Как сделать нейросеть: 4 пути собрать своего помощника

Что значит «своя нейросеть» на практике?

Своя нейросеть - это не нейросеть, обученная тобой с нуля, а готовая базовая модель, у которой ты поменял правила и подложил свои файлы. Обучение модели с нуля - это месяцы расчётов на кластере видеокарт и бюджеты уровня лаборатории, к теме статьи это не имеет отношения вообще

Разница на практике: базовая модель отвечает обо всём сразу, а твоя - строго по твоим правилам и на твоих данных. Дальше в статье это подтверждено сравнением: один и тот же вопрос я задал базовой модели и своей, и разница видна прямо в содержании ответов

Если ты искал объяснение самого устройства нейросетей - оно отдельно, в статье что такое нейросеть. Здесь - только про сборку своей

Какие 4 пути ведут к своей нейросети?

Все 4 пути решают одну задачу - модель со своими правилами, но отличаются порогом входа и тем, где эта модель живёт. Путь без кода не спрашивает ничего, кроме аккаунта. Путь через Ollama не спрашивает счёт разработчика и работает без интернета, зато просит место на диске

Дальше разбираю каждый путь по порядку - что вводишь, что получаешь и где он спотыкается о доступ из России

Как собрать помощника без кода в конструкторе чата?

Помощника без кода собирают в три поля формы: имя, инструкция и файлы знаний - без единой строки кода. У Gemini этот конструктор называется Gems: вход через gemini.google.com, кнопка Explore Gems, дальше New Gem. Справка Google называет ровно три поля - Name (имя помощника), Instructions (инструкции, которым он следует), Knowledge files (файлы, дающие контекст) (справка Gemini, Gems, обращение 17.08.2026)

Та же справка советует структуру инструкции из четырёх частей: Persona (роль помощника), Task (что он делает), Context (в каком контексте), Format (в каком виде отвечает). Собрать помощника-редактора по этой структуре - десять минут, без единой строки кода

Похожий конструктор есть и у ChatGPT - там его называют GPT. Проверить его своими руками я не смог: 17.08.2026 адрес chatgpt.com отдаёт с московского адреса код 403, а справка help.openai.com по созданию GPT недоступна и для WebFetch, и для curl - оба получают 403 Cloudflare. Прямую цитату из неё я поэтому не привожу, только формулу «конструктор внутри чат-сервиса» и живой пример на Gems, где справку прочитать удалось

Про лимиты бесплатного тарифа Gems справка Google явно не пишет - в статью это как факт не идёт, честнее сказать: лимиты неизвестны, чем угадывать цифру

Как собрать своего ассистента в Claude Projects?

Своего ассистента в Claude собирают через раздел Projects: своя база файлов, свои инструкции, отдельная история переписки под задачу. Раздел доступен и на бесплатном тарифе - справка Claude называет точный лимит:

«Projects are available to all users, including those with free Claude accounts. Free users can create a maximum of five projects»

Claude, справка «What are Projects», обращение 17.08.2026

Один нюанс из той же справки: расширенная база знаний с поиском по большим объёмам файлов (RAG) доступна только на платных тарифах - «Enhanced project knowledge with RAG is only available to users with paid Claude plans (Pro, Max, Team, or Enterprise)». На бесплатном тарифе файлы в проект класть можно, но объём и умный поиск по ним - уже платная часть

Главный подвох этого пути - доступ из России. Мой замер с московского адреса 17.08.2026 показал код 200 на claude.ai, но это ложный сигнал: в теле страницы стоит <title>App unavailable in region | Claude by Anthropic</title>. Код 200 сам по себе ничего не доказывает - разбор доступа всех 4 путей целиком дальше в статье

Как собрать свою модель локально на своём компьютере?

Свою модель локально собирают через Ollama - программу, которая скачивает готовую базовую модель на компьютер и даёт превратить её в свою через один текстовый файл. Дальше - сквозной пример: я собрал такую модель 17.08.2026 на Apple M4 Max с 36 ГБ памяти и прогнал её с замерами

Сама установка Ollama разобрана отдельно, шаги не дублирую: гайд по установке Ollama. Здесь начинаю с момента, когда программа уже стоит

Как написать свой Modelfile и создать модель?

Свою модель Ollama собирает из файла Modelfile: базовая модель строкой FROM, правила поведения блоком SYSTEM, числовые настройки строками PARAMETER. Официальный справочник формата подтверждает это дословно и уточняет, что порядок инструкций не важен: «the Modelfile is not case sensitive. Instructions can be in any order» (справочник Modelfile, обращение 17.08.2026)

Прежде чем писать Modelfile, нужна база. Если такой модели у тебя ещё нет - сначала скачай её командой ollama pull qwen3:4b. Вес - несколько гигабайт, первая загрузка идёт по скорости интернета, а не мгновенно

Мой Modelfile для помощника, который отвечает клиентам мастера маникюра вместо неё:

$ cat Modelfile
FROM qwen3:4b
SYSTEM """Ты отвечаешь клиентам мастера маникюра Ольги вместо неё.
Правила: только по-русски, не длиннее трёх предложений, обращение на «вы».
Цену не называешь никогда: пишешь «стоимость зависит от длины и дизайна, уточню у Ольги».
Если клиент просит записаться, задаёшь ровно один вопрос: какой день недели удобнее.
Смайлики не ставишь."""
PARAMETER temperature 0.2
PARAMETER num_ctx 4096

Базовая модель qwen3:4b уже стояла на компьютере, temperature 0.2 держит ответы модели ровными и без фантазий (справочник называет дефолт 0.8 - для живого чата с клиентом это слишком много вольности), num_ctx 4096 даёт достаточно памяти на контекст переписки. Собирается модель одной командой:

$ ollama create pomoshnik-olgi -f Modelfile
gathering model components
using existing layer sha256:3e4cb14174460404e7a233e531675303b2fbf7749c02f91864fe311ab6344e4f
using existing layer sha256:2d54db2b9bb29ce7db54fea63a891f5859603813c555b1f88b5e0994652897f9
using existing layer sha256:d18a5cc71b84bc4af394a31116bd3932b42241de70c77d2b76d69a314ec8aa12
creating new layer sha256:b072f2ae8a5069a15a31f7a10e18593faf638186fc103fdc562d5bfba757c8d8
creating new layer sha256:e417242cd044febaca01a5657b5a85b0292c043f512490b16c62a64f519aff9a
writing manifest
success

Слово success в последней строке значит, что модель pomoshnik-olgi готова и видна в списке моделей рядом с базовой

Как проверить, что своя модель реально другая?

Проверяют это одним и тем же вопросом двум моделям сразу - разница видна за один прогон. Я задал обеим один вопрос от лица клиента: «Здравствуйте! Сколько стоит маникюр с покрытием и можно ли записаться?»

Базовая qwen3:4b насочиняла диапазон цен - «от 1500 до 2500 рублей», добавила примеры по городам, два смайлика и приписку с советом в конце. Ни одной из этих цифр модель не знала: она честно придумала правдоподобный ответ, потому что вопрос был про цену, а цена в её обучающих данных не про этот конкретный маникюрный кабинет

Моя pomoshnik-olgi ответила ровно по правилам из Modelfile: «Стоимость зависит от длины и дизайна, уточню у Ольги. Какой день недели удобнее для вас?» - два предложения, без цены, без смайликов, с ровно одним вопросом про запись. Это и есть разница между «нейросеть вообще» и «своя нейросеть»: те же веса модели, но поведение подчинено твоим правилам

Сколько места на диске и скорости стоит своя модель?

Своя модель почти не занимает лишнего места - она переиспользует слои базовой. Список моделей на моём компьютере после сборки:

$ ollama list
NAME                     ID              SIZE      MODIFIED
pomoshnik-olgi:latest    e1a57c8b5da8    2.5 GB    2 minutes ago
qwen3:4b                 359d7dd4bcda    2.5 GB    16 hours ago
qwen2.5-coder:3b         f72c60cabf62    1.9 GB    16 hours ago

$ du -sh ~/.ollama/models
4.1G    /Users/theivansergeev/.ollama/models

Своя модель весит 2,5 ГБ, но du -sh по всей папке моделей показывает 4,1 ГБ на три модели разом - Ollama переиспользует общие слои базовой модели, и место под собственные правила почти не тратится

Скорость я замерил прогоном с флагами --hidethinking --nowordwrap --verbose на обычном вопросе про запись в субботу вечером:

Расшифровка того, что на картинке: eval rate - скорость, с которой модель печатает ответ, prompt eval rate - скорость, с которой она читает твой вопрос перед ответом. Чтение всегда быстрее печати - модель читала мой вопрос со скоростью 2511,51 токена в секунду, а печатала ответ со скоростью 85,82 токена в секунду. Загрузка модели в память заняла всего 133,7 мс - не она съедает время

Настоящая причина 23,26 секунды видна в той же строке лога: eval count 1979 token(s). Модель на самом деле написала около двух тысяч токенов, а на экране видно два предложения - «Суббота вечером удобно. Стоимость зависит от длины и дизайна, уточню у Ольги». Разницу прячет флаг --hidethinking в самой команде на кадре: он не считает рассуждение быстрее, а просто не показывает его тебе. Qwen3 по умолчанию рассуждает перед каждым ответом, и так будет с каждым запросом к этой модели, а не только с первым

Я проверил, отключается ли рассуждение переключателем /no_think - ни в начале промпта, ни в конце: eval count остаётся в диапазоне 2562-3098 токенов вместо ожидаемых примерно 30 (видимый ответ на экране - те же два предложения), и время не падает ни на секунду. У этой модели в Ollama переключатель не работает вообще - ни у помощника, собранного через Modelfile, ни у базовой qwen3:4b: контрольный прогон на базовой дал 605 токенов рассуждений без переключателя и 1455 с ним (лог 18 в моих замерах). Два честных варианта. Первый - принять время ответа как есть: у меня на одном и том же вопросе выходило от 23,26 до 48,54 секунды, разброс идёт от длины скрытого рассуждения (1979 токенов в одном прогоне, 3681 токен в другом). Второй - взять для помощника базовую модель без режима размышлений вообще. На этом же компьютере уже лежит qwen2.5-coder:3b - у моделей этой линейки нет этапа скрытых рассуждений, ответ печатается сразу - в моём контрольном прогоне 42 токена за 2,4 секунды на том же вопросе, - но под роль помощника Ольги для неё пришлось бы собрать и проверить отдельный Modelfile

Как собрать свою обёртку вайбкодингом?

Свою обёртку собирают поверх готовой модели: программа сама формирует запрос, отправляет его модели и обрабатывает ответ - без чат-окна между тобой и моделью. У этого пути два разных источника модели, и они не смешиваются

Обёртка поверх локальной модели. Обёртка стучится на адрес http://localhost:11434/api/generate - это тот же Ollama с шага выше, ключей и оплаты не нужно вовсе. Базовый пример запроса из документации:

curl http://localhost:11434/api/generate -d '{
  "model": "pomoshnik-olgi",
  "prompt": "Здравствуйте, а можно записаться на четверг?"
}'

(документация Ollama, API, обращение 17.08.2026)

Обёртка поверх облачного API без обхода блокировок. Для этого случая я взял GigaChat - он открывается из России без VPN (проверка ниже). У тарифов для физлиц бесплатный уровень посчитан токенами, а не запросами - страница тарифов называет цифру дословно: «В рамках Freemium-режима пользователи получают 365 000 000 бесплатных токенов для генерации текста» (тарифы GigaChat для физлиц, обновлено 22 июля 2026, обращение 17.08.2026)

Лимит обновляется раз в 12 месяцев, а сама генерация - в одном потоке одновременно, это тоже сказано прямо на странице тарифов. Ключ получают в личном кабинете: вход по Сбер ID, кнопка «Создать проект», раздел «AI-модели» → «GigaChat API» (регистрация в личном кабинете, обращение 17.08.2026). Тариф Freemium подключается сам, доплачивать для старта не нужно

Разница между двумя ветками пути 4 простая: локальная обёртка ничего не платит и не спрашивает интернет, облачная - открывается из России без VPN и не грузит твой компьютер вычислениями

Какие из 4 путей реально открываются из России?

Путь 3 (Ollama) и путь 4 (GigaChat) открываются без оговорок. Путь 1, конструктор без кода, зависит от сервиса: у Gemini открывается полностью, у ChatGPT (конструктор GPT) - нет. Путь 2, Claude Projects, тоже нет. Я проверил это не с домашнего компьютера (у него турецкий IP), а с московской точки 17.08.2026, чтобы не выдать желаемое за действительное:

Код 200 у claude.ai - ложный сигнал: сам сервер отвечает, но внутри лежит страница «сервис недоступен в вашем регионе» вместо самого приложения. Список поддерживаемых стран у Anthropic это подтверждает второй раз: России нет ни в списке для API, ни в списке для Claude.ai (поддерживаемые страны и регионы, проверено 17.08.2026). У Gemini обратная картина: с той же точки я отдельным прогоном проверил gemini.google.com - код тоже 200, но внутри настоящая страница с титулом «Google Gemini», а не заглушка региона. Список поддерживаемых стран у Google подтверждает это второй раз: Россия указана в перечне стран и территорий для веб-приложения Gemini (Where you can use the Gemini web app, проверено 17.08.2026), поэтому путь 1 через Gemini засчитан как открытый по-настоящему

Ollama и GigaChat в этой таблице устроены иначе: браузер к ним не обращается, роль играют адрес программы и адрес API - у Ollama модель работает на твоём компьютере, у GigaChat доступ идёт через ключ. Их 200 в таблице означает, что путь к сервису физически доступен без VPN - это подтверждено для обоих

Какой путь выбрать под свою задачу?

Выбор упирается в один вопрос: где должна жить модель. Нужен помощник для себя без единой команды в терминале - бери путь 1 или 2, и если доступ из России критичен, путь 2 через Claude Projects не подойдёт без обхода блокировки. Нужна модель, которая работает без интернета и без ежемесячных счетов - бери путь 3, Ollama. Нужен сценарий, который работает по расписанию и без тебя - бери путь 4, обёртку вайбкодингом поверх локальной модели или GigaChat

Сам сквозной пример этой статьи - путь 3 - выбран не случайно: он единственный, где ты полностью управляешь моделью, ничего не платишь и не зависишь от доступа из России. Плата за это - место на диске и то, что установку и запуск делаешь сам

Один вопрос, который стоит задать себе перед выбором, - агент это или помощник. Разница простая: помощник отвечает по твоим правилам, агент ещё и совершает действия во внешнем мире - записывает, отправляет, платит. Нужен именно действующий агент - смотри гайд про ИИ-агентов: там показано, как собрать его

Ещё один шаг после первой сборки - научиться пользоваться готовыми чужими нейросетями быстро и без ошибок: 5 задач за 20 минут разобраны в гайде как пользоваться нейросетью. А если хочется системного понимания устройства нейросетей с нуля, а не только сборки своей, - маршрут в гайде обучение нейросетям

Через месяц с рабочим сценарием у тебя модель сама разбирает новые вопросы по расписанию, а Modelfile из этой статьи - только первая версия правил, которую дорабатываешь на ходу. Через месяц без сценария - тот же один разовый прогон, что ты только что видел здесь, потому что между «собрал модель» и «модель работает каждый день без тебя» лежит вся вторая половина пути. На ИИ-Лагере я довожу именно эту половину

Источники

• Справка Gemini, Gems - три поля конструктора и структура инструкции, обращение 17.08.2026
• Справка Claude, What are Projects - лимит 5 проектов на бесплатном тарифе, обращение 17.08.2026
• Supported countries and regions, Anthropic - список стран для Claude.ai и API, проверено 17.08.2026
• Where you can use the Gemini web app, Google - список поддерживаемых стран и территорий, проверено 17.08.2026
• Modelfile syntax reference, Ollama - синтаксис FROM/SYSTEM/PARAMETER и дефолты, обращение 17.08.2026
• Справочник команд CLI, Ollama - create/list/ps/rm, обращение 17.08.2026
• API reference, Ollama - базовый адрес и пример запроса, обращение 17.08.2026
• Тарифы GigaChat для физлиц - Freemium-лимит и платные пакеты, обновлено 22.07.2026
• Регистрация в личном кабинете GigaChat - путь до ключа API, обращение 17.08.2026
• Собственные прогоны и замеры 17.08.2026 - вывод сохранён в terminal-outputs/

Частые вопросы

Читайте также

Что такое нейросеть: без формул и практикум 15 минут

Устройство без формул и три эксперимента

ИИ-агенты: что это простыми словами и как собрать своего

Чем агент отличается от помощника

Как установить Ollama: 4 шага и выбор модели по памяти

Шаги установки для пути 3 из этой статьи