Локальні моделі й агенти
Проєктую середовище для роботи з кодом: runtime моделей, інструменти, обмеження змін і перевірки результату.
AI у продукті.Від задачі до релізу.
Проєктую AI-функції, поєдную моделі з даними та робочими процесами. Вимоги, UX, інтеграції та якість релізу — у моїй зоні відповідальності.
Дивитися приклади01 / Навички
Що роблю з AI
Асистенти з базою знань
Пов’язую відповіді з документацією проєкту. Налаштовую пошук, контекст, мову, характер і правила поведінки помічника.
Автоматизація підтримки
Поєдную LLM, зовнішні API та бази даних: багатокрокові звернення, перевірка профілів, тікети й зворотний зв’язок.
02 / Проєкти
Де це реалізовано
LOCAL / CODING AGENT
- Знайти потрібний код
- Внести точкову зміну
- Перевірити результат
Qwen · PHP / Python · Docker
ВНУТРІШНІЙ ІНЖЕНЕРНИЙ ПРОЄКТ
Локальний AI-агент
Середовище для роботи з PHP- і Python-репозиторіями. Спроєктував архітектуру, інтеграцію інструментів, правила редагування, перевірки та маршрутизацію моделей.
- внутрішніх сценаріїв PASS
- 7
- зростання перевіреного контексту
- 4,91×
Внутрішні випробування · 13–14 вересня 2026
Кейс, демо та вимірюванняSUPPORT / AI ASSISTANT
- Бан / апеляція
- Технічна проблема
- Скарга на гравця
- Купівля
FAQ → звернення → тікет
RAG / FAQ / SUPPORT WORKFLOWS
AI-асистент для підтримки
Відповіді за базою знань, багатокрокові звернення, перевірка Steam-профілю та створення тікетів через наявний Discord support-модуль.
- Python-модулів AI-підсистеми
- 11
- мови відповіді: RU / UA / EN
- 3
6.1K+ рядків Python · snapshot AI-підсистеми
Комерційний AI RAG · кейс X-BOTЯк влаштована AI-підсистемаПошук, дані, поведінка та експлуатація
Багатокрокові сценарії
Чотири звернення: бан/апеляція, технічна проблема, скарга на гравця й купівля. Визначення наміру, вилучення полів, збереження стану діалогу та створення тікета.
Мови та поведінка
Визначення RU/UA/EN і повторна генерація за неправильної мови відповіді. Системні інструкції, тон, обмеження та правила контексту задають поведінку віртуального помічника.
FAQ і зворотний зв’язок
SQLite — конфігурація сервера та статичний FAQ; MySQL — динамічний FAQ і feedback. Створення схеми та індексів, лічильники використання, просування відповідей за реакціями й прапорці ручної перевірки.
Пошук і прив’язка до джерел
Пороги пошуку, top-K, ліміти контексту, поділ документації й теги джерел. Groundedness score перевіряє ID джерел і лексичний збіг відповіді зі знайденим контекстом.
Перевірка Steam-профілю
Пошук профілю, визначення SteamID64 і vanity URL, підтвердження користувачем. Структуровані дані профілю передаються у сценарій звернення до створення тікета.
Налаштування та експлуатація
Канал, роль trainer, system prompt і MySQL окремо для сервера. CRUD/reset FAQ, тест підключення до БД, пул з’єднань, скидання кешу та статус runtime.
03 / Процес
Як доводжу задачу до релізу
AI бере участь у реалізації. Продуктова логіка, UX-рішення та приймання результату залишаються під моїм контролем.
Задача й UX
Визначаю пріоритет, користувацький сценарій, обмеження, граничні випадки та критерії приймання.
Реалізація
Готую контекст і завдання для AI. Керую змінами, налагодженням та ітераціями за уточненими вимогами.
Перевірки
Вручну перевіряю функції, інтерфейс та інтеграції. Контролюю регресії, мову й прив’язку AI-відповідей до джерел.
Реліз
Перевіряю середовище, розгортання та готовність відкату. Приймаю результат за критеріями готовності.
Критерій готовності — перевірений результат
Реліз проходить приймання за функціональністю, граничними сценаріями та регресіями. Для AI додатково перевіряються мова, джерела, обмеження поведінки й сценарій звернення.
ПРОДУКТОВИЙ ДОСВІД І ТЕХНІЧНА ГЛИБИНА