Как собрать дайджест новостей на базе MWS Tables: опыт MWS

Собрать дайджест новостей вручную — это десятки открытых вкладок, пропущенные важные публикации и часы, потраченные на сортировку. Команда MWS Tables решила эту проблему, создав автоматизированную систему на базе собственной платформы, которая собирает новости из публичных каналов, отсеивает нерелевантное и формирует готовый дайджест. При этом управлять системой могут сотрудники без навыков программирования — вся логика настраивается через таблицы. В этой статье разберем, как устроено решение, какие компоненты в него входят и как вы можете применить аналогичный подход в своей работе.

Зачем понадобилась автоматизация

Потребность в мониторинге трендов возникла у B2B-отдела MWS, который ежедневно отслеживал рыночные новости для коммуникаций с партнерами и клиентами. Ручной просмотр Telegram-каналов и RSS-лент отнимал значительную часть рабочего времени, а готовые сервисы мониторинга не позволяли гибко настраивать источники и правила отбора. Кроме того, многие зарубежные инструменты ограничены или недоступны на российском рынке, что делало их использование проблематичным.

Руководитель разработки MWS Tables Даниил Оларь предложил нестандартное решение: использовать таблицы как основу системы, а для автоматизации применить ботов и языковые модели. Такой подход позволил создать инструмент, который не требует программирования для настройки и полностью адаптирован под задачи команды. Таблицы стали не просто хранилищем данных, а «мозгом» системы, где хранятся источники, промпты и правила отправки.

Как устроена система

Система состоит из трех ключевых компонентов: таблиц с конфигурацией, бота-сборщика и бота-публикатора. Таблицы содержат три основных раздела: источники новостей, промпты для LLM и правила отправки дайджеста. Бот-сборщик по расписанию проверяет таблицу источников, загружает новые посты в таблицу «Новости» и передает их на обработку языковой модели. LLM, используя промпт из таблицы промптов, определяет релевантность каждой новости заданным темам и отсеивает нерелевантные материалы. Затем бот-публикатор формирует дайджест на основе правил из третьей таблицы и отправляет его в указанную группу.

Ключевая особенность архитектуры — вся логика управляется данными в таблицах, а не кодом. Это означает, что для добавления нового источника достаточно внести строку в таблицу, а для изменения критериев отбора — отредактировать промпт. Никаких изменений в коде ботов не требуется. Такой подход резко снижает порог входа: аналитик или маркетолог может самостоятельно настроить систему под свои задачи, не обращаясь к разработчикам.

Какие таблицы нужны для настройки дайджеста?

Для работы системы необходимо создать три таблицы. Первая — «Источники» — содержит название канала, тип (Telegram, RSS), ссылку и статус активности. Вторая — «Промпты» — хранит текст промпта, тему и модель LLM. Третья — «Правила отправки» — определяет получателей, частоту отправки и формат дайджеста. Такая структура проста и масштабируема: можно добавить десятки источников и несколько промптов для разных тем, создавая несколько дайджестов с различной направленностью.

Например, вы можете настроить один дайджест для новостей о конкурентах, второй — для отраслевых трендов, третий — для упоминаний вашего бренда. Для этого достаточно создать соответствующие промпты и указать разные правила отправки. Система будет автоматически обрабатывать все источники и формировать отдельные подборки для каждой темы.

Технические детали реализации

Хотя полный код не раскрывается, из описания можно сделать вывод, что боты написаны на Python — это наиболее распространенный язык для подобных задач. Они используют API MWS Tables для чтения и записи данных, а для работы с LLM подключаются через API, вероятно, OpenAI или аналогичный сервис. Запуск ботов настраивается через планировщик, например cron, что позволяет задать частоту проверки источников — от нескольких минут до нескольких часов.

Важно отметить, что MWS Tables — это платформа, похожая на Airtable или Google Sheets, но с фокусом на простоту и интеграции. Она предоставляет удобный интерфейс для работы с таблицами и API для автоматизации. Благодаря этому, система легко встраивается в существующие процессы и может взаимодействовать с другими инструментами через API.

Сравнение с готовыми сервисами

На рынке существуют готовые решения для мониторинга новостей, такие как Feedly или Google Alerts. Они предлагают базовый функционал, но имеют существенные ограничения. Feedly позволяет подписаться на RSS-каналы, но не предоставляет гибких правил фильтрации и автоматической отправки дайджеста. Google Alerts отправляет уведомления по ключевым словам, но не позволяет настраивать сложные промпты для LLM и не интегрируется с другими системами.

MWS Tables, напротив, дает полный контроль над процессом: вы сами определяете источники, критерии отбора и формат дайджеста. Кроме того, данные хранятся локально, что важно для компаний с требованиями к безопасности. Для команд, которые уже используют таблицы в работе, это естественное расширение функциональности без необходимости внедрять новую систему.

Кому это будет полезно

Решение, описанное в кейсе, будет полезно маркетологам, PR-специалистам и аналитикам, которым необходимо отслеживать новости по определенным темам. Вместо ручного просмотра каналов они получают автоматический дайджест, который можно настроить под свои задачи. Например, маркетолог может отслеживать упоминания бренда в СМИ, PR-специалист — следить за отраслевыми трендами, а аналитик — мониторить действия конкурентов.

Для российского рынка это особенно актуально, поскольку многие зарубежные сервисы мониторинга ограничены или недоступны. Самописное решение на отечественной платформе MWS Tables снимает эти проблемы и обеспечивает полную автономность. Кроме того, данные хранятся локально, что соответствует требованиям законодательства о персональных данных.

Перспективы развития

MWS Tables продолжает развивать платформу, и можно ожидать появления готовых шаблонов для подобных систем. Возможно, команда опубликует больше технических деталей или откроет код ботов, что позволит другим командам быстрее внедрить аналогичное решение. Для читателей, которые хотят повторить кейс, стоит изучить API MWS Tables — он документирован и доступен.

Также вероятно, что подобные системы станут стандартом для B2B-мониторинга: сочетание таблиц, LLM и ботов — это недорого и быстро внедряется. Следите за обновлениями MWS Tables, чтобы не пропустить новые кейсы и шаблоны.

Итоги

MWS Tables продемонстрировала практичный способ автоматизации сбора новостей без программирования для конечных пользователей. Система на базе таблиц, LLM и ботов экономит время и позволяет гибко настраивать процесс. Если вы ищете решение для мониторинга трендов, этот кейс — отличная отправная точка. Начните с простого: создайте таблицу источников, добавьте промпт и настройте бота-публикатора. Уже через несколько часов вы получите работающий дайджест, который будет собираться автоматически.