Безплатні AI Discord-боти у 2026 році

Якщо ви шукатимете “безплатний AI Discord-бот”, знайдете десятки варіантів. Деякі справді безплатні. Більшість не є такими, принаймні не в тому сенсі, як можна було б очікувати. У цій статті розглянуто, що фактично доступне, які є компроміси та скільки насправді коштує “безплатно”, коли йдеться про AI inference.

Чому “безплатний AI” є складним питанням

Запуск LLM коштує грошей. Щоразу, коли користувач надсилає повідомлення й отримує відповідь, хтось платить за обчислення. Для hosted API на кшталт OpenAI або Anthropic ви платите за токени. Для self-hosted моделі ви платите за обладнання, електроенергію та час на обслуговування. Обійти це неможливо: inference має ненульову граничну вартість.

Коли сервіс пропонує “безплатного AI-бота”, справджується один із таких варіантів:

1. Ви безпосередньо оплачуєте вартість inference (наприклад, надаючи власний API key).
2. Сервіс покриває витрати й компенсує їх через платні тарифи, рекламу або збір даних.
3. Ви запускаєте inference самостійно на власному обладнанні з open-source моделлю.
4. Безплатний тариф обмежено невеликим обсягом, який зменшує ризик провайдера щодо обчислювальних витрат.

Розуміння того, який із цих варіантів застосовується до конкретного бота, є ключем до оцінки, чи справді він підходить для вашого сценарію.

Три категорії безплатних AI Discord-ботів

1. Self-hosted open-source боти (справді безплатні, ви надаєте обладнання)

Це єдиний варіант, у якому жодна третя сторона не контролює ваші ліміти використання. Ви запускаєте open-source LLM локально (або на VPS), підключаєте її до Discord через бота, якого пишете самі або форкаєте, і самостійно обслуговуєте все інше.

Типовий стек:

• Ollama для локального обслуговування моделі
• discord.py або discord.js для Discord-бота
• Модель на кшталт Llama 3.1 8B, Mistral 7B або Gemma 2 9B

Що ви отримуєте:

• Відсутність вартості за повідомлення, окрім електроенергії
• Повний контроль над моделлю, system prompt і даними
• Відсутність rate limits, накладених третьою стороною (застосовуються лише власні API-ліміти Discord)
• Локальна обробка моделлю: inference залишається на вашій машині, тоді як Discord усе ще передає та зберігає повідомлення

Від чого ви відмовляєтеся:

• Вам потрібне обладнання. Запуск моделі з 7B параметрів на прийнятній швидкості потребує GPU щонайменше з 8 GB VRAM або сучасного Mac з unified memory. CPU inference працює, але повільно (кілька секунд на відповідь для моделі 7B).
• Ви обслуговуєте інфраструктуру. Оновлення, перезапуски, моніторинг і дисковий простір для ваг моделі — це ваша відповідальність.
• Якість моделі нижча, ніж у передових моделей. Llama 3.1 8B є функціональною, але це не GPT-4o і не Claude Sonnet. Для простих Q&A та невимушених розмов вона працює нормально. Для тонких міркувань або складного багатокрокового діалогу її недостатньо.
• Немає вбудованої бази знань, аналітики або функцій handoff. Ви створюєте потрібне самостійно.

Мінімальні вимоги до обладнання для поширених моделей:

(Швидкості приблизні, виміряні на RTX 4090. Квантовані варіанти використовують менше пам’яті з невеликою втратою якості.)

2. Freemium managed services (безплатний тариф з обмеженнями)

Це продукти, у яких хтось інший розміщує AI та інфраструктуру бота. Ви налаштовуєте бота через вебдашборд. Безплатний тариф дає обмежене використання, а за більший обсяг потрібно платити.

Приклади:

Free plan Quickchat AI дає змогу тестувати без кредитної картки. Інтеграція з Discord доступна на кожному тарифі, тому ви можете підключити свого бота й протестувати його з реальними користувачами до оплати. Підключення виконується в один клік: у External Apps відкрийте Discord і натисніть Add to your Discord server, потім виберіть сервер, до якого потрібно додати бота. Платні тарифи починаються зі Starter за $9/mo або $8/mo за умови річної оплати.

Ключова перевага managed services полягає в тому, що ви отримуєте функції понад базовий LLM inference: бази знань, створені з ваших документів і сайту, аналітику розмов (аналіз тональності, визначення тем), розгортання в кількох каналах (той самий агент працює на вашому сайті, у WhatsApp, Slack і Discord), а також human handoff для випадків, які AI не може вирішити. Створення цього з нуля поверх self-hosted моделі є суттєвим інженерним проєктом.

Щоб перевірити таку базу знань на особистому тестовому сервері, створіть Discord-бота в стилі ChatGPT зі знаннями вашого сервера, використовуючи надані статті, промпт і тестові запитання.

MEE6 насамперед є ботом для модерації та залучення. Його AI chat-функції доступні лише в преміум-підписці ($11.99/mo станом на початок 2026 року). Безплатний тариф охоплює leveling, базові команди модерації та вітальні повідомлення, але не розмови на основі AI.

Botpress має безплатний тариф із 2 000 вхідних повідомлень на місяць в усіх каналах. Він пропонує візуальний конструктор сценаріїв і підтримує власні конфігурації LLM. Проте налаштування складніше, ніж у Quickchat для простого Discord-бота, оскільки Botpress насамперед призначений для структурованих сценаріїв розмов, а не для вільного чату.

3. BYO API key боти (ви платите LLM-провайдеру)

Третя категорія: open-source боти, які працюють на сервері, але звертаються до комерційного API (OpenAI, Anthropic, Google тощо) для inference. Ви надаєте власний API key. Код бота безплатний, але ви платите за токени провайдеру моделі.

Приклади на GitHub:

• GPT Discord Bot (офіційний приклад OpenAI)
• Різні боти від спільноти, створені з discord.py + OpenAI Python SDK

Вартість одного повідомлення з комерційними API (приблизно, станом на початок 2026 року):

*За умови ~500 input tokens і ~200 output tokens на один обмін повідомленнями, без історії розмови. Якщо включено історію розмови, input costs зростають лінійно з довжиною контексту.

За 1 000 повідомлень на місяць із GPT-4o mini ви витратите приблизно $0.30. За 10 000 повідомлень на місяць ви витратите приблизно $3.00. Ці числа виглядають малими, доки не врахувати історію розмови: якщо кожне повідомлення містить повний контекст розмови (наприклад, 10 попередніх реплік), кількість input tokens на повідомлення зростає з ~500 до ~5,000, тому input costs зростають у 10 разів, а загальна вартість збільшується.

Порівняння витрат між підходами

У наведеній нижче таблиці оцінено місячні витрати за різних обсягів повідомлень. “Self-hosted” передбачає невеликий VPS або наявне обладнання. “BYO API Key” використовує ціни GPT-4o mini. “Managed” використовує ціни Quickchat AI як орієнтир.

Примітки щодо стовпця self-hosted: діапазон залежить від того, чи використовуєте ви CPU-only VPS (дешевше, але відповіді повільніші), чи GPU-інстанс. Hetzner пропонує CPU VPS-інстанси приблизно за $5-10/mo, які можуть запускати квантовану модель 7B, хоча час відповіді становитиме 5-15 секунд. Хмарні GPU-інстанси (наприклад, від Lambda, RunPod або Vast.ai) починаються приблизно з $0.20-0.50/hr за один GPU, що становить $150-360/mo за роботи 24/7. Для періодичного використання spot instances або serverless GPU providers можуть зменшити цю суму.

Стовпець BYO API key показує діапазон, оскільки витрати суттєво залежать від того, чи включаєте ви історію розмови в кожен запит. Нижня межа — це single-turn (без історії), верхня межа — це multi-turn із ~10 повідомленнями контексту.

Стовпець managed service відображає ціни Quickchat станом на червень 2026 року. Ці тарифи включають такі функції, як керування базою знань, аналітика та підтримка кількох каналів, яких немає в інших двох підходах без додаткової інженерної роботи.

Швидке self-hosted налаштування: Python + discord.py + Ollama

Нижче наведено мінімальний робочий приклад Discord-бота, який використовує Ollama для локального inference. Для цього потрібно встановити й запустити Ollama, а також завантажити модель (наприклад, ollama pull llama3.1:8b).

Передумови

1. Python 3.10+
2. Ollama встановлено та запущено (curl -fsSL https://ollama.com/install.sh | sh)
3. Модель завантажено: ollama pull llama3.1:8b
4. Токен Discord-бота (створіть його в Discord Developer Portal)
5. Бота додано на ваш сервер з дозволами Send Messages і Read Message History

Встановлення залежностей

pip install discord.py aiohttp

Код бота

import discord
import aiohttp
import json

DISCORD_TOKEN = "your-bot-token-here"
OLLAMA_URL = "http://localhost:11434/api/chat"
MODEL = "llama3.1:8b"
SYSTEM_PROMPT = "Ви корисний асистент на Discord-сервері. Відповідайте стисло."

# Зберігати історію розмови для кожного каналу (у пам’яті, скидається під час перезапуску)
conversations: dict[int, list[dict]] = {}
MAX_HISTORY = 10  # Зберігати останні 10 повідомлень на канал

intents = discord.Intents.default()
intents.message_content = True
client = discord.Client(intents=intents)


async def query_ollama(channel_id: int, user_message: str) -> str:
    """Надіслати повідомлення в Ollama й повернути відповідь."""
    if channel_id not in conversations:
        conversations[channel_id] = []

    conversations[channel_id].append({"role": "user", "content": user_message})

    # Обрізати історію, щоб уникнути необмеженого зростання пам’яті
    if len(conversations[channel_id]) > MAX_HISTORY:
        conversations[channel_id] = conversations[channel_id][-MAX_HISTORY:]

    messages = [{"role": "system", "content": SYSTEM_PROMPT}] + conversations[channel_id]

    payload = {
        "model": MODEL,
        "messages": messages,
        "stream": False,
    }

    async with aiohttp.ClientSession() as session:
        async with session.post(OLLAMA_URL, json=payload) as resp:
            if resp.status != 200:
                return f"Ollama повернула статус {resp.status}"
            data = await resp.json()
            reply = data["message"]["content"]

    conversations[channel_id].append({"role": "assistant", "content": reply})
    return reply


@client.event
async def on_ready():
    print(f"Увійшли як {client.user}")


@client.event
async def on_message(message: discord.Message):
    # Ігнорувати власні повідомлення
    if message.author == client.user:
        return

    # Відповідати лише за згадки
    if client.user not in message.mentions:
        return

    # Видалити згадку з повідомлення
    content = message.content.replace(f"<@{client.user.id}>", "").strip()
    if not content:
        return

    async with message.channel.typing():
        reply = await query_ollama(message.channel.id, content)

    # Discord має ліміт 2000 символів на повідомлення
    if len(reply) > 2000:
        for i in range(0, len(reply), 2000):
            await message.reply(reply[i:i+2000])
    else:
        await message.reply(reply)


client.run(DISCORD_TOKEN)

Це приблизно 60 рядків коду, які дають робочого AI-бота, що відповідає на згадки. Він підтримує історію розмов окремо для кожного каналу в пам’яті (втрачається під час перезапуску) і обробляє ліміт Discord у 2 000 символів на повідомлення.

Чого бракує цьому мінімальному боту

Код вище працює для тестування та невеликих серверів. Для всього, що виходить за ці межі, ви зіткнетеся з кількома проблемами, які мають розв’язувати боти для продакшну:

• Постійна історія розмов. In-memory dict втрачається, коли процес перезапускається. Бот для продакшну зберігав би розмови в Redis або базі даних.
• Обмеження частоти запитів. Discord дозволяє 5 повідомлень за 5 секунд на канал. Якщо ваш бот популярний, вам потрібна черга.
• Паралельні запити. Ollama за замовчуванням обробляє один запит за раз. Коли кілька користувачів пишуть одночасно, вони стають у чергу. Ви можете запустити кілька інстансів Ollama за балансувальником навантаження або використати опцію Ollama OLLAMA_NUM_PARALLEL (доступна з v0.1.33).
• Обробка помилок і повторні спроби. Ollama може аварійно завершитися, вичерпати пам’ять або повернути некоректні відповіді. Бот має коректно обробляти всі ці випадки.
• Керування context window. Налаштування MAX_HISTORY = 10 наївне. Кращий підхід рахує токени й обрізає історію так, щоб вона вміщувалася в context window моделі (8 192 токени для Llama 3.1 8B за замовчуванням, налаштовується до 128K зі зниженням якості на довших контекстах).
• Підтримка threads. У Discord розмови з ботами часто відбуваються в threads. Обробка створення threads і історії для кожного thread потребує додаткової логіки.
• База знань / RAG. Якщо ви хочете, щоб бот відповідав на запитання про документацію вашого проєкту, потрібна схема retrieval-augmented generation: векторизувати вашу документацію, зберегти embeddings у векторній базі даних і отримувати релевантні chunks перед надсиланням їх до LLM.

Технічні нюанси

Rate limits Discord API

Discord накладає rate limits на кількох рівнях:

• Ліміти на маршрут: кожен API endpoint має власний rate limit, який повертається в заголовках відповіді (X-RateLimit-Limit, X-RateLimit-Remaining, X-RateLimit-Reset).
• Глобальний ліміт: 50 запитів на секунду для всіх endpoints.
• Ліміт повідомлень на канал: 5 повідомлень за 5 секунд на канал.
• Ліміти gateway: 120 подій gateway за 60 секунд.

Бібліотека discord.py обробляє більшість із них автоматично, ставлячи запити в чергу, коли ви досягаєте ліміту. Проте якщо ваш бот одночасно перебуває на багатьох серверах або в багатьох каналах, ви все одно можете досягти глобального ліміту. У цей момент потрібно розглянути sharding (розподіл серверних підключень бота між кількома з’єднаннями з gateway).

Для ботів, які використовують MESSAGE_CONTENT intent (потрібен для читання тексту повідомлень), Discord вимагає верифікації бота, якщо він перебуває більш ніж на 100 серверах. Це передбачає подання опису того, що робить ваш бот, і отримання схвалення від Discord.

Компроміси якості моделі

Розрив між малими open-source моделями та передовими комерційними моделями менший, ніж два роки тому, але він усе ще існує. Нижче наведено приблизне порівняння для поширених завдань Discord-ботів:

Якщо ваш Discord-бот призначений для ігрової спільноти і переважно обробляє невимушений чат та прості довідкові запити, локальна модель 8B працює добре. Якщо він призначений для підтримки клієнтів, де точність важлива, розрив у якості стає реальною проблемою. Утримання персонажа також залежить не стільки від моделі, скільки від налаштування: як створити рольового AI-чатбота, який не виходить із ролі, показує, як багато можуть дати навіть стандартній моделі persona prompt і канонічна база знань.

Керування context window

Це найбільш недооцінений технічний виклик у Discord-ботах. Розмови в Discord за своєю природою є multi-turn: користувачі надсилають багато коротких повідомлень, а бот має пам’ятати, що було сказано раніше в розмові.

Щоразу, коли бот відповідає, він має включати попередню історію розмови в prompt. Це означає:

• Кількість input tokens зростає лінійно з довжиною розмови.
• Для ботів на основі API вартість також зростає лінійно.
• Для локальних моделей час inference зростає з довжиною контексту (квадратично для обчислення attention, хоча оптимізації на кшталт Flash Attention допомагають).
• У певний момент розмова перевищує context window моделі, і потрібна стратегія: обрізати з початку, підсумовувати старіші повідомлення або починати нову розмову.

Практичний підхід — це зберігати ковзне вікно останніх N повідомлень і, якщо розмова була довгою, додавати на початок короткий підсумок попереднього контексту. Це потребує додаткового виклику LLM для створення підсумку, але обмежує витрати на кожне повідомлення.

Наслідки для приватності

Це суттєво залежить від підходу:

• Self-hosted: AI inference залишається на вашому обладнанні, тому ви контролюєте логи обробки моделлю та строки їх зберігання. Discord усе ще передає й зберігає повідомлення; локальний inference не робить усю розмову локальною.
• BYO API Key: повідомлення надсилаються API-провайдеру (OpenAI, Anthropic тощо). Перевірте їхні політики зберігання даних. Станом на початок 2026 року OpenAI заявляє, що за замовчуванням не навчає моделі на даних з API, і Anthropic має подібну політику. Проте повідомлення проходять через їхні сервери.
• Managed services: повідомлення обробляє постачальник сервісу. Перевірте його політику конфіденційності й угоди про обробку даних. Для компаній, які обробляють дані користувачів у ЄС, тут важлива відповідність GDPR. Quickchat AI, наприклад, обробляє дані в ЄС і надає DPA для бізнес-клієнтів.

Для звичайного Discord-сервера приватність зазвичай не є головною проблемою. Для бізнесу, який використовує Discord-бота як канал підтримки клієнтів, варто точно розуміти, де зберігаються дані розмов і хто має до них доступ.

Self-hosted проти managed: сукупна вартість володіння

Порівняння сирої вартості обчислень із таблиці вище показує лише частину картини. Сукупна вартість володіння включає інженерний час.

Що ви створюєте самостійно з self-hosted ботом:

• Код бота й розгортання
• Зберігання історії розмов
• Керування context window
• Обробка помилок і моніторинг
• База знань / RAG-конвеєр (за потреби)
• Аналітика та логування
• Підтримка кількох каналів (за потреби)

За консервативною оцінкою, створення готового до продакшну self-hosted AI Discord-бота з історією розмов, базою знань і базовою аналітикою займає 40-80 годин інженерного часу для досвідченого розробника. Підтримка (оновлення моделей, оновлення залежностей, налагодження, моніторинг) додає постійні витрати часу.

Що ви отримуєте з коробки з managed service:

• Хостинг бота та забезпечення безперебійної роботи
• База знань, створена з вашого сайту, документації та файлів
• Аналітика розмов (тональність, теми, оцінки)
• Розгортання в кількох каналах (той самий агент у Discord, на сайті, у WhatsApp, Slack тощо)
• Human handoff, коли AI не може допомогти
• AI Actions (власні API-виклики, що запускаються контекстом розмови), включно з діями модерації, такими як timeout, kick і ban

Питання в тому, чи місячна вартість managed service менша за альтернативну вартість вашого інженерного часу. Для розробника-одинака, який веде Discord-сервер як хобі, self-hosting з Ollama, імовірно, правильний вибір. Для бізнесу, який використовує Discord як канал підтримки для клієнтів, розрахунок зазвичай схиляється на користь managed service, тому що функції навколо самої LLM (аналітика, база знань, handoff) роблять бота справді корисним. Посібник зі створення AI-бота для тікетів покроково створює саме таку комбінацію на Free plan, тож ви можете порівняти вартість альтернативи з чимось конкретним.

Підсумок

Універсально “найкращого” безплатного AI Discord-бота не існує. Правильний вибір залежить від того, що для вас означає “безплатно”:

• Якщо ви хочете нульові поточні витрати й маєте доступне обладнання, розгорніть бота на власному обладнанні з Ollama та open-source моделлю. Ви контролюєте локальну обробку моделлю та строки зберігання її даних, тоді як Discord усе ще передає й зберігає повідомлення. Ви відмовляєтеся від якості моделі порівняно з передовими моделями і берете на себе всю інженерну роботу.
• Якщо ви хочете протестувати бота з реальними користувачами перед будь-якою оплатою, Free plan Quickchat AI дає змогу почати без кредитної картки. Інтеграція з Discord працює на Free plan, а платні тарифи починаються з $9/mo.
• Якщо вам потрібна якість передових моделей і ви готові керувати API-ключами, BYO API key бот дає це з низькою вартістю за повідомлення (особливо з GPT-4o mini або Gemini Flash). Вам усе одно потрібно хостити код бота й створювати будь-які функції понад базовий чат.
• Якщо вам потрібні функції рівня продакшну (база знань, аналітика, handoff, кілька каналів), managed service є найшвидшим шляхом. Оцінюйте на основі очікуваного обсягу повідомлень і функцій, які вам справді потрібні.

Слово “безплатний” у “безплатний AI Discord-бот” несе велике смислове навантаження. Обчислення завжди чогось коштують. Питання в тому, хто за них платить і що ви отримуєте (або від чого відмовляєтеся) натомість.

Ширше порівняння всіх AI Discord-ботів (не лише безплатних) дивіться в нашому огляді найкращих AI Discord-ботів у 2026 році. Якщо ваш сервер є саме каналом підтримки, AI-бот для тікетів у Discord показує, як відповідати з вашої документації й ескалювати решту в приватні ticket threads.