ИИ-секретарь Лиза Петровна тратит $77 в месяц: 88% ответов даёт DeepSeek

Автор проекта «Лиза Петровна», ИИ-секретаря в Telegram и MAX, выложил на Habr цифры с боевого сервера. С 30 мая боту написали 8568 запросов 118 человек. Языковые модели для всех агентов за последние 30 дней обошлись в $77. Почти все ответы, 88%, даёт DeepSeek. Дорогая модель Opus получает около 7% запросов, но съедает примерно три четверти бюджета.

Как устроен секретарь

Лиза Петровна работает как диспетчер. Пользователь пишет в мессенджер, а секретарь решает, какому из агентов передать задачу. Автор обещает в полной версии статьи показать код выбора модели и разобрать память на pgvector, то есть векторный поиск внутри Postgres. Из опубликованного анонса видно главное: система не гоняет все запросы через одну дорогую модель, а распределяет их по уровню сложности. Подробностей маршрутизации в анонсе нет, их придётся читать в оригинале.

Отдельная деталь касается самих запросов. Календарь, то есть то, что обычно ассоциируется с секретарём, составляет меньше 5% обращений. Чем люди пользуются в остальных 95%, автор раскрывает в основном тексте.

Где уходят деньги

Посчитаем по опубликованным данным. $77 в месяц составляют около $2,6 в день. Три четверти бюджета, то есть порядка $58, уходят на Opus. На всё остальное, включая DeepSeek с его 88% ответов, остаётся около $19.

Если доли запросов и расходов считаются по одной базе, получается грубая оценка: средний запрос к Opus дороже среднего запроса к остальным моделям примерно в 40 раз. Это оценка по двум процентам из анонса, а не измеренная величина. Но порядок разницы показателен. Экономию даёт не торг за цену токена, а решение, какие запросы вообще допускаются к дорогой модели.

Ключевые метрики проекта:

• период с 30 мая: 8568 запросов от 118 человек;
• расходы на LLM для всех агентов за 30 дней: $77;
• доля ответов DeepSeek: 88%;
• доля запросов к Opus: около 7%, доля расходов: около 75%;
• запросы про календарь: меньше 5%;
• память: pgvector;
• каналы: Telegram и MAX.

Что можно забрать себе

У кейса есть ограничения. Это данные одного автора, аудитория в 118 человек, и сравнением моделей по качеству они не являются. Из них нельзя вывести, что DeepSeek заменяет Opus. Можно вывести только, что на реальном потоке бытовых запросов большинству ответов дорогая модель не требуется.

Для тех, кто строит похожих агентов, это сводится к нескольким практическим шагам:

• Считайте стоимость не в среднем по больнице, а по классам запросов. Распределение вроде «7% запросов, 75% денег» легко пропустить, если смотреть только на общий счёт.
• Делайте дешёвую модель выбором по умолчанию, а дорогую подключайте по явному признаку сложности.
• Смотрите, о чём пользователи просят на самом деле. Если календарь занимает меньше 5%, оптимизировать стоит другие сценарии.
• Для памяти не обязательно заводить отдельную векторную базу. pgvector работает в уже привычном Postgres, а на таком масштабе этого хватает.
• Честно фиксируйте ошибки. Автор отдельно разбирает, где секретарь до сих пор ошибается, и такой раздел полезнее красивых демо.

Само присутствие MAX рядом с Telegram тоже сигнал: российские боты всё чаще выходят на несколько мессенджеров сразу, и маршрутизация моделей оказывается общим слоем для всех каналов.