Локальные модели и агенты
Проектирую среду для работы с кодом: runtime моделей, инструменты, ограничения правок и проверки результата.
AI в продукте.От задачи до релиза.
Проектирую AI-функции, связываю модели с данными и рабочими процессами. Требования, UX, интеграции и качество релиза — в моей зоне ответственности.
Смотреть примеры01 / Навыки
Что делаю с AI
Ассистенты с базой знаний
Связываю ответы с документацией проекта. Настраиваю поиск, контекст, язык, характер и правила поведения помощника.
Автоматизация поддержки
Соединяю LLM, внешние API и базы данных: многошаговые обращения, проверка профилей, тикеты и обратная связь.
02 / Проекты
Где это реализовано
LOCAL / CODING AGENT
- Найти нужный код
- Внести точечную правку
- Проверить результат
Qwen · PHP / Python · Docker
ВНУТРЕННИЙ ИНЖЕНЕРНЫЙ ПРОЕКТ
Локальный AI-агент
Среда для работы с PHP- и Python-репозиториями. Спроектировал архитектуру, интеграцию инструментов, правила редактирования, проверки и маршрутизацию моделей.
- внутренних сценариев PASS
- 7
- рост протестированного контекста
- 4,91×
Внутренние испытания · 13–14 сентября 2026
Кейс, демо и измеренияSUPPORT / AI ASSISTANT
- Бан / апелляция
- Техническая проблема
- Жалоба на игрока
- Покупка
FAQ → обращение → тикет
RAG / FAQ / SUPPORT WORKFLOWS
AI-ассистент для поддержки
Ответы по базе знаний, многошаговые обращения, проверка Steam-профиля и создание тикетов через существующий Discord support-модуль.
- Python-модулей AI-подсистемы
- 11
- языка ответа: RU / UA / EN
- 3
6.1K+ строк Python · snapshot AI-подсистемы
Коммерческий AI RAG · кейс X-BOTКак устроена AI-подсистемаПоиск, данные, поведение и эксплуатация
Многошаговые сценарии
Четыре обращения: бан/апелляция, техническая проблема, жалоба на игрока и покупка. Определение намерения, извлечение полей, сохранение состояния диалога и создание тикета.
Языки и поведение
Определение RU/UA/EN и повторная генерация при неправильном языке ответа. Системные инструкции, тон, ограничения и правила контекста задают поведение виртуального помощника.
FAQ и обратная связь
SQLite — конфигурация сервера и статический FAQ; MySQL — динамический FAQ и feedback. Создание схемы и индексов, счётчики использования, продвижение ответов по реакциям и флаги ручной проверки.
Поиск и привязка к источникам
Пороги поиска, top-K, лимиты контекста, разбиение документации и теги источников. Groundedness score проверяет ID источников и лексическое совпадение ответа с найденным контекстом.
Проверка Steam-профиля
Поиск профиля, разрешение SteamID64 и vanity URL, подтверждение пользователем. Структурированные данные профиля передаются в сценарий обращения до создания тикета.
Настройки и эксплуатация
Канал, роль trainer, system prompt и MySQL отдельно для сервера. CRUD/reset FAQ, тест подключения к БД, пул соединений, сброс кеша и статус runtime.
03 / Процесс
Как довожу задачу до релиза
AI участвует в реализации. Продуктовая логика, UX-решения и приёмка результата остаются под моим контролем.
Задача и UX
Определяю приоритет, пользовательский сценарий, ограничения, пограничные случаи и критерии приёмки.
Реализация
Готовлю контекст и задания для AI. Управляю правками, отладкой и итерациями по уточнённым требованиям.
Проверки
Вручную проверяю функции, интерфейс и интеграции. Контролирую регрессии, язык и привязку AI-ответов к источникам.
Релиз
Проверяю окружение, развёртывание и готовность отката. Принимаю результат по критериям готовности.
Критерий готовности — проверенный результат
Релиз проходит приёмку по функциональности, пограничным сценариям и регрессиям. Для AI дополнительно проверяются язык, источники, ограничения поведения и сценарий обращения.
ПРОДУКТОВЫЙ ОПЫТ И ТЕХНИЧЕСКАЯ ГЛУБИНА