Строю рабочие AI-сервисы внутри корпоративного контура
Голос, документы, знания, агенты — от идеи до прода. Локальные модели там, где персональные данные: ничего не покидает периметр компании.
Эта страница — сама по себе кейс: её придумал, сверстал и развернул мой AI-агент за один диалог в чате. Как и большинство решений ниже — они сделаны в паре человек + агент.
Что уже работает
Не концепты и не презентации — сервисы, которыми люди пользуются каждый день. Все построены внутри закрытого контура крупной компании либо на собственной инфраструктуре.
голос Секретарь встреч запись встречи → протокол → задача в трекере
Задача
Часы встреч ежедневно — и часы ручных расшифровок после. Решения теряются, поручения забываются.
Как устроено
Whisper и LLM работают внутри контура компании: транскрипт, протокол с решениями и поручениями, задача в трекере с вложениями. Материалы встречи подмешиваются в контекст, качество протокола оценивают сами пользователи.
Эффект
Протокол — через минуты после встречи. Записи и персональные данные не покидают периметр.
голос AI-тренажёр переговоров голосовой roleplay с AI-клиентом в реальном времени
Задача
Тренировать холодные звонки и удержание клиентов — без риска для настоящих клиентов и без занятого тренера.
Как устроено
Realtime-речь: сотрудник говорит голосом, AI-клиент отвечает голосом. Сценарии с жёстким каркасом роли (скептичный директор, недовольный финдир), после сессии — LLM-судья по рубрике: сильные стороны, зоны роста, рекомендации.
Эффект
Безлимитный спарринг-партнёр. Тренер видит все сессии и карточки оценок в своём кабинете.
документы Конвейер анализа коммерческих предложений поток PDF → структурированная витрина → дашборды
Задача
Предложения конкурентов приходят хаотичным потоком вложений. Рыночная аналитика собиралась вручную и устаревала.
Как устроено
LLM извлекает из каждого документа структурированные поля, валидация отсекает аномалии (кривая цена → NULL + предупреждение, а не упавший конвейер), данные ложатся в ClickHouse-витрину, поверх — живые дашборды.
Эффект
Картина рынка обновляется сама. Аналитики работают с данными, а не с PDF.
документы AI-диспетчер заявок юристам почта → классификация → исполнитель в трекере
Задача
Заявки юридическому департаменту приходят письмами: часть теряется, распределение непрозрачно, нагрузка неравномерна.
Как устроено
Intake разбирает входящую почту, классификатор определяет направление, диспетчер назначает исполнителя с учётом текущей загрузки. 18 краевых сценариев закрыты аудитом; перед боевым включением — режим dry-run.
Эффект
Ни одна заявка не теряется. Распределение прозрачно и объяснимо.
знания Платформа знаний (RAG) база знаний, которая отвечает по смыслу
Задача
Знания команды тонут в чатах и документах. Найти «как мы это уже решали» — минуты и часы, если вообще получится.
Как устроено
Векторная база Qdrant + гибрид эмбеддеров (быстрый для свежести, bge-m3 для качества). Инкрементальный автосинк: правка в базе знаний доступна поиску за ≤10 минут. Доступ для AI-ассистентов — через MCP.
Эффект
Факт, грабля или решение находятся за секунды — по смыслу, а не по точному слову.
агенты Агентная инфраструктура AI-агент с руками: сервер, трекер, БД, деплой
Задача
AI, который только советует, — половина пользы. Нужен агент, который делает: правит код, ставит задачи, проверяет серверы.
Как устроено
Собственный MCP-хаб — 23 инструмента: база знаний, трекер, ClickHouse, GitLab, очередь задач для изолированных контуров. Telegram-мост — агент доступен с телефона. Опасные операции проходят «светофор»: выполняются только после явного подтверждения человека.
Эффект
Рутина уходит агенту. Решения остаются за человеком. Сервер сам следит за собой: сторож, самопроверка, шифрованные бэкапы.
Человек + AI-агенты
Я работаю в паре с AI не «иногда, для текстов», а как с инженерной командой — со своей инфраструктурой, правами и правилами безопасности.
Локальные модели там, где ПДн
Записи встреч, кадровые данные, переписка — обрабатываются моделями внутри контура. Внешние API — только для обезличенных задач и по согласованию.
Человек решает — агент исполняет
Деструктивные операции (удаление, деплой в прод) не выполняются автоматически: агент готовит, человек подтверждает кнопкой. Всегда.
Всё наблюдаемо
Каждый пайплайн логируется по шагам, серверы под сторожем и самопроверкой, конфиги — в шифрованных бэкапах с проверкой восстановления.
Стек
AI / LLM
- Claude · Qwen · YandexGPT
- Whisper · Realtime Speech
- RAG · эмбеддинги · reranking
- LLM-judge · function calling
- MCP (Model Context Protocol)
Бэкенд
- Python · FastAPI
- WebSocket · REST
- Serverless Functions
- Telegram Bot API
- Chrome Extensions (MV3)
Данные
- ClickHouse · SQL
- Qdrant (вектора)
- S3 · SQLite
- DataLens (BI)
Инфраструктура
- Kubernetes · Docker
- GitLab CI/CD · werf
- Linux · systemd · Caddy
- SSO · secrets-менеджмент
Экосистема Яндекса
- Яндекс Трекер · API
- Cloud Functions
- AI Studio: YandexGPT
- SpeechKit · Realtime API
- DataLens · Вики · Формы
Обсудить задачу или обменяться опытом
HR-tech, AI в закрытых контурах, агентные системы — пишите, отвечаю лично.
Или напишите прямо здесь
Сообщение передаст мой Telegram-бот — оно придёт мне лично в течение минуты.