AI-системы и LLM-инжиниринг

Откуда мы это знаем

Четыре AI/enterprise-системы у нас работают в проде прямо сейчас — у основного заказчика (дистрибьютор Samsung Medison). Мы их сами спроектировали, подняли, задеплоили и поддерживаем.

Мы не продаём «нейросети ради нейросетей». Мы проектируем практичные AI-решения под конкретные задачи бизнеса — и встраиваем их в живые процессы клиента.

Четыре живых примера — четыре разных типа AI-задачи

1. RAG-ассистент в Telegram. 1 000+ страниц инструкций Samsung → удобный сервис. 2 000+ пользователей, мультимодальный ввод (текст, голос, фото экрана сканера), видеоинструкции по шагам. Работает в РФ без VPN. Стек: n8n + Supabase (pgvector).
2. Контекстная LLM-экстракция цен. 3-уровневый pipeline (JSON-LD → Claude → regex) на ~1 000 URL дилеров за прогон. MAP-контроль по 6 моделям сканеров. 30–45 минут, ~$5 за прогон. Стек: Python 3.14 + Claude Haiku 4.5 + SerpAPI.
3. Автогенерация отчётов RU → EN. Marketing Expense Tracker с LLM-генератором 5 полей отчёта по мероприятиям для HQ в Корее. 127 автотестов, аудит на PostgreSQL-триггерах, квартальная блокировка. Стек: Next.js 16 + Prisma 7 + Claude Haiku.
4. Дилерская платформа с integration-heavy бизнес-логикой. Здесь LLM не нужен — и это принципиально: не тащить AI туда, где он лишний. 55 endpoints, 164 теста, Контур.Фокус, 4 роли, статусная машина. Стек: Node.js 20 + Express + PostgreSQL 15.

Это не «мы читали статьи про RAG». Это проверенная боль: что ломается в проде, что дрифтит, какие промпты выживают через месяц, а какие — нет.

Где LLM реально помогает

Четыре типа задач, где LLM на момент 2026-го честно окупает себя:

1. Контекстная экстракция. Когда из неструктурированного источника надо вытащить данные по сложному правилу: «цена именно этого товара, а не похожих на него». Regex не справится, LLM справляется.
2. RAG-поиск по базе знаний. Документация, инструкции, прошлые проекты. Вместо «где эта инструкция?» — «расскажи, что у нас про Z».
3. Автоматическая генерация структурированных документов из свободной формы. Отчёты, саммари, письма. Особенно сильно работает, когда нужен перевод «свободный русский → структурированный английский».
4. Классификация входящих запросов. Кому направить, с каким приоритетом, что ответить сразу.

Где LLM НЕ помогает

Список такой же важный:

• Точные вычисления. Считать калькулятор — не задача LLM. Он ошибётся.
• Детерминированные workflow. Есть чёткие правила — пишите скрипт, дешевле и надёжнее. В кейсе дилерской платформы мы специально не ставили LLM, хотя было много запросов «а сделайте с ИИ».
• Критически точные решения (медицинские диагнозы, юридические). LLM — ассистент эксперта, не замена.
• Задачи без метрики качества. Если нельзя оценить, хорошо ли LLM отвечает — проект обречён.

Российский контекст — это архитектура

Российский B2B-рынок добавляет особые вызовы, о которые спотыкаются «общие» AI-подрядчики:

• Работа без VPN. У клиента в клинике/офисе нет туннеля. Надо класть API-gateway снаружи страны, интерфейс — в удобном мессенджере.
• Русский язык. Не всё, что хорошо работает с английским промптом, так же хорошо работает с русским. Это тестируется.
• Доменная терминология. Медицинская, юридическая, финансовая лексика — промпт должен это знать, а не угадывать.
• Отчётность на другом языке. Корпорации с HQ за рубежом живут в языковой коллизии. LLM решает это лучше переводчиков.

Как обычно выглядит проект

Возьмём типичный RAG по базе знаний:

• Неделя 1: discovery. Смотрим документацию, интервью с будущими пользователями. Формулируем 15–20 тестовых запросов с ожидаемыми ответами.
• Недели 2–3: прототип. Простая разбивка на чанки, базовый retrieval, первый промпт. Гоняем на тестовых запросах.
• Недели 4–6: MVP в стейджинге. Нормальный интерфейс, реальные интеграции, confidence-scoring, fallback-цепочки.
• Недели 7–9: продакшн. Аудит, мониторинг, документация.
• Дальше: retainer. Смотрим реальные логи. Добавляем случаи, которые не покрыли. Обновляем эмбеддинги, когда приходят новые документы.

Без retainer-этапа RAG-системы деградируют за 3–6 месяцев. Это не баг, это свойство.

Что мы НЕ делаем

• Не продаём «AI трансформацию». Делаем отдельные системы с измеримой экономией.
• Не используем LLM, когда задача решается регулярным выражением.
• Не обещаем «умный агент, который сам поймёт». Делаем системы с чёткими бизнес-правилами.
• Не работаем без продакшн-доступа. AI-система, которая живёт только в демо, — не наша история.

С чего начать

Если у вас есть задача, где повторяющаяся работа съедает часы людей в неделю, — напишите в Telegram. За первый созвон мы скажем, стоит ли вообще AI в вашем случае, или проще решить скриптом.