Да, умеет прикидывать. Free tier у Object Storage довольно щедрый — для статики с небольшой посещаемостью стабильно выходит 0 ₽:
Даже при 100K визитов/мес трафик (~20 ГБ) не вылезает за free tier. Платить начинаешь только когда исходящий трафик перевалит за 100 ГБ — это примерно 500K+ визитов для лёгкой статики
Да, верно! OpenClaw интегрируется с WB/Ozon/YM через скиллы, Telegram — основной интерфейс.
Технически это не MCP сервер (нет отдельного процесса + JSON-RPC), а OpenClaw Skills — агент читает SKILL.md и запускает bash/python скрипты. Можно назвать "пре-MCP" — архитектурно похоже, но проще и работает только для AI агентов.
Но этот код можно докрутить до полноценного MCP сервера. Вопрос - насколько это интересно селлерам.
Нельзя часто комментарии оставлять) Сейчас это MVP, есть все интеграции, мониторинг итд.
Теперь предстоит сложная часть - разобрать конкретные проблемы селлеров, и на основе этого придумать сценарии автоматизации. Уже веду работу с 3 селлерами, в ближайшее время начинаем proof of concept.
Стратегия описана в статье. Большинство сервисов предоставляют аналитику и мониторинг без проактивных действий. Тут можно пойти дальше и дать агенту возможность менять цены в зависимости от изменений цен конкурентов, чтобы сохранить позицию в поиске.
Опять же в статье написано как это можно использовать.
Так с любым софтом. Агент кстати может сам проактивно фиксить код если увидит что старый API метод уже не работает. Для больших изменений конечно потребуется помощь человека.
В общем буду тестировать, когда будут боевые результаты напишу. Согласен, что сейчас агенты еще довольно сырые, но это вопрос времени, причем не очень большого.
Спасибо! Готовлю еще одну статью, там подводных камней будет кратно больше чем тут :)
Нет, пробовал только gpt2giga. У LiteLLM не видел поддержку gigachat из коробки, поэтому пришлось бы делать кастомный коннектор, а это по сути gpt2giga
Хороший вопрос. Я сам был немного удивлён, но старшие модели Яндекса и Сбера на практике показали себя вполне адекватно для простых и средних задач — в том числе на английском языке.
Контекст удерживается не только за счёт самой модели, но и за счёт памяти OpenClaw: у каждого агента есть своя история и состояние, которые мы явно прокидываем в запросы. Это сильно снижает требования к «идеальной» контекстной способности модели.
По структурным выводам: для большинства рутинных сценариев (поиск, сбор, первичный анализ, суммаризация) они справляются без жёсткой привязки к structured outputs. Случаи, когда агент не находит ожидаемый фрагмент в ответе, бывают, но пока это скорее редкие edge-cases, а не системная проблема.
Буду дальше тестировать, но с учётом низкой стоимости российских моделей вполне рассматриваю их для фоновых и массовых задач — сбор и анализ статей, постов, подготовка черновиков и т.п.
Да, пока все отлично работает
Railway пока работает, но скорее всего это не долго продлится.
У меня тоже почти все сервисы в Railway.
Да, умеет прикидывать. Free tier у Object Storage довольно щедрый — для статики с небольшой посещаемостью стабильно выходит 0 ₽:
Даже при 100K визитов/мес трафик (~20 ГБ) не вылезает за free tier. Платить начинаешь только когда исходящий трафик перевалит за 100 ГБ — это примерно 500K+ визитов для лёгкой статики
Ну, думаю такой же трюк можно проделать с Codex, там проще получить доступ.
Либо можно купить подписку Claude за рубли через МТС с наценкой 60% :)
Потому что она хуже пишет код)
Когда это случится - найду новое решение)
Вообще не понял наезд)
Я здесь описываю практическую проблему с зарубежными хостингами и как ее можно решить за около нулевый затраты в яндекс облаке.
Что это за эффект? 😅
Сайт который переносил в Яндекс Облако - vexai.ru
Надеюсь моя статья и код помогли.
Гигачат - да, Алиса - нет.
Зависит от моделей, gigachat lite в ~30 раз дешевле Opus 4.6. Топовая модель Yandex примерно в 2.7 раз дешевле Opus 4.6
Да, верно! OpenClaw интегрируется с WB/Ozon/YM через скиллы, Telegram — основной интерфейс.
Технически это не MCP сервер (нет отдельного процесса + JSON-RPC), а OpenClaw Skills — агент читает SKILL.md и запускает bash/python скрипты. Можно назвать "пре-MCP" — архитектурно похоже, но проще и работает только для AI агентов.
Но этот код можно докрутить до полноценного MCP сервера. Вопрос - насколько это интересно селлерам.
Почему?
Нельзя часто комментарии оставлять)
Сейчас это MVP, есть все интеграции, мониторинг итд.
Теперь предстоит сложная часть - разобрать конкретные проблемы селлеров, и на основе этого придумать сценарии автоматизации. Уже веду работу с 3 селлерами, в ближайшее время начинаем proof of concept.
Стратегия описана в статье. Большинство сервисов предоставляют аналитику и мониторинг без проактивных действий. Тут можно пойти дальше и дать агенту возможность менять цены в зависимости от изменений цен конкурентов, чтобы сохранить позицию в поиске.
Опять же в статье написано как это можно использовать.
Так с любым софтом. Агент кстати может сам проактивно фиксить код если увидит что старый API метод уже не работает. Для больших изменений конечно потребуется помощь человека.
В общем буду тестировать, когда будут боевые результаты напишу. Согласен, что сейчас агенты еще довольно сырые, но это вопрос времени, причем не очень большого.
Помимо цен — заказы (мониторинг FBS/FBO, статусы, дедлайны), остатки (контроль запасов, алерты), безопасность (audit log, rollback), AI-автоматизация (утренние дайджесты).
Сможете со мной поделиться ссылкой?
Спасибо!
Готовлю еще одну статью, там подводных камней будет кратно больше чем тут :)
Нет, пробовал только gpt2giga. У LiteLLM не видел поддержку gigachat из коробки, поэтому пришлось бы делать кастомный коннектор, а это по сути gpt2giga
Не пробовал, для разработки использую Claude Opus 4.6 и иногда Codex.
Хороший вопрос. Я сам был немного удивлён, но старшие модели Яндекса и Сбера на практике показали себя вполне адекватно для простых и средних задач — в том числе на английском языке.
Контекст удерживается не только за счёт самой модели, но и за счёт памяти OpenClaw: у каждого агента есть своя история и состояние, которые мы явно прокидываем в запросы. Это сильно снижает требования к «идеальной» контекстной способности модели.
По структурным выводам: для большинства рутинных сценариев (поиск, сбор, первичный анализ, суммаризация) они справляются без жёсткой привязки к structured outputs. Случаи, когда агент не находит ожидаемый фрагмент в ответе, бывают, но пока это скорее редкие edge-cases, а не системная проблема.
Буду дальше тестировать, но с учётом низкой стоимости российских моделей вполне рассматриваю их для фоновых и массовых задач — сбор и анализ статей, постов, подготовка черновиков и т.п.