Три системы в продакшене, один метод в ежедневной промышленной работе.
Автономные LLM-пайплайны, собственный агентный стек и база знаний с откликом меньше секунды - всё работает сегодня, всё подкреплено цифрами. Вот в чём была задача, что я построил и что оно делает сейчас.
48 секунд, три системы из нижних - настоящие записи терминала, без макетов
Текущая роль - шаг за шагом
Что я делаю в Kyocera, в том порядке, в каком делаю.
Kyocera Automotive and Industrial Solutions, Дитценбах: в 05-09/2026 студент на подработке (Werkstudent), с 10/2026 на полной ставке как AI Engineer - Digital Transformation. Большая часть - внутренний консалтинг, потом разработка; работа идёт в четыре шага.
01Карта
Интервью и воркшопы с людьми, которые делают работу, - качество, клиентский сервис, продажи, управление изменениями - в виде карт процессов.
02Поиск
Реестр проблем по тому, что рассказали сотрудники: без дублей, с источниками и приоритетами, чтобы руководство видело, что исправлять первым.
03Решение
Работающие инструменты на Microsoft 365 вместо слайдов: Copilot-агент, который готовит черновики ответов для клиентского сервиса и никогда не отправляет сам, Office Script, который отмечает изменения в еженедельных файлах заказов, и потоки Power Automate.
04Проверка
Проверка ИИ-инструментов и платформ по хостингу в ЕС, EU AI Act, GDPR и стоимости, разбор политики использования ИИ и материалы к решениям для руководства.
Исследовательская сторона того же вопроса - моя магистерская работа в KIT, сдана в 09/2026: многокритериальная модель решений о внедрении ИИ на производстве. Четыре шага подробнее описаны на странице о методе.
ЗадачаЧитать рыночные и новостные ленты руками не масштабируется и не работает в три часа ночи.
ПостроеноАвтономный пайплайн, который забирает рыночные и новостные данные, прогоняет LLM-анализ и по расписанию публикует сигналы в Telegram без единого ручного шага. Слой моделей не привязан к поставщику - Anthropic, OpenAI, DeepInfra или локальная Ollama - а shadow-evaluation гейт пропускает более дешёвую модель только когда она догоняет эталон на живых данных.
deepsignal
docker ps - все сервисы на сервере в порядке
~95%ниже стоимость модели после shadow-eval гейта
закалено бэктестами и adversarial-ревью из 54 агентов / собственный хостинг в Docker / месяцы в продакшене
ЗадачаОдин ассистент не может быть экспертом во всём, а облачный не работает ни на вашем железе, ни на ваших условиях.
ПостроеноАссистент на своих серверах, работает круглосуточно и через мета-оркестратор координирует библиотеку профильных агентов - с собственными MCP-серверами, голосом в обе стороны и прямыми инструментами для почты и календаря.
«почему граф не грузится на телефоне?»
berezka-site-optimizer - owns berezka.me end to end
один оркестратор, 12 директоров направлений, 200+ профильных агентов - наведи на узел, чтобы увидеть имя, один реальный маршрут подсвечен бронзой
PythonClaude APIMCPWhisperDocker
🔎В продакшене
Гибридная RAG база знаний
ЗадачаБаза знаний на 4500 заметок полезна только если верный ответ приходит за секунду, а не листанием файлов.
ПостроеноГибридная система поиска - плотные эмбеддинги (bge-m3), полнотекстовый поиск (FTS5) и реранкер. Переиндексация каждый час, работает как постоянный сервис.
rag
вживую: RAG-запрос отвечен меньше чем за секунду
<1sответы по 7 964 проиндексированным файлам
dense + sparse + реранкер / переиндексация каждый час / база на 4 540 заметок
bge-m3FTS5RerankerPython daemon
База знаний за этим
4540 заметок. 13 024 связи. Один граф.
Хранилище Obsidian, на котором работает гибридная RAG-система выше - каждая точка это заметка, каждая линия связь между двумя. Названия скрыты намеренно, важна структура. Показаны 700 главных узлов.
4540 заметок13 024 связи7 964 файла в поисковом индексепереиндексация каждый час
Граф не загрузился - скорее всего, сбой сети.
Давайте поговорим
Хотите обсудить что-то из этого?
Вопросы по одной из этих систем или идея, которую хочется обсудить? Напишите мне.