Создание Telegram-бота для поиска информации из Jira на основе Notebooks

Перед началом работы

1. Подготовьте среду

1. Создайте сервисный аккаунт.

2. Сгенерируйте API-ключ.

3. Для хранения данных создайте бакет в Object Storage. Укажите класс хранения Стандартный.

4. Создайте ноутбук со следующими параметрами:

   • Конфигурация — ncpu.medium.4.

   • Образ — Cloud.ru Jupyter N8n.

   После создания ноутбука на главной странице сервиса Notebooks в строке нужного ноутбука нажмите JupyterLab.

2. Настройте воркфлоу в N8N для парсинга Jira

1. На главной странице JupyterLab в разделе Other нажмите на N8N.

   

2. Дождитесь загрузки сервиса.

3. Пройдите регистрацию и нажмите Next.

   

4. (Опционально) Заполните следующую форму и нажмите Get started.

5. Нажмите Create Workflow.

6. Нажмите Add first step.

7. Выберите триггер Trigger manually.

8. Добавьте ноду HTTP Request со следующими параметрами:

   • Method: GET

   • URL: http://<jira_ip>/rest/api/2/search?jql=&maxResults=1000

     Где <jira_ip> — IP-адрес вашего Jira-сервера.

   • Authentication: Authentication

   • Generic Auth Type: Basic Auth

   • Добавьте credentials — логин и пароль от аккаунта в Jira.

9. Добавьте справа ноду Code, указав Language — JavaScript.

10. В ноду Code добавьте код:

    let rows = [];
    for (const item of items) {
        if (!item.json || !Array.isArray(item.json.issues)) continue;
        for (const issue of item.json.issues) {
        let id = issue.id ?? '';
        let key = issue.key ?? '';
        let desc = issue.fields?.description ?? '';
        let creator = issue.fields?.creator?.name ?? '';
        rows.push([id, key, desc, creator].join(','));
        }
    }
    return [{ json: { text: rows.join('\n\n') } }];
    
    

11. Добавьте справа ноду Aggregate.

    

12. Добавьте ноду Convert to File со следующими параметрами:

    • Operation: Convert to Text File

    • Text Input Field: text

    • Put Output File in Field: data

    

    В результате вы получите файл, в котором будет находиться текстовая выжимка из полей description, id, key, creator.

13. Добавьте полученный файл в бакет Object Storage, созданный при подготовке среды.

3. Создайте базу знаний и получите токен доступа

1. В личном кабинете перейдите в сервис AI → Managed RAG.

2. Нажмите Создать базу знаний.

3. Укажите путь к папке в бакете Object Storage, созданном при подготовке среды. Для обработки ваших файлов будет создан сервисный аккаунт.

4. Выберите расширение загруженных файлов.

5. Активируйте опцию Вручную настроить обработку документов и модель.

6. Включите аутентификацию и выберите сервисный аккаунт, созданный при подготовке среды.

7. Нажмите Продолжить.

8. Укажите настройки для экстракторов — парсеры, которые извлекают содержимое из файлов выбранного типа.

   

9. Нажмите Продолжить.

10. Выберите модель, которая преобразует содержимое документов в векторное представление, например, Qwen/Qwen3-Embedding-0.6B.

11. Нажмите Создать.

    Вы будете перенаправлены на страницу сервиса Managed RAG. База знаний будет создана и запущена в течение нескольких минут. Дождитесь, когда база знаний перейдет в статус «Активная» и появится публичный URL-адрес.

12. Создайте токен доступа для запросов к версии базы знаний.

13. Скопируйте полученный токен — значение из поля access token.

4. Настройте Telegram-бота для взаимодействия с RAG

1. Зарегистрируйте бота в Telegram:

   1. В Telegram найдите бота BotFather.

   2. Выполните команду /newbot.

   3. Задайте имя (name) и имя пользователя (username) для бота. Имя пользователя должно заканчиваться на «Bot» или «_bot».

   4. Сохраните токен бота, который предоставит BotFather.

   5. Убедитесь, что в Telegram созданный бот отображается в результатах поиска по имени.

2. Вернитесь в N8N и в том же воркфлоу выберите Telegram Trigger: Updates message.

   

3. Создайте credentials, вставив токен вашего бота.

   

4. Проверьте работоспособность webhook.

   

5. Добавьте ноду HTTP Request со следующими параметрами:

   • Method: POST

   • URL: перейдите в Managed RAG → Название вашей базы знаний → API и скопируйте URL после слова «POST».

   • Выберите один из методов:

     • retrieve — если нужны только ссылки.

     • retrieve_generate — если нужен быстрый ответ и точность не важна.

     • retrieve_rerank — когда важна точность ранжирования.

     • retrieve_rerank_generate — точность ранжирования + готовый ответ.

     Пример

   • Добавьте код в формате JSON:

   {
     "project_id": "<project_id>",
     "query": "{{ $json.message.text }}",
     "llm_settings": {
       "model_settings": {
         "model": "deepseek-ai/DeepSeek-R1-Distill-Llama-70B"
       },
       "system_prompt": "Вы полезный помощник, который отвечает на вопросы, основываясь на предоставленном контексте.",
       "temperature": 1
     },
     "retrieve_limit": 3,
     "n_chunks_in_context": 3,
     "rag_version": "<your_rag_version>"
   }
   
   

   Где:

   • <project_id> — идентификатор вашего проекта.

   • <your_access_token> — токен доступа, полученный ранее.

   • <your_rag_version> — версия RAG из вкладки Информация о версии.

   Подробнее о параметрах — в документации Managed RAG.

   

6. Отправьте запрос и убедитесь, что получаете корректный ответ от сервиса.

7. Добавьте ноду Telegram send message.

   

8. В правом верхнем углу установите переключатель в положение Activate.

   

Результат