Каждый год тысячи разработчиков создают пет-проекты, но лишь единицы из них превращаются в востребованные продукты с монетизацией. Мой путь — пример того, как даже шуточная идея может стать успешным сервисом.

Меня зовут Антон Ленев, я разработчик на платформе VK Mini Apps. В этой статье — история создания мини-приложения «Отредач — ИИ-фоторедактор» и победы в грантовом конкурсе VK Dev Grants 2025.

Идея и первый прототип

В 2023 году я услышал подкаст о росте интереса к Таро и эзотерике. Мне показалось забавным, что предсказания часто строятся на универсальных формулировках, подходящих почти всем.

У меня был доступ к GPT-3.5. Я решил проверить, сможет ли нейросеть генерировать похожие ответы — не ради обмана, а как эксперимент.

Я создал простое приложение на Next.js: пользователь вводит вопрос, модель генерирует предсказание. Добавил стриминг — текст появлялся постепенно, как при настоящем гадании.

Чтобы приложение выглядело атмосферно, я сгенерировал в Midjourney изображения карт Таро.

Затем подключил детский bluetooth-термопринтер, который нашёл дома. Теперь предсказания можно было сразу распечатывать.

С этим прототипом я посетил фронтенд-завтрак в Петербурге. Проект вызвал ажиотаж: люди задавали вопросы про пингвинов, киберпанк и жирафов — модель справлялась.

Мы сняли несколько видео. Они быстро пошли вирусом. Позже мне написало ивент-агентство: они хотели такую же установку для корпоратива. Я привозил принтер и выступал в роли аниматора с нейросетью.

Это был первый сигнал: формат взаимодействия с ИИ людям действительно нравится.

Я участвовал с проектом в конкурсе VK Fresh Code 2023 и вошёл в число финалистов.

С самого начала добавил в интерфейс пометку, что сервис развлекательный. В конце каждого предсказания выводил цитату из «Терминатора 2»: «Нет судьбы, кроме той, что мы вершим сами».

Монетизировал только через баннерную и rewarded-рекламу. Тематика Таро показалась мне слишком деликатной для прямых платежей.

Вторая итерация

В 2024 году появились модели с поддержкой изображений на входе, например GPT-4-vision. Когда объявился VK Fresh Code 2024, я решил попробовать новое применение — предсказания по кофейной гуще.

Я сделал прототип: пользователь фотографирует чашку с кофе или чайные листья, модель интерпретирует изображение и выдаёт предсказание.

Технически:

• на вход подаётся фото;
• в системном промпте описывается контекст — в основном кофейная гуща или чай;
• модель генерирует связный текст.

Модели всё равно, что на фото. Мы предупреждаем, если изображение не соответствует ожиданиям, но всё равно его интерпретируем. Например, по котам тоже можно гадать — и это ещё веселее.

Я зашёл в чаты эзотериков и предложил погадать по их напиткам и даже восковым отливкам. Реакция была положительной.

После доработки приложения и интеграции VK Bridge я выиграл VK Fresh Code 2024.

В 2025 году я решил перейти от пет-проектов к полноценному продукту с устойчивой монетизацией. Цель — не зависеть от рекламы и покрыть расходы на генерацию изображений.

Я поставил две задачи:

• перейти на монетизацию через голоса ВКонтакте — они лучше подходят для высоких расходов на генерации;
• получить поддержку, чтобы не прогореть на старте.

На фоне выхода новых моделей — Nano Banana, OpenAI GPT Image 1.5, Seedream 4.5 — я сформулировал простую концепцию: пользователь загружает фото, приложение перерисовывает его в разных стилях — например, «в стиле средневековья» или «новогодняя открытка».

Проект был реализован как мини-приложение на VK Mini Apps и подан на VK Dev Grants 2025.

Архитектура под капотом

Фронтенд:

• обычное SPA;
• интеграция через VK Bridge;
• адаптированный VK UI Kit;
• приоритет — мобильный UX.

BFF (Backend-for-Frontend):

• проверка подписи ВКонтакте и валидация данных;
• запросы к Replicate и обработка вебхуков;
• обёртки над PocketBase.

В качестве бэкенда и базы я выбрал PocketBase на Go поверх SQLite. Для проекта с умеренным трафиком это оптимально: нет смысла усложнять архитектуру до PostgreSQL и Kubernetes.

PocketBase обеспечил:

• встроенную админку;
• хуки для бизнес-логики;
• миграции;
• низкое потребление ресурсов.

Решение отлично себя показало — от первых пользователей до роста аудитории: быстрая работа с базой, простота бэкапов, лёгкая поддержка.

Я уверен: не нужно сразу строить суперсистему. Лучше решать проблемы по мере их появления. Решения вроде SQLite, Taurus и PocketBase часто полностью покрывают потребности на ранних этапах.

Большая часть работы пришлась на продуктовую логику вокруг основной функции:

• учёт баллов;
• возвраты при ошибках генерации;
• защита от повторных запросов;
• ограничения по частоте;
• логирование;
• модерация;
• реализация дополнительных фич.

Claude Code помог быстро написать рутинный код. Это ускорило разработку и улучшило читаемость и поддерживаемость в условиях жёстких сроков конкурса.

Работа с моделями: почему без fine-tuning и зачем несколько ИИ сразу

Я сознательно отказался от обучения собственных моделей и fine-tuning. Причины:

• Цена. Обучение и поддержка инфраструктуры — отдельный проект. Без собственного дата-центра это дорого и нерентабельно на малых объёмах.
• Качество. Большинство open-weight моделей уступают флагманам — Nano Banana Pro от Google или GPT Image 1.5 от OpenAI.

Я выбрал более разумный путь — использовать агрегаторы вроде Replicate и Fal. Они дают доступ к разным моделям через единый интерфейс и понятную тарификацию.

Это позволило:

• не привязываться к одной модели;
• выбирать лучшую под конкретный шаблон.

Например, свадебные фото и «Великолепный век» лучше делает Nano Banana, а ретро-новогодние открытки — OpenAI GPT Image 1.5 low.

Так я регулирую экономику и не теряю в качестве.

Практически:

• для каждого шаблона — свой промпт и параметры;
• для сложных сценариев — более дорогие модели, которые окупаются привлечением новых пользователей.

Цель проста: максимальное качество за минимальную цену.

Подготовка промптов для шаблонов

Создание промптов — отдельная работа. Я собирал их под конкретные темы, используя многослойную структуру:

• жёсткая роль модели;
• ограничения — узнаваемость, количество людей и т.д.;
• фиксированный стиль результата.

Некоторые промпты я дорабатывал неделями: убирал двусмысленности, тестировал формулировки.

Например, новогодний промпт постепенно стал давать стабильно хорошие результаты.

Обратная связь от пользователей помогла улучшить функционал. Так я научил модель добавлять в изображения животных — пёсики и котики в мантиях и шарфах в стиле Гарри Поттера.

Иногда пользователи предпочитали результаты менее мощных моделей. Причина — более сглаженная кожа и другие эффекты, популярные из-за моды на ретушь. Это было выгодно: такие модели дешевле.

Экономика проекта: как не сжечь бюджет на генерациях

С самого начала было понятно: бюджет ограничен, а расходы на генерацию высоки. Только за октябрь 2025 года я потратил более 500 долларов.

Я стремился работать в ноль или с небольшой прибылью. Для этого провёл комплексную оптимизацию.

• Использовал не самые новые, а более простые версии моделей с минимальным effort — если они справлялись с задачей.
• Оптимизировал промпты, чтобы они умещались в самые дешёвые модели.
• Ввёл ограничения: лимиты на генерации, защиту от повторных запросов, возврат баллов при ошибках.

Это позволило избежать убытков и дать проекту шанс на развитие.

Изначально на VK Dev Grants подавалась идея приложения «Живые фото» — анимация изображений с помощью Seedream или Wan Animate. Модель монетизации была схожей.

На втором этапе, реализовав «Живые фото», я начал делать «Отредач» на той же архитектуре. Теперь можно сначала создать картинку, а потом превратить её в короткий ролик.

К третьему этапу это был уже живой продукт с:

• реальными пользователями;
• стабильной инфраструктурой;
• работающей экономикой;
• понятным сценарием использования.

Победа в VK Dev Grants 2025 подтвердила: направление не только технически интересное, но и продуктово осмысленное. У проекта есть аудитория и потенциал роста внутри ВКонтакте.

После конкурса приложение продолжает развиваться. За последние полгода его посетили более 109 тысяч уникальных пользователей.

Вместо заключения

Вывод прост: пробуйте реализовывать свои идеи, даже самые безумные — если они не нарушают законы. Из них может получиться что-то полезное и востребованное.

Даже если не получится — вы освоите новые технологии, получите продуктовый опыт и станете лучше как разработчик.

Каждый год тысячи разработчиков создают пет‑проекты — и лишь единицы из них превращаются в продукты с монетизацией. Шансы невелики, но они есть. Мой кейс — как раз из таких исключений: даже самая «несерьёзная» идея способна вырасти в востребованный сервис.

Меня зовут Антон Ленев, я разработчик на платформе VK Mini Apps. В этой статье я расскажу, как от шуточного пет-проекта пришёл к мини-приложению «Отредач — ИИ-фоторедактор» на платформе VK Mini Apps и победе в грантовом конкурсе VK Dev Grants 2025.

Идея и первый прототип

Однажды в 2023 году мне попался подкаст, где обсуждали начинающийся в то время рост интереса к Таро и эзотерике. Факт показался мне забавным, особенно с учётом того, что большая часть этих предсказаний — универсальные формулировки, которые можно применить к кому угодно.

Примерно в то же время у меня под рукой появился свежий GPT-3.5. И я подумал: а что если попробовать заставить нейросеть генерировать такие же предсказания? Не как обман, а как эксперимент — чтобы посмотреть, насколько легко машина справляется с подобными задачами.Тогда я еще не знал, куда это всё приведёт.

Я взял Next.js, сделал простую форму: пользователь вводит вопрос, модель генерирует ответ.

Добавил стриминг, чтобы текст печатался на экране постепенно, будто это настоящее гадание.

С помощью Midjourney сгенерировал картинки карт Таро, чтобы приложение выглядело более привлекательно и презентабельно.

Под прототип я собрал системный промпт следующего вида:

Примечание:далее я его ещё улучшил и сократил, оставив выбор карт на наружном рандомизаторе, за счёт чего промпт стал меньше и быстрее.

Так я получил первый прототип, который отвечал на любые вопросы. Чтобы превратить его в решение, которое можно показать друзьям, я связал его с детским bluetooth-термопринтером, который нашёл дома. В итоге предсказания стало можно сразу печатать.

С этим набором я пришёл на фронтенд-завтрак в Петербурге, где моя разработка привлекла много внимания. Народ начал задавать забавные вопросы: про рейтрейсинг в киберпанке, пингвинов, жирафов и не только — моя модель с ними успешно справлялась.

На этом же завтраке мы сняли несколько видео с подобными предсказаниями. Все видео довольно быстро завирусились по соцсетям. В какой-то момент дошло до того, что мне написало ивент-агентство: им захотелось такую же штуку для корпоратива. Я привозил принтер и приложение, а сам фактически выступал в роли аниматора с нейросетью.

Это был первый сигнал: даже если идея началась как ирония, людям реально нравится такой формат взаимодействия с ИИ.

Протестировав таким образом решение, я решил поучаствовать с ним в конкурсе VK Fresh Code 2023, где вошёл в число финалистов.

При этом я сразу добавил в интерфейс примечание, что сервис развлекательный, а в конце каждого предсказания цитировал «Терминатор 2»: «Нет судьбы, кроме той, что мы вершим сами».

Более того, отмечу, что я использовал только баннерную и rewarded-рекламу: так как тематика Таро своеобразна, для меня было неправильно с моральной точки зрения брать деньги с пользователей.

Вторая итерация

В 2024 году вышли модели с поддержкой изображений как модальности ввода (как помнится, это была GPT-4-vision). Поэтому, когда объявили новый конкурс VK Fresh Code 2024, я захотел продолжить развлекаться и тестировать новые модельки — в том числе, чтобы понять, какое безумное применение из них можно выжать. Так я решил сделать предсказание по фотографии кофейной гущи.

Я протестировал концепцию с этой моделькой, и всё работало. После этого сделал новый прототип: пользователь фотографирует чашку кофе или чайные листья, а модель читает по ним предсказание.

Технически это выглядело так:

• на вход отдавалась фотография;
• в системном промпте я описывал контекст с интерпретацией увиденного (преимущественно кофейной гущи и чая);
• модель генерировала связный текст.

Примечание:модели абсолютно всё равно, что ей загружает пользователь, а пользователь не ограничен в выборе фото. Поэтому, если кто-то пытается загрузить что-то кроме фото с чаем или кофе, мы, конечно, предупреждаем, что изображение отличается от ожидаемого, но всё равно интерпретируем его. Кстати, по котам тоже можно гадать — так ещё веселее.

Ради эксперимента я зашёл в чаты любителей эзотерики и предложил им погадать с поддержкой силы машины по их напиткам и даже восковым отливкам в холодную воду (оказывается, есть и такие практики). И получил ожидаемый результат: людям нравилось.

Примерное моё изначальное представление о сегментах аудитории моего приложения:

Несколько доработав приложение (и опять-таки, оставив только рекламную монетизацию) и интегрировав VK Bridge, я смог выиграть с ним VK Fresh Code 2024.

Для наглядности — вот небольшой пример работы приложения:

В 2025 году я решил попробовать реализовать некоторые новые идеи (в частности, редактирование изображений по запросу) и несколько изменить подход к разработке подобных пет-проектов:

• перейти от пет-приложения к полноценному продукту с монетизацией не от рекламы — в моём случае приём голосов ВКонтакте лучше ложится на большие расходы на генерации;
• получить поддержку и не прогореть сразу на расходах на генерации — они вообще не самые дешёвые.

На фоне выхода Nano Banana, OpenAI GPT Image 1.5, Seedream 4.5 и других я сформировал довольно простую концепцию будущего приложения: пользователь загружает фото, а приложение генерирует изображение в разных стилях — например, «в стиле средневековья», «в духе 50-х», «новогодняя открытка».

Проект я оформил в формате мини-приложения на платформе VK Mini Apps и подал на участие в грантовой программе VK Dev Grants 2025.

Архитектура под капотом

С точки зрения архитектуры я постарался сделать проект довольно простым. Так, на фронтенде:

• обычный SPA;
• работа через VK Bridge;
• несколько адаптированный VK UI Kit для компонентов;
• приоритет адаптации под мобильный UX.

BFF (Backend-for-Frontend):

• проверка подписи ВКонтакте и прочая валидация данных;
• запросы к Replicate и обработка вебхуков по готовности;
• обёртки над PocketBase.

Примечание:подробнее о подписи параметров запуска приложения можно прочитатьздесь, о проверке подлинности данных —здесь.

В качестве базы и бэкенда я решил использовать PocketBase, который написан на Go и работает поверх SQLite. Причина простая: для проекта с небольшим трафиком нет смысла городить огороды с PostgreSQL, репликами и Kubernetes — SQLite тащит на себе вполне приличные нагрузки.

PocketBase обеспечил:

• встроенную админку;
• хуки для бизнес-логики;
• миграции;
• минимальное потребление ресурсов.

Важно, что в ходе работы самого приложения (от первых пользователей до их наплыва) это решение показало себя великолепно: минимальное время на работу с базой, простота поддержки бэкапов — всё оказалось отлично.

Примечание: мой опыт подтверждает, что можно решать проблемы по мере их поступления и не пытаться сразу построить суперсистему, до того как ты узнал, что оно вообще будет кому-то интересно. Так что очень рекомендую посмотреть на такие решения, которые с большой вероятностью полностью покроют все ваши потребности  — например, SQLite, Taurus, PocketBase.

При этом значительная часть работы пришлась на типичный продуктовый код вокруг core-фичи:

• учёт баллов;
• возвраты при ошибках генерации или stale-генерации на стороне провайдера моделей;
• защиту от повторных запросов;
• ограничения по частоте;
• логирование;
• модерацию;
• задание пользователей и реализацию другой функциональности.

При этом Claude Code помог быстро повайбкодить скучную часть, что позволило реализовать нужные фичи, а также сделать код приятнее и более поддерживаемым в рамках ограниченного времени конкурса VK Dev Grants.

Работа с моделями: почему без fine-tuning и зачем несколько ИИ сразу

Я сознательно не обучал собственные модели и не делал fine-tuning. Причин было несколько.

• Цена. Даже если брать относительно небольшие открытые модели, то обучение и последующая поддержка инфраструктуры под них — это отдельный проект. Но если в свободном доступе нет собственного дата-центра, попытки поднять и организовать свою инфраструктуру с нуля будут очень дороги и на относительно небольших объёмах нерентабельны.
• Качество.Большинство open-weight моделей уступают флагманским моделям от лидеров рынка — тех же Nano Banana и Nano Banana Pro от Google и GPT Image 1.5 от OpenAI.

Поэтому я пошёл по более разумному пути: использовал готовые API — агрегаторы моделей вроде Replicate и их аналогов (например, Fal). Это дало мне доступ сразу к нескольким семействам моделей через унифицированный интерфейс и с понятной схемой оплаты. Благодаря этому я не привязываюсь к одной модели как к «единственно правильной», а выбираю наиболее подходящую под конкретные шаблоны. Например, свадебные фотографии или фото в стиле «Великолепного века» лучше делает Nano Banana, а новогодние открытки в ретростиле — OpenAI GPT Image 1.5 low. Это позволяло мне лучше регулировать экономику приложения и не просаживаться по качеству для сложных вариантов стилей.

На практике это выглядело так:

• под каждый шаблон (например, «средневековый портрет» или «ретрооткрытка») у меня был свой промпт и свой набор параметров;
• для части сценариев использовал более дорогие модели, которые лучше работают с заданной темой, — это окупалось за счёт привлечения новых пользователей.

То есть логика выбора модели довольно простая: стараемся обеспечить лучшее качество за минимальную цену.

Подготовка промптов для шаблонов

Подготовка промптов для шаблонов — отдельный пласт работы, поскольку большинство из них я сам собирал под нужную мне придуманную тематику. Здесь я делал так:

• жёстко задавал роль модели;
• описывал ограничения — сохранение узнаваемости, количества людей и прочее;
• фиксировал стиль результата.

Это выглядело как многослойная конструкция, а не просто «сделай красиво». Часть промптов эволюционировала неделями: я менял формулировки, убирал двусмысленные слова, смотрел, как это влияет на результат.

Например, новогодний промпт у меня выглядит так:

На выходе получается такой результат генерации:

Причём иногда в доработке промптов для шаблонов помогала обратная связь от пользователей. Например, так я научил модель создавать фото не только с людьми, но и с животными (привет, пёсики и котики в мантиях и шарфах в стиле Гарри Поттера).

Примечание:обратная связь помогла выявить и ещё один интересный кейс. В некоторых случаях людям во время тестирования больше нравились результаты работы менее продвинутых моделей (либо где был меньше effort по генерации). Это происходило потому, что модель делала более сглаженные текстуры кожи и прочие мелочи, которые больше нравятся широкой публике из-за моды на сильную ретушь. И, конечно же, мне это было на руку — такие модели были дешевле.

Экономика проекта: как не сжечь бюджет на генерациях

Теперь к одному из самых важных аспектов с продуктовой точки зрения — к экономике.

Ещё на стадии идеи проекта и презентации на первом этапе VK Dev Grants было понятно, что, в отличие от крупных вендоров с огромными бюджетами, мне придётся сразу работать как минимум в ноль, пусть это и уменьшает аудиторию продукта. Ведь деньги я плачу из своего кармана, а в нём они имеют особенность быстро заканчиваться. Например, только за октябрь 2025 года я потратил на генерацию более 500 долларов.

Поэтому я стремился оптимизировать затраты и делал это комплексно.

• Выбирал не только самые последние и навороченные модели, но и их более простые версии с минимальным параметром effort — главное, чтобы они справлялись с возложенными на них задачами и конкретными созданными мной шаблонами.
• Оптимизировал шаблоны, чтобы собирать в них такой промпт, который влезет в самую дешёвую из доступных моделей.
• Ввёл ограничения: лимиты на количество генераций, контроль повторных запросов, обработку неудачных попыток с возвратом баллов.

Это позволило не уйти в минус и дать проекту шанс жить дальше — при текущей модели приложение окупается с небольшой прибылью относительно затрат на генерации и инфраструктуру, а также налогов, соцвзносов и прочих обязательных вещей для ИП.

При этом важно заметить, что на первом этапе грантового конкурса VK Dev Grants подавалась идея приложения «Живые фото», которое анимирует фото, используя модель Seedream или Wan Animate, но со схожими схемами монетизации и развития.

На втором этапе, разработав «Живые фото», на аналогичной архитектуре я начал делать «Отредач», который дополняли «Живые фото». Сначала можно создать картинку, а потом из неё сделать небольшой видеоролик — красота же.

А вот уже на третьем этапе это был живой продукт, у которого:

• реальные пользователи;
• инфраструктура;
• работающая экономика;
• понятный пользовательский сценарий.

Поэтому когда проект одержал победу в грантовой программе VK Dev Grants 2025, я лишь убедился, что выбранное направление — не просто технически интересное, но и продуктово осмысленное: у него есть аудитория, сценарий и потенциал развития внутри соцплатформы ВКонтакте. Причём проект продолжает успешно существовать и после конкурса: за последние полгода приложение посетили более 109 тысяч уникальных пользователей, которые активно генерируют картинки по своим запросам.

Вместо заключения

Если коротко, то вывод из всего достаточно простой: пробуйте реализовывать свои идеи, даже самые безумные (если, конечно, они не нарушают законы), и из этого может получиться что-то интересное и потенциально полезное.

И даже если нет — вы попробуете новые технологии, получите новый опыт, в том числе и продуктовый, что так или иначе пригодится в будущем.