Аналитика чата на автопилоте через GitHub Actions
GitHub Agentic Workflows позволяет запускать AI-агента по расписанию — как cron, только вместо скрипта работает агент, который думает. Я поставил на автопилот ежедневную аналитику Telegram-чата: агент сам просыпается, читает данные, находит тренды и публикует отчёт как GitHub Issue. Без моего участия.
Утренний отчёт, которого никто не писал
Представь: каждое утро в репозитории появляется свежий отчёт. Кто вчера писал в чате. О чём говорили. Какие темы набирают обороты. И всё это — без единого ручного действия.
У меня есть платное комьюнити “Рисоварка” — 41 человек, выпускники Кружка Вайбкодинга. Чат живой, сообщения летят каждый день. Раньше я просто листал переписку — когда успевал. Часто не успевал. Терялись интересные обсуждения, не замечал, кто выпал из активности.
Хотелось простую штуку: открыл GitHub утром — а там уже лежит саммари за вчера. Кто писал, о чём, что интересного. Не дашборд, не приложение — просто текстовый отчёт.
Что такое GitHub Agentic Workflows
Если знаешь GitHub Actions — уже понимаешь основу. Actions запускает тесты по событию: пуш в репозиторий — побежали проверки. Agentic Workflows делает то же самое, только вместо тестов запускается AI-агент. И триггер может быть не только пуш, а расписание — каждый день в 9 утра, каждый понедельник, каждый час.
Ключевое отличие: задачу для агента пишешь на обычном языке. Не код, не конфиг — а текст. Как пишешь промпт в чате, только сохраняешь в файл. GitHub читает этот файл и отправляет агенту.
GitHub выложил Agentic Workflows в техническое превью 13 февраля 2026. Открытый код, MIT-лицензия. На выбор три движка — Copilot, Claude Code, OpenAI Codex. Я выбрал Claude.
Мне нравится думать об этом как о “Continuous AI”. CI/CD — это непрерывная сборка и тестирование кода. Continuous AI — это непрерывное мышление агента. По расписанию, без ручного запуска, с результатом в репозитории.
Первая попытка: агент и закрытая база
У меня все сообщения из Telegram-чата уже летят в базу данных в облаке. Бот-коллектор собирает переписку и складывает в облачное хранилище — я уже использую эту базу для семантического поиска по чатам.
Логичная мысль: пусть агент подключится к базе напрямую и сам достанет данные.
Сформулировал задачу для агента:
Агент честно попытался. Создал воркфлоу, прописал подключение к базе, запустил. И упёрся в стену.
Облачная база данных закрыта от внешних подключений. Это стандартная защита — сервер принимает соединения только от “своих”. GitHub Actions — не свой. Агент просто не смог достучаться.
Гибридный подход: сначала данные, потом агент
Час отладки — и я понял: проблема не в коде, а в архитектуре. Агент запускается в песочнице GitHub Actions, а песочница пропускает только HTTP-трафик. Подключиться к базе данных по прямому TCP — нельзя. Тот же паттерн — сначала подготовь контекст, потом отдай агенту — я уже встречал в других задачах.
Решение: разбить на два шага. Сначала обычный скрипт достаёт данные из базы. У скрипта есть доступ, он запускается в том же окружении что и база. Потом агент читает готовый файл и делает анализ.
Переформулировал задачу для агента:
Агент перестроил архитектуру. Теперь воркфлоу работает в два такта:
┌─────────────────────────────────────────────────┐
│ GitHub Agentic Workflow │
│ │
│ Такт 1: ДАННЫЕ │
│ ┌──────────┐ ┌──────────┐ ┌─────────┐ │
│ │ Скрипт │ ──▶ │ База │ ──▶ │ Файл │ │
│ │ (Python) │ │ (облако) │ │ .md │ │
│ └──────────┘ └──────────┘ └────┬────┘ │
│ │ │
│ Такт 2: АНАЛИЗ ▼ │
│ ┌──────────┐ ┌──────────┐ ┌─────────┐ │
│ │ AI-агент │ ──▶ │ Анализ │ ──▶ │ Issue │ │
│ │ (Claude) │ │ данных │ │ (отчёт) │ │
│ └──────────┘ └──────────┘ └─────────┘ │
│ │
│ ⏰ Каждый день в 9:00 │
└─────────────────────────────────────────────────┘
Скрипт, который агент написал, подключается к базе, выгружает сообщения за последние сутки и сохраняет в файл. Дальше агент получает этот файл и промпт:
Что получилось
Первый автоматический отчёт появился на следующее утро. Открываю GitHub — свежий Issue с четырьмя темами обсуждения на русском, таблицей топ-контрибьюторов и трендами. Агент сам определил кластеры: MCP-серверы, голосовой ввод, монетизация бота, деплой на Vercel.
Но по-настоящему удивило другое. Агент заметил, что активность выросла в 10 раз по сравнению с предыдущим днём. Я этого не просил — он сам сопоставил цифры и подсветил аномалию. Оказалось, накануне я провёл стрим и в чат пришла волна новых участников.
Весь воркфлоу — около 60 строк текста на обычном языке. Скрипт для выгрузки данных — полторы сотни строк, которые агент написал сам. Я не трогал ни строчки.
Паттерн, который работает везде
Это не уникальное решение для одного чата. Это паттерн: сначала данные, потом агент.
Базы за файрволом, API с авторизацией, внутренние сервисы — агент туда не достучится. Но если подготовить данные и положить рядом — агент найдёт паттерны, напишет саммари, сравнит с прошлым периодом, подсветит аномалии.
Подход похож на то, как устроен пайплайн для статей — разбиваешь на фазы, каждая делает одно дело хорошо. Скрипт хорошо достаёт данные. Агент хорошо думает. Вместе — рабочая система.
Этот же паттерн подходит для:
- Дейли по задачам — скрипт достаёт данные из Jira/Linear/GitHub Projects, агент пишет саммари
- Мониторинг упоминаний — скрипт парсит соцсети, агент определяет тональность
- Анализ метрик — скрипт выгружает из аналитики, агент находит аномалии
- Дайджест новостей — скрипт собирает RSS, агент фильтрует по релевантности
Агенту нужен контекст. Если контекст лежит в файле — агент справится.
Что это значит для вайбкодера
Раньше анализ чата выглядел так: открыл Telegram, полистал, что-то заметил, что-то пропустил, забыл. Если повезло — записал заметку. Чаще не повезло.
Теперь агент делает это сам. Каждый день. Без напоминаний, без забываний, без “потом посмотрю”. Это похоже на то, как хуки в Claude Code позволяют агенту самому вести задачи — только масштабнее. Не реакция на событие, а проактивная работа по расписанию.
Мне нравится слово “автопилот”. Не автоматизация — это про скрипты. Автопилот — когда система сама принимает решения в рамках заданного маршрута. Я задал маршрут: каждый день анализируй чат, подсвечивай важное. Дальше — без меня.
Claude Code уже работает как операционка для ежедневных задач — а Agentic Workflows делает следующий шаг. Операционка, которая работает даже когда ты спишь.
Можно начать с чего-нибудь простого — попросить агента делать ежедневный отчёт по коммитам, саммари Issues за неделю или анализ Pull Request. Для данных из GitHub даже скрипт-посредник не нужен: агент достанет их сам.
Частые вопросы
GitHub Agentic Workflows — это бесплатно?
Пока в техническом превью — да, для публичных репозиториев. Для приватных расходуются GitHub Actions минуты. AI-модель оплачивается отдельно через GitHub Copilot или подключение своего ключа.
Можно ли использовать не Claude, а другую модель?
Да. Agentic Workflows поддерживает три движка: GitHub Copilot, Claude Code, OpenAI Codex. Выбираешь в конфигурации воркфлоу.
Насколько сложно настроить первый воркфлоу?
Если у тебя есть GitHub-репозиторий и данные в доступном формате — хватит одного промпта агенту. Он сам создаст файл воркфлоу, напишет промпт для AI-шага, настроит расписание. Мой первый рабочий вариант появился за вечер, включая разбор проблемы с файрволом.
Подписаться на обновления — @sereja_tech