8 шагов: собрать AI-агента для мониторинга новостей

Зачем нужен AI-агент для новостей

Представьте личного аналитика, который 24/7 читает сотни источников, фильтрует шум и приносит только важное. Такой агент не устаёт, не пропускает дедлайны и не отвлекается на кликбейт. Это не фантазия — это реализуемый проект на базе современных LLM.

Ручной мониторинг новостей — как ловить рыбу голыми руками в мутной реке. Вы хватаете всё подряд, тратите часы и всё равно что-то упускаете. AI-агент — это эхолот: он сканирует глубину и показывает, где стоит закинуть удочку.

Для построения агента понадобятся локальные модели. Если у вас их ещё нет, начните с гайда по установке Ollama. Для расширения возможностей агента инструментами изучите протокол MCP — он позволит подключить внешние сервисы.

Шаг 1: Определите круг источников

Составьте список RSS-лент, Telegram-каналов, Twitter/X-аккаунтов и сайтов, которые хотите мониторить. Лучше 20 качественных источников, чем 200 зашумлённых.

Критерии отбора

Актуальность: источники должны обновляться минимум раз в день.

Экспертиза: выбирайте нишевые площадки вместо общих новостных агрегаторов.

Разнообразие: включайте источники с разной точкой зрения для снижения информационного пузыря.

Шаг 2: Настройте сбор данных

Для RSS-лент используйте стандартные парсеры. Для Telegram и соцсетей — API или scraping-инструменты. Собранные данные сохраняйте в едином формате (JSON) с полями: заголовок, текст, источник, дата, ссылка.

import feedparser

def fetch_rss(url):
    feed = feedparser.parse(url)
    return [{
        "title": entry.title,
        "text": entry.summary,
        "source": feed.feed.title,
        "url": entry.link,
        "date": entry.published
    } for entry in feed.entries]

Шаг 3: Настройте LLM для анализа

Подключите локальную модель через Ollama или удалённый API. Модель будет получать каждую новость и определять: важна ли она, к какой теме относится, какой у неё тон (позитивный/негативный/нейтральный).

import requests

def analyze_article(text):
    prompt = f"""Проанализируй новость и верни JSON:
    - importance: high/medium/low
    - topic: тема новости
    - sentiment: positive/negative/neutral
    - summary: одно предложение
    
    Новость: {text[:2000]}"""
    
    response = requests.post("http://localhost:11434/api/generate", json={
        "model": "llama3.1",
        "prompt": prompt,
        "format": "json",
        "stream": False
    })
    return response.json()["response"]

Шаг 4: Реализуйте фильтрацию

Не каждая новость заслуживает вашего внимания. Настройте фильтры по темам, ключевым словам и уровню важности. Это как сито: крупные куски остаются, мелкий шум проходит сквозь.

Белый список тем: новости по темам, которые вас интересуют.

Чёрный список источников: исключите источники с низким качеством.

Порог важности: показывайте только новости с уровнем importance = high.

Шаг 5: Настройте дайджесты

Агент должен не просто фильтровать, но и компоновать результаты. Настройте ежедневные или ежечасные дайджесты: сводка ключевых событий за период с кратким описанием каждого.

Формат дайджеста

Заголовок: самое важное событие дня.

Контекст: почему это важно и как связано с предыдущими событиями.

Источники: ссылки для углублённого изучения.

Шаг 6: Подключите уведомления

Критически важные новости должны приходить немедленно, а не ждать дайджеста. Настройте push-уведомления через Telegram-бота, email или webhook. Критерии «срочности» настраиваются индивидуально.

import requests

def send_telegram_alert(message, bot_token, chat_id):
    url = f"https://api.telegram.org/bot{bot_token}/sendMessage"
    requests.post(url, json={
        "chat_id": chat_id,
        "text": message,
        "parse_mode": "Markdown"
    })

Шаг 7: Добавьте исторический анализ

Со временем агент накапливает базу проанализированных новостей. Используйте её для трендового анализа: какие темы набирают обороты, какие уходят в тень, как меняется тональность обсуждений.

Простой график частоты упоминаний ключевых слов по дням показывает больше, чем десятки ручных обзоров. Это барометр для принятия решений.

Шаг 8: Настройте обратную связь

Самый важный шаг. Агент должен учиться на ваших действиях: какие новости вы читаете, какие пропускаете, какие шарите. Эта обратная связь улучшает фильтрацию со временем.

Механика обучения

Лайки и дизлайки: простейший способ указать агенту, что правильно, а что нет.

Время чтения: если вы провели 3 минуты над новостью, она важна. Если закрыли за 5 секунд — нет.

Ручные теги: раз в неделю размечайте 20-30 новостей вручную для калибровки модели.

Архитектура агента

Полный агент — это не один скрипт, а система из нескольких компонентов:

Collector — собирает данные из источников по расписанию.

Analyzer — фильтрует и классифицирует через LLM.

Storage — сохраняет результаты в базу данных.

Notifier — отправляет уведомления и дайджесты.

Dashboard — веб-интерфейс для просмотра и настройки.

Безопасность и приватность

Мониторинг новостей предполагает обработку большого объёма данных. Если вы используете локальные модели через Ollama, данные не покидают вашу машину. При работе с облачными API проверяйте политику хранения данных провайдера.

Храните API-ключи в переменных окружения, не в коде. Настройте ротацию ключей и ограничьте доступ к агенту только доверенным пользователям.

Итог

Восемь шагов превращают хаотичное потребление новостей в управляемый поток. Начните с малого: 5-10 источников, простая фильтрация, один канал уведомлений. По мере роста потребностей добавляйте исторический анализ, машинное обучение на обратной связи и дашборд. Каждый следующий шаг делает агента умнее, а ваш рабочий день — свободнее.