Подключение ИИ к nocode Telegram-боту на базе Evolution Foundation Models и Evolution Container Apps

Перед началом работы

Зарегистрируйтесь в личном кабинете Cloud.ru.

Если вы уже зарегистрированы, войдите под своей учетной записью.

1. Подготовьте среду

1. Подготовьте среду, если не сделали этого ранее.

2. Убедитесь, что у вас есть доступ к Evolution Foundation Models.

3. Убедитесь, что баланс в личном кабинете положительный. Если он нулевой или отрицательный — пополните баланс. Небольшое количество запросов в Foundation Models будет стоить не больше рубля, подробнее — в тарифах.

2. Создайте Telegram-бота с помощью n8n и Container Apps

3. Удалите шаг отправки сообщения пользователю

4. Добавьте ключи доступа к Foundation Models

1. Справа от действия Send a chat action нажмите +.

2. На вкладке справа выберите Data transformation.

3. В списке выберите Edit Fields (Set).

4. В окне свойств действия нажмите Add field.

5. В поле name введите key.

6. В поле value введите значение ключа Key ID.

7. Нажмите Add field.

8. В поле name введите secretKey.

9. В поле value введите значение ключа Key Secret.

10. Нажмите Add field.

11. В поле name введите project_id.

12. В поле value введите идентификатор вашего проекта.

13. Сверху наведите курсор на наименование действия — Edit Fields. Появится иконка карандаша. Чтобы редактировать название действия, нажмите ее. Введите название Ключи доступа Foundation Models и нажмите Rename.

14. Сверху нажмите Test step.

15. Нажмите Back to canvas.

5. Пройдите аутентификацию в API облака Cloud.ru Evolution

1. Справа от действия, добавленного на шаге 4, нажмите +.

2. На вкладке справа в поле поиска введите http и выберите HTTP Request в результатах поиска.

3. В окне свойств действия переименуйте его в Получение Access Token для Foundation Models.

4. В списке Method выберите метод POST.

5. В поле URL укажите адрес для аутентификации в API Cloud.ru Evolution — https://iam.api.cloud.ru/api/v1/auth/token.

6. Нажмите Send Body.

7. В меню Specify Body выберите Using JSON.

8. В поле JSON вставьте следующий код:

   {
      "keyId": "{{ $json.key }}",
      "secret": "{{ $json.secretKey }}"
   }
   
   

9. Сверху нажмите Test step. В разделе Output должны отобразиться access_token и id_token.

10. Нажмите Back to canvas.

6. Добавьте действие отправки сообщения пользователя в Evolution Foundation Models

1. Справа от действия, добавленного на шаге 5, нажмите +.

2. На вкладке справа в поле поиска введите http и выберите HTTP Request в результатах поиска.

3. В окне свойств действия измените наименование на Обращение к Foundation Models.

4. В выпадающем списке Method выберите метод POST.

5. В поле URL укажите адрес API Evolution Foundation Models API Evolution Foundation Models — https://foundation-models.api.cloud.ru/api/gigacube/openai/v1/chat/completions

6. Нажмите Send Headers.

7. В разделе Header Parameters в поле Name введите Authorization.

8. В поле Value введите:

   Bearer {{ $json.access_token }}
   
   

9. Нажмите Add Parameter.

10. В поле Name введите X-Project-ID.

11. В поле Value введите:

    {{ $('Ключи доступа Foundation Models').item.json.project_id }}
    
    

    Где Ключи доступа Foundation Models — название триггера, созданного на шаге 3.

12. Нажмите Send Body.

13. В меню Specify Body выберите Using JSON.

14. В поле JSON введите:

    {
       "model": "deepseek-ai/DeepSeek-R1-Distill-Llama-70B",
       "messages": [
        {
           "role": "system",
           "content": "You are an expert in text sentiment analysis. When solving a task, FIRST think step-by-step *in private* to reach your answer. Do NOT reveal these private thoughts. Instead, output ONLY a JSON object with three keys: 1. \"result\"      – one of: \"positive\", \"negative\", \"neutral\"   2. \"confidence\"  – number between 0 and 1 (e.g. 0.87).                      Calibrate it so the three classes are equally likely a priori.   3. \"explanation\" – a brief, public rationale (1-3 sentences) that cites the pivotal phrases.Use Russian language to provide explanation. Follow the format of the few-shot examples exactly: nothing before or after the JSON. Don't use ```json ``` braces. [ FEW-SHOT EXAMPLES ] ### Example 1 (positive) USER: I absolutely love this phone – the battery lasts forever! ASSISTANT: {  \"result\": \"positive\",  \"confidence\": 0.92,  \"explanation\": \"Phrases like \u0027absolutely love\u0027 and praise about long battery life express strong approval.\" }  ### Example 2 (negative) USER: This is the worst movie I have seen in years. Total waste of time. ASSISTANT: {  \"result\": \"negative\",  \"confidence\": 0.95,  \"explanation\": \"Words such as \u0027worst\u0027 and \u0027waste of time\u0027 indicate clear dissatisfaction.\" }  ### Example 3 (neutral) USER: The package arrived on Tuesday at 3 p.m. ASSISTANT: {  \"result\": \"neutral\",  \"confidence\": 0.88,  \"explanation\": \"The sentence only states factual delivery information without emotional language.\" }"
        },
        {
          "role": "user",
          "content": "{{ $('Telegram Trigger').item.json.message.text }}"
        }
    ],
    "temperature": 0.1,
    "top_p": 0.1,
    "max_tokens": 300,
    "frequency_penalty": 0.5,
    "presence_penalty": 0.3
    }
    
    

    Примечание

    С помощью промта модель анализирует эмоциональный окрас сообщения и возвращает ответ в формате JSON. Он содержит три поля:

    • result — результат оценки эмоционального окраса сообщения: негативный, нейтральный или позитивный;

    • confidence — уверенность в оценке от 0 до 1;

    • explanation — объяснение оценки.

15. Нажмите Test step.

    В секции Output должен отобразиться ответ от модели.

16. Нажмите Back to canvas.

7. Преобразуйте ответ от LLM в JSON

1. Справа от действия, добавленного на шаге 6, нажмите +.

2. На вкладке справа выберите Data transformation.

3. В списке выберите Edit Fields (Set).

4. В окне свойств действия выберите режим JSON.

5. В поле JSON введите:

   {{ $json.choices[0].message.content }}
   
   

6. Нажмите Test step.

   В поле Output должен появиться ответ LLM в формате JSON.

7. Нажмите Back to canvas.

8. Отправьте ответ модели в Telegram-бот

1. Справа от действия, добавленного на шаге 6, нажмите +.

2. На вкладке справа в поле поиска введите telegram и выберите Telegram.

3. В списке выберите Send a text message.

4. В окне свойств действия измените наименование действия на Отправляем ответ.

5. В поле Chat ID вставьте:

   {{ $('Telegram Trigger').item.json.message.chat.id }}
   
   

6. В поле Text вставьте:

   Эмоциональный окрас сообщения --- {{ $json.result }}
   Объяснение решения --- {{ $json.explanation }}
   
   

7. Нажмите Add Field и выберите Reply To Message ID.

8. Слева найдите раздел Telegram Trigger и перетащите оттуда параметр message | message_id в поле добавленного параметра Reply To Message ID.

9. Нажмите Test step.

   Справа вы увидите тело отправленного сообщения, а в Telegram-бот должно прийти тестовое сообщение с ответом.

10. Нажмите Back to canvas.

9. Проверьте работу бота

1. Сверху проверьте, что переключатель находится в состоянии Active.

2. Перейдите в Telegram-бот и отправьте любой вопрос. Должен вернуться ответ от подключенной LLM.

Что дальше