
    └── logger.py

Как всё устроено под капотом: архитектура QA Mentor Bot

Инициализация
При запуске bot.py бот:
— загружает нужную конфигурацию (prod или test окружение)
— настраивает логгер
— создаёт подключения к БД, Telegram API и AI-сервису
База данных
Структура базы данных в PostgreSQL проста и включает таблицы categories, questions, category_usage_cycle.
Таблица categoriesсодержит категории вопросов
Таблица category_usage_cycle — это механизм, который гарантирует равномерное и последовательное использование всех категорий вопросов, чтобы публикации были разнообразными и не повторялись подряд из одной и той же категории.
Таблица хранит идентификаторы категорий (category_id) и временные метки (cycle_timestamp), когда категория была выбрана для публикации вопроса.
Это позволяет боту выбирать вопросы из всех категорий, пока не будут использованы все доступные категории. Когда все категории использованы, таблица очищается, и цикл начинается заново.
Таблица с вопросами questions
Атрибут is_used получает значение true как только вопрос был обработан и ответ опубликован в Telegram канале, что позволяет добиваться уникальности контента, не повторяясь, пока весь цикл вопросов не будет закончен.
В import_questions.py с помощью openpyxl или pandas подтягиваем вопросы из Excel‑файла и распределяем их по категориям. Это удобный способ пополнить базу новыми вопросами.

AI Service
Самое интересное... В роли «ментора» я использовал DeepSeek API (deepseek-chat). Боту отправляется вопрос и сгенерированный промпт, а модель возвращает развёрнутый ответ. Для модели я задаю «персонажа» — опытного QA-инженера, который умеет объяснять понятно и по делу 😁

Написание промпта — это пространство для экспериментов: даже небольшие изменения могут существенно повлиять на результат. Неудивительно, что на этом фоне появилась отдельная специализация — промпт-инженерия, пусть и временно переоценённая из-за ажиотажа вокруг AI.

Какие бывают роли в промпте?

messages — список сообщений, которые задают контекст для модели:

role — роль отправителя сообщения:
- system — позволяет задать контекст запроса и определить поведение модели.
- user — предназначена для отправки пользовательских сообщений к модели.
- assistant — используется для ответов, которые генерирует модель. При работе в режиме чата ответы модели, помеченные ролью assistant, включаются в состав сообщения для сохранения контекста беседы.
content — текстовое содержание сообщения

Подготовка к постингу

Эта пожалуй, самая сложная часть бота, а именно вывод правильной разметки в Telegram сообщении.

Для решения этой задачи у меня используется tg_markdown.py — это скрипт для автоматической подготовки и экранирования текстов под строгие требования Telegram MarkdownV2, чтобы ваши сообщения всегда выглядели аккуратно и не вызывали ошибок при публикации.

В процессе отладки я постоянно сталкивался с ошибкой:

Can't parse entities: can't find end of the entity starting at character
Причина этому — особенности работы с Markdown в Telegram.

🔍 Что такое Markdown и как он работает в Telegram

Markdown — это простой язык разметки, который позволяет форматировать текст с помощью специальных символов:

**жирный** → жирный
*курсив* → курсив

Когда вы отправляете в Telegram текст с *, _, [, ] и другими спецсимволами, Telegram воспринимает их не как символы, а как команды форматирования.

Один и тот же символ может быть и текстом, и командой. Это ломает парсер. И Telegram не пытается "догадаться", что ты имел в виду. Он строго смотрит на каждую строку: если где-то есть *, [, _ и т.д. — он предполагает, что ты хочешь отформатировать, даже если это было просто текстом.

✅ Мой подход к решению:

1. Сначала экранируем всё,
2. Потом "восстанавливаем" нужную разметку вручную (по заранее заданным правилам) 🤪

AI может:

Поставить * в неожиданных местах
Генерировать разметку с ошибками

Если ты сначала экранируешь всё, ты получаешь безопасную "сырую" версию текста, а потом вставляешь нужные разметки в контролируемых местах.

Преимущества

Плюс	Объяснение
Защищён от ошибок AI	Никакие случайные `*` или `_` не сломают сообщение
Полный контроль над форматированием	Вставляешь только то, что хочешь
Нет ошибок Telegram (`Can't parse entities`)	Всё экранировано и безопасно по умолчанию
Можно накинуть post-processing шаблон	Например, выделить "Ответ", "Пример", "Шаги" и т.п.

Недостатки

Минус	Объяснение
Потеря "нативной" разметки от AI	Если AI что-то отформатировал — это будет экранировано
Нужно парсить и собирать разметку вручную	Например, для жирных заголовков, списков и ссылок
Требует шаблонизации	Нужен шаблон: где вставлять `*`, где `[]()`, где `code` и т.п.

⏰ Планировщик: автопостинг по расписанию
Для регулярных публикаций я использовал библиотеку APScheduler — мощный инструмент на Python для запуска задач по расписанию.
В scheduler.py настраивается:
- Время публикаций (4 раза в день)
- Количество повторных попыток при ошибках
- Интервалы между задачами
Таким образом, бот полностью автономен: подтягивает новый вопрос и публикует AI-ответ без участия человека.
Что по токенам?

Вот собственно пример поста, сгенерированный AI.

Использование токенов

В ответе от API AI содержится информация вида:

"usage": {
  "prompt_tokens": 546,
  "completion_tokens": 485,
  "total_tokens": 1031
}

546 токенов — занял вопрос и системная инструкция.
485 токенов — ответ модели.
1031 токен — в сумме.

Думаю, если поэкспериментировать с количеством токенов, то можно добиться оптимального соотношения потребления токенов, качества контента с учетом ограничения по символам в посте Telegram.

Запуск и деплой

Бот запускается в Docker-контейнере при деплое на хостинг. Я использую Railway. Представители Railway — свяжитесь, пожалуйста, со мной. Уже второй раз бесплатно пиарю ваш сервис 🙂
Параметры окружения прописаны в config/prod.py.
Конечно, хранить параметры окружения, такие как ключи API или настройки подключения к базе данных, прямо в коде — не самый безопасный подход. Это может привести к утечке конфиденциальной информации. Вместо этого, рекомендуется хранить такие параметры в переменных окружения, которые можно настроить на хостинге (например, с помощью .env файла). Однако, для ранних этапов прототипирования, когда проект ещё не требует жесткой безопасности и масштабируемости, такой способ хранения конфигов в коде может подойти для быстрого старта.

Что дальше?

Расширить базу вопросов. Приглашаю коллег присылать свои любимые кейсы — будет здорово собрать общую копилку.
Добавить реакцию на обратную связь. Чтобы можно было оценивать полезность каждого поста.
Улучшить AI‑подсказки. Попробовать разные промпты и модели, чтобы ответы были ещё более подробными и релевантными.
Улучшить распознавание разметки. Есть некоторые кейсы в заметки на которые я не прописал правила обработки после получения сырого текста.

Как вам идея?
Становимся лучше каждый день — по чуть-чуть, но стабильно. Заходите на канал AI Mentor for QA и делитесь фидбеком — вместе сделаем этот инструмент ещё лучше для сообщества, если в этом будет польза!

Спасибо за внимание 🙌 и до встречи в канале AI Mentor for QA

Хабы: