Новости
Обновление услуги LLM: управление API-ключами, моделями и расходами
AA
августа 29, 2026
Обновлено сентября 2, 2026

Как создать Telegram-бота с ИИ на Ollama

Ollama позволяет запустить языковую модель прямо на своём сервере и получать ответы через простой API. Дальше остаётся выбрать удобный интерфейс. Веб панель подходит не всем, а вот Telegram есть почти у каждого и не требует установки ничего дополнительного.

В этой инструкции разберём весь путь от регистрации бота до его постоянной работы на сервере. В итоге получится личный ассистент, который отвечает в привычном мессенджере, использует собственную модель и не отправляет переписку сторонним AI сервисам.

Инструкция подойдёт как для личного использования, так и для небольшой команды. Никаких специфических знаний, кроме базовой работы с терминалом и Python, не требуется, весь код в статье можно скопировать и адаптировать под себя.

Что такое Ollama и как она работает с Telegram

Ollama представляет собой фреймворк для локального запуска больших языковых моделей. Она скачивает веса модели, хранит их на диске и открывает доступ к ним через REST API на порту 11434. По сути это фоновый сервис, который принимает текстовый запрос и возвращает сгенерированный ответ.

Связка с Telegram работает по простой схеме. Пользователь пишет сообщение боту. Бот через Telegram Bot API получает текст, пересылает его в Ollama по локальному адресу, дожидается ответа модели и отправляет его обратно пользователю в чат. Всё это происходит на одном сервере, поэтому дополнительной инфраструктуры не требуется.

Модель загружается один раз и остаётся на диске между перезапусками сервера. Первое обращение к конкретной модели требует времени на скачивание, обычно от пары минут до десятков минут в зависимости от размера. Все следующие обращения идут уже из памяти сервера, без повторной загрузки.

У такого подхода есть и практическая сторона, связанная с приватностью. Переписка с ботом и содержимое запросов не покидают сервер и не попадают к внешнему AI провайдеру. Для личных заметок или внутренней переписки команды это часто важнее, чем разница в качестве ответа между открытой и коммерческой моделью.

Что понадобится перед началом

Из необходимого:

  • аккаунт в Telegram, с которого будем регистрировать бота
  • сервер с Ubuntu 22.04 или новее, минимум 8 ГБ оперативной памяти и 2 4 vCPU для комфортной работы с моделями среднего размера
  • накопитель NVMe или SSD от 40 ГБ, модели весят от одного до нескольких десятков гигабайт
  • базовые навыки работы с терминалом, глубокое знание Python не обязательно

Такому набору требований соответствует практически любой современный VPS. Например, можно взять готовый образ Ubuntu на VPS сервере Serverspace и сразу перейти к установке, не тратя время на подбор конфигурации с нуля.

Пошаговая инструкция

Дальше по порядку пройдём весь путь: от регистрации бота в Telegram до его постоянной работы на сервере.

Шаг 1. Создаём бота через BotFather

Открываем Telegram и находим @BotFather, официального бота для регистрации новых ботов. Отправляем команду /start, затем /newbot. BotFather попросит придумать отображаемое имя бота и техническое имя пользователя, которое обязательно заканчивается на bot.

После этого BotFather пришлёт токен, длинную строку вида 123456789:ABCdefGHIjklMNOpqrsTUVwxyz. Токен даёт полный доступ к управлению ботом, поэтому его нельзя публиковать. Токен стоит сразу сохранить в переменной окружения, а не прямо в коде бота.

Шаг 2. Готовим сервер и устанавливаем Ollama

Подключаемся к серверу по SSH и обновляем систему.

sudo apt update && sudo apt upgrade -y

Устанавливаем Ollama официальным скриптом.

curl -fsSL https://ollama.com/install.sh | sh

Скрипт сам добавляет системную службу, поэтому Ollama запускается вместе с сервером и работает в фоне. Проверить, что служба поднялась, можно командой:

sudo systemctl status ollama

По умолчанию Ollama слушает только локальный адрес 127.0.0.1. Это правильное поведение для нашей задачи, поскольку бот и модель работают на одном сервере и обращаться к API снаружи не нужно. Открывать порт наружу без дополнительной защиты не стоит, об этом подробнее поговорим в разделе ошибок.

Мы показываем установку на примере Ubuntu, а такой образ уже готов к работе на VPS серверах Serverspace: не нужно тратить время на настройку системы с нуля перед тем, как приступить к самой Ollama.

Шаг 3. Выбираем и загружаем модель под свои ресурсы

Модели отличаются размером и, соответственно, требованиями к памяти. Слишком крупная модель на слабом сервере будет генерировать ответ минуту и дольше, а слишком компактная может давать посредственные ответы. Ориентировочные требования собраны в таблице ниже.

Модели Ollama и требования к памяти

Модель Нужная RAM Для чего подходит
llama3.2:3b от 6 ГБ Лёгкий бот для быстрых коротких ответов на слабом сервере
llama3.1:8b от 8 ГБ Универсальный вариант для одного пользователя, баланс скорости и качества
qwen2.5:7b от 8 ГБ Хорошо следует инструкциям, уверенно работает с русским языком
mistral:7b от 8 ГБ Быстрый отклик, альтернатива llama3.1 того же класса
gemma2:9b от 10 ГБ Более развёрнутые и качественные ответы, на CPU заметно медленнее

В названии модели часто встречается пометка вроде q4, это указание на квантование. Так называют сжатие весов модели, которое заметно снижает требования к памяти почти без потери качества ответов. Ollama по умолчанию скачивает уже квантованную версию, поэтому дополнительно ничего настраивать не нужно.

Для старта разумно взять модель среднего размера, например llama3.1:8b или qwen2.5:7b. Загружаем её командой:

ollama pull llama3.1:8b

Скачивание занимает время в зависимости от скорости канала и размера модели. Проверить список уже загруженных моделей можно командой ollama list.

Шаг 4. Настраиваем Python окружение и библиотеки

Устанавливаем Python и создаём виртуальное окружение, чтобы не смешивать зависимости бота с системными пакетами.

sudo apt install python3-venv python3-pip -y
python3 -m venv bot-env
source bot-env/bin/activate

Ставим библиотеки. Для связи с Telegram возьмём aiogram, самую популярную асинхронную библиотеку в русскоязычном сообществе разработчиков ботов. Для общения с Ollama достаточно официального Python клиента.

pip install aiogram ollama python-dotenv

Если привычнее работать с python-telegram-bot, инструкция ниже легко адаптируется под неё. Разница будет только в синтаксисе обработчиков сообщений.

Шаг 5. Пишем код бота, который связывает Telegram и Ollama

Создаём файл .env с токеном и своим Telegram ID, чтобы не хранить чувствительные данные в коде:

BOT_TOKEN=токен_от_botfather
OWNER_ID=твой_telegram_id

Дальше создаём основной файл bot.py:

import asyncio
import os
from dotenv import load_dotenv
from aiogram import Bot, Dispatcher, F
from aiogram.types import Message
from aiogram.filters import CommandStart
import ollama

load_dotenv()

BOT_TOKEN = os.getenv("BOT_TOKEN")
OWNER_ID = int(os.getenv("OWNER_ID"))
MODEL = "llama3.1:8b"

bot = Bot(token=BOT_TOKEN)
dp = Dispatcher()

history = {}

@dp.message(CommandStart())
async def start_handler(message: Message):
await message.answer("Привет. Я твой личный ассистент на базе Ollama.")

@dp.message(F.text)
async def chat_handler(message: Message):
user_id = message.from_user.id
if user_id not in history:
history[user_id] = []

history[user_id].append({"role": "user", "content": message.text})
history[user_id] = history[user_id][-10:]

response = ollama.chat(model=MODEL, messages=history[user_id])
reply = response["message"]["content"]

history[user_id].append({"role": "assistant", "content": reply})
await message.answer(reply)

async def main():
await dp.start_polling(bot)

if __name__ == "__main__":
asyncio.run(main())

Бот работает через long polling, то есть сам периодически опрашивает серверы Telegram на предмет новых сообщений. Для личного или командного использования такой подход проще, чем webhook, поскольку не требует домена и SSL сертификата. История переписки хранится в оперативной памяти и ограничена десятью последними сообщениями, чтобы запрос к модели не разрастался и не замедлял ответ.

Шаг 6. Ограничиваем доступ только для себя

Пока в текущем виде бот отвечает любому, кто найдёт его по имени пользователя. Добавляем проверку в начало обработчика chat_handler:

@dp.message(F.text)
async def chat_handler(message: Message):
if message.from_user.id != OWNER_ID:
return
# остальной код обработчика без изменений

Для командного бота вместо одного OWNER_ID стоит завести список разрешённых идентификаторов и проверять вхождение в него. Так модель не станет доступна случайным людям, которые узнают юзернейм бота.

Шаг 7. Настраиваем автозапуск через systemd

Чтобы бот поднимался вместе с сервером и перезапускался при сбое, оформляем его как системную службу:

sudo nano /etc/systemd/system/ai-bot.service

[Unit]
Description=Telegram AI Bot on Ollama
After=network-online.target

[Service]
Type=simple
User=botuser
WorkingDirectory=/home/botuser/bot
ExecStart=/home/botuser/bot/bot-env/bin/python /home/botuser/bot/bot.py
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target

Включаем и запускаем службу:

sudo systemctl daemon-reload
sudo systemctl enable ai-bot
sudo systemctl start ai-bot

Шаг 8. Проверяем, что всё работает

Открываем Telegram и пишем боту любое сообщение. Ответ должен прийти за несколько секунд, время зависит от размера модели и мощности сервера. Если бот молчит, проверяем логи службы командой sudo journalctl -u ai-bot -f. Там обычно видна причина: неверный токен, опечатка в пути к файлу или Ollama ещё не успела подняться после перезагрузки.

Плюсы и ограничения такого подхода

Из плюсов такого решения. Переписка и промпты остаются на своём сервере и не уходят к стороннему AI провайдеру. Расходы предсказуемы: платим только за аренду сервера, а не за каждый токен генерации. Модель можно поменять в любой момент одной командой, без переустановки бота.

Ещё один плюс, если бот собирает или обрабатывает персональные данные пользователей, например имя и контакты для заявок, важно помнить про требования 152-ФЗ: нужно согласие на обработку и хранение данных на территории России. Для личного или внутреннего командного ассистента без сбора таких данных это не актуально, но для бота поддержки на сайте стоит держать в голове.

Из ограничений. Качество ответов открытых моделей на CPU обычно уступает топовым облачным LLM, особенно на сложных задачах вроде глубокого анализа кода. Скорость генерации на процессоре без видеокарты заметно ниже, чем в облачных сервисах, ответ может занимать несколько секунд даже на среднем по мощности сервере. Обновления модели и контроль за нагрузкой на сервер тоже становятся заботой владельца, а не готовым сервисом на стороне провайдера.

Если ресурсов начинает не хватать под выбранную модель, апгрейд обычно занимает пару минут через панель управления, без переноса на новую машину. На VPS Serverspace конфигурация меняется прямо в панели, поэтому нарастить память под более крупную модель можно без переезда на другой сервер.

Где применить такого бота: практические сценарии

Личный ассистент. Быстрые ответы на вопросы, помощь с текстом, конспекты прямо в привычном чате, без переключения между приложениями и без отдельной подписки на сторонний AI сервис.

Внутренний бот для команды. Общий доступ к модели для нескольких человек без раздачи ключей коммерческого API каждому и без отдельного счёта за токены на сотрудника. Достаточно расширить список разрешённых идентификаторов из шестого шага.

Первая линия поддержки. Бот отвечает на типовые вопросы клиентов по скрипту или базе знаний компании и переключает на человека, если запрос выходит за рамки шаблонных сценариев.

Помощник для черновиков. Рерайт, суммаризация присланных документов, черновики постов и писем перед финальной правкой человеком.

Учебный или справочный бот. Ответы по конкретной теме или базе знаний, например для онбординга новых сотрудников или как справочник по внутренним регламентам компании.

Частые ошибки при настройке

Открывают Ollama наружу без файрвола. Если поменять адрес прослушивания на 0.0.0.0 без дополнительной защиты, сервер становится доступен из интернета. По данным исследователей, в начале 2026 года в сети нашли около 175 тысяч публично открытых серверов Ollama по всему миру, у части из них не было вообще никакой авторизации.

Не ограничивают доступ к боту. Без проверки идентификатора пользователя ответить боту может кто угодно, кто найдёт его по имени пользователя.

Берут слишком тяжёлую модель под слабый сервер. Ответ занимает минуту и больше, хотя проблема не в самом боте, а в несоответствии модели и железа.

Хранят токен бота прямо в коде. При случайной публикации репозитория токен утекает вместе с полным доступом к боту.

Забывают про автозапуск. После перезагрузки сервера бот просто не поднимается, пока кто то не зайдёт и не запустит его вручную.

Не ограничивают длину истории диалога. Контекст постепенно разрастается, запрос к модели становится длиннее, а ответ приходит медленнее с каждым новым сообщением.

Не обновляют Ollama и модели. Проект развивается быстро, новые версии приносят как исправления безопасности, так и более качественные модели. Периодическая проверка обновлений командой ollama --version и обновление системы занимает пару минут, а игнорирование обновлений постепенно накапливает риски.

Заключение

Связка Telegram и Ollama даёт рабочего личного ассистента за несколько шагов: регистрация бота, установка модели на сервере и немного кода на Python. Дальше можно донастраивать бота под себя, пробовать другие модели, добавлять список разрешённых пользователей для команды или расширять сценарии использования. Если в процессе серверу перестанет хватать ресурсов под выбранную модель, конфигурацию всегда можно увеличить без переезда на новую инфраструктуру.

Оценка:
4 из 5
Аverage rating : 4.3
Оценок: 3
191028 Санкт-Петербург Литейный пр., д. 26, Лит. А
+7 (812) 403-06-99
700 300
ООО «ИТГЛОБАЛКОМ ЛАБС»
700 300