Дата публикации: 15.05.2026

Создание скриптов для автоматизации нейросетями (API)

Что вы получите от этого занятия

Вы научитесь писать небольшие, но мощные скрипты, которые «говорят» с нейросетевыми сервисами через их API. После урока сможете:

Навык	Почему он важен
Получать токен доступа	Без него сервис откажет в обслуживании.
Отправлять запросы	Вы управляете тем, какие данные передаёте модели.
Обрабатывать ответы	Превращаем сырые JSON‑данные в удобные структуры.
Автоматизировать цикл	Один скрипт заменит десятки ручных действий.

1. Основы клиент‑серверного взаимодействия

API (Application Programming Interface) — это набор правил, по которым ваш код может «разговаривать» с внешним сервисом. Представьте, что сервис — это ресторан, а API — меню: вы выбираете блюдо (метод), указываете ингредиенты (параметры) и получаете готовый заказ (ответ).

Термин	Описание	Пример
Endpoint	URL‑адрес, к которому посылается запрос.	`https://api.openai.com/v1/completions`
Method	HTTP‑метод: `GET`, `POST`, `PUT`, `DELETE`.	`POST` для отправки данных.
Headers	Метаданные запроса (ключи авторизации, тип контента).	`Authorization: Bearer <TOKEN>`
Payload	Тело запроса, обычно в формате JSON.	`{ "model": "gpt-4", "prompt": "Привет" }`
Response	Ответ сервера, тоже JSON‑объект.	`{ "choices": [{ "text": "..." }] }`

2. Подготовка окружения

Python ≥ 3.8 – самый популярный язык для скриптов.
pip – менеджер пакетов.
requests – библиотека для HTTP‑запросов.

pip install requests tqdm

tqdm — прогресс‑бар, который сделает ваш скрипт более дружелюбным.

3. Получение токена доступа

Большинство провайдеров (OpenAI, Anthropic, Cohere) используют Bearer Token.

import os

# Сохраните токен в переменной окружения, чтобы не писать его в коде
API_KEY = os.getenv("OPENAI_API_KEY")
if not API_KEY:
    raise RuntimeError("Установите переменную окружения OPENAI_API_KEY")

Совет: храните токены в файле .env и подключайте их через python-dotenv.

4. Структура простого скрипта

import json, time
import requests
from tqdm import tqdm

BASE_URL = "https://api.openai.com/v1"
HEADERS = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def complete(prompt: str, model: str = "gpt-4o", max_tokens: int = 256) -> str:
    payload = {
        "model": model,
        "prompt": prompt,
        "max_tokens": max_tokens,
        "temperature": 0.7
    }
    resp = requests.post(f"{BASE_URL}/completions", headers=HEADERS, json=payload)
    resp.raise_for_status()                # бросит исключение, если ошибка
    data = resp.json()
    return data["choices"][0]["text"].strip()

Что происходит в функции?

Шаг	Действие	Почему важно
payload	Формируем JSON‑тело запроса.	Позволяет задать модель, текст и ограничения.
requests.post	Отправляем `POST`‑запрос.	`POST` — все данные идут в теле, а не в URL.
raise_for_status	Проверяем HTTP‑код.	Автоматически поймаем 4xx/5xx ошибки.
resp.json()	Декодируем ответ в Python‑словарь.	Удобно работать дальше.
return	Возвращаем чистый текст.	Убираем лишние пробелы.

5. Обработка ошибок и повторные попытки

Сети бывают непредсказуемыми: тайм‑ауты, перегрузка сервера, лимиты. Пример с экспоненциальным бэкоффом:

def safe_complete(prompt, retries=5, backoff=2):
    for attempt in range(retries):
        try:
            return complete(prompt)
        except requests.HTTPError as e:
            if e.response.status_code in (429, 500, 502, 503, 504):
                wait = backoff ** attempt
                print(f"Ошибка {e.response.status_code}. Ждём {wait}s...")
                time.sleep(wait)
                continue
            raise
    raise RuntimeError("Не удалось получить ответ после нескольких попыток")

6. Пакетная обработка запросов

Если у вас есть список вопросов, лучше отправлять их параллельно (но не слишком быстро, иначе получим 429). С tqdm и concurrent.futures это просто:

from concurrent.futures import ThreadPoolExecutor, as_completed

def batch_process(prompts):
    results = {}
    with ThreadPoolExecutor(max_workers=5) as executor:
        future_to_prompt = {executor.submit(safe_complete, p): p for p in prompts}
        for future in tqdm(as_completed(future_to_prompt), total=len(prompts)):
            prompt = future_to_prompt[future]
            try:
                results[prompt] = future.result()
            except Exception as exc:
                results[prompt] = f"Ошибка: {exc}"
    return results

7. Сохранение и повторное использование результатов

Храните ответы в JSON‑файле – удобно для дальнейшего анализа.

def save_results(results, filename="answers.json"):
    with open(filename, "w", encoding="utf-8") as f:
        json.dump(results, f, ensure_ascii=False, indent=2)

8. Пример полного скрипта «FAQ‑бота»

#!/usr/bin/env python3
import os, json, time
import requests
from tqdm import tqdm
from concurrent.futures import ThreadPoolExecutor, as_completed

API_KEY = os.getenv("OPENAI_API_KEY")
BASE_URL = "https://api.openai.com/v1"
HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}

def complete(prompt):
    payload = {"model": "gpt-4o", "prompt": prompt, "max_tokens": 300, "temperature": 0.5}
    resp = requests.post(f"{BASE_URL}/completions", headers=HEADERS, json=payload)
    resp.raise_for_status()
    return resp.json()["choices"][0]["text"].strip()

def safe_complete(prompt, retries=4, backoff=2):
    for i in range(retries):
        try:
            return complete(prompt)
        except requests.HTTPError as e:
            if e.response.status_code == 429:
                wait = backoff ** i
                print(f"Rate limit, ждём {wait}s")
                time.sleep(wait)
                continue
            raise
    raise RuntimeError("Не удалось получить ответ")

def batch(prompts):
    answers = {}
    with ThreadPoolExecutor(max_workers=4) as pool:
        futures = {pool.submit(safe_complete, p): p for p in prompts}
        for f in tqdm(as_completed(futures), total=len(prompts)):
            p = futures[f]
            try:
                answers[p] = f.result()
            except Exception as exc:
                answers[p] = f"Ошибка: {exc}"
    return answers

if __name__ == "__main__":
    questions = [
        "Как объяснить принцип работы нейронных сетей школьнику?",
        "Какие есть лучшие практики для обучения модели на небольшом наборе данных?",
        "Что такое «переподгонка» и как её избежать?"
    ]
    result = batch(questions)
    with open("faq_answers.json", "w", encoding="utf-8") as f:
        json.dump(result, f, ensure_ascii=False, indent=2)
    print("Готово! Ответы сохранены в faq_answers.json")

Скрипт:

Считывает вопросы из списка.
Параллельно отправляет их в API.
Обрабатывает ограничения скорости.
Сохраняет ответы в читаемый JSON‑файл.

9. Советы по оптимизации и безопасности

Совет	Как реализовать
Кеширование	Сохраняйте уже полученные ответы в локальном словаре; при повторных запросах берите из кеша.
Ограничение скорости	`time.sleep(0.2)` между запросами, если лимит ≈ 5 req/s.
Секреты в коде	Никогда не хардкодите токен, используйте переменные окружения или менеджер секретов (Vault, AWS Secrets Manager).
Логирование	Записывайте запросы и ответы в отдельный лог‑файл, чтобы отследить ошибки.
Тестирование	Пишите юнит‑тесты с `unittest.mock` для имитации API‑ответов.

10. Расширенные возможности

Streaming – некоторые провайдеры поддерживают потоковый вывод (stream=True). Позволяет получать токены «по кусочкам», что ускоряет интерактивные интерфейсы.
Batch‑endpoint – если сервис принимает массив запросов за один HTTP‑вызов, экономите время и деньги.
Webhooks – вместо опроса можно настроить обратный вызов, когда модель готова.

Практика для закрепления

Получите токен от любого публичного LLM‑сервиса (например, OpenAI) и сохраните его в переменной окружения OPENAI_API_KEY.
Напишите функцию generate_image(prompt), которая использует endpoint /images/generations (или аналогичный) для создания картинки по текстовому описанию. Сохраните полученный URL в файл images.json.
Создайте пакетный скрипт: возьмите список из 20 вопросов (можно скопировать из интернета) и получите ответы, используя параллельные запросы. Ограничьте количество одновременных потоков до 3 и добавьте прогресс‑бар.
Реализуйте кеш: при повторном запуске скрипта ответы на уже обработанные вопросы берутся из локального JSON‑файла, а новые запросы отправляются в API.
Обработайте ошибку 429 (превышение лимита) с помощью экспоненциального бэкоффа, но дополнительно выведите в консоль количество попыток и время ожидания.

Проверьте, что каждый пункт работает без ошибок, и проанализируйте, сколько времени занял каждый вариант (с кешем vs без).

Вы освоили фундаментальные навыки создания скриптов для автоматизации работы с нейросетевыми API. Теперь можете интегрировать модели в любые бизнес‑процессы, учебные материалы или исследовательские пайплайны. Удачной кодировки!

Что такое нейросети и как они работают (простое объяснение)
Обзор популярных нейросетей: ChatGPT, Claude, Gemini, DeepSeek
Как правильно формулировать запросы (промты) для нейросетей
Регистрация и настройка аккаунтов в основных сервисах
Безопасность: что нельзя загружать в нейросети
Использование нейросетей для генерации идей для проектов
Написание писем и деловой переписки с помощью ИИ
Создание структуры доклада или презентации
Автоматическое реферирование больших текстов
Как нейросети помогают учить иностранные языки
Генерация тестов и экзаменационных вопросов
Подготовка к собеседованию с помощью ИИ
Написание постов для соцсетей и блогов
Создание конспектов лекций и видеоуроков
Объяснение сложных тем простыми словами
Генерация примеров для решения задач по математике
Написание кода на Python с помощью нейросетей
Отладка и исправление ошибок в коде
Написание SQL-запросов через ИИ
Автоматизация рутинных отчётов в Excel и Google Sheets
Анализ данных и поиск трендов
Создание таблиц и сводок из неструктурированного текста
Генерация резюме и сопроводительных писем
Составление планов уроков для преподавателей
Проверка грамматики и стиля текста
Генерация названий для статей и видео
Создание аннотаций и кратких содержаний книг
Помощь в решении творческих задач (написание сценариев)
Использование нейросетей для переговоров и аргументации
Составление расписания и to-do листов
Подбор литературы и источников по теме
Генерация возражений для тренировки продаж
Написание инструкций и руководств
Анализ тональности текста
Создание чек-листов для рабочих процессов
Как нейросети помогают перефразировать текст (рерайтинг)
Составление меню и планов питания с обоснованием
Подбор образовательных траекторий под цели ученика
Написание отзывов и рекомендательных писем
Создание вопросов для интервью
Генерация заданий для учеников с ответами
Обобщение переписок в мессенджерах (подведение итогов)
Расчёт бюджета и приблизительных смет
Составление плана развития навыков (roadmap)
Генерация базы знаний для нового сотрудника
Ускорение чтения и обработки документов
Перевод профессиональной лексики с пояснением
Создание скриптов для автоматизации нейросетями (API)
Этика использования ИИ: плагиат и проверки на ИИ
Ограничения и галлюцинации нейросетей (как проверять факты)
Создание пайплайна: от идеи до готового текста с помощью ИИ
Бесплатный курс Excel: логистика, учёт остатков и подбор транспорта
Чат с искусственной подругой
Чатрулетка: чат с новыми друзьями
Чай и кофе: утренний ритуал
Экран с отображением времени в полном размере
Фототехника с подсветкой
Генератор паролей с буквами и цифрами
Игры на развитие воображения у детей
Инновационные методы 3D-печати в строительстве бетонных конструкций
Легковые и микроавтобусы от немецких брендов
Материализация подсказок в Oracle Advanced Security для обеспечения безопасности данных
Местные автобренды России
Нейросети и анализ данных: бесплатно
Оптимизация работы с CDN GEO
Политика конфиденциальности и пользовательское соглашение
Смех без конца
Создание мемов без фотошопа: пошаговое руководство
Средства IP видеосистем
VDSina для чайников: основы
Видеосвязь без задержек
Виджет обратной связи с поддержкой
Зачем видеочат-ролетка в чате

DeepEdit!