LangChain или свой код?

LangGraph для agents. Тонкая логика — чистый Python без лишних абстракций.

Какая модель?

GigaChat для RU enterprise. Open-source — при on-premise. Выбор на Discovery.

JSON mode, Pydantic validation, repair loop при parse errors.

Caching, smaller models для простых шагов, batch где возможно.

Передача кода?

Да. Repo клиента, документация, pair programming на handover.

От 500 000 ₽ за MVP. Agents с интеграциями — от 500 000 ₽.

3–5 нед.

MVP в промышленной эксплуатации

−60%

время на ручную обработку в целевом сценарии

CI eval

регрессия качества при каждом релизе

LLM Engineering

Разработка LLM-приложений

Основатель: Павел Стасиньский

От прототипа до промышленного запуска: API, agents, eval и интеграции — не demo на Jupyter.

Получить оценку проекта Оформить заказ Telegram

Разработка LLM-приложений — инженерная дисциплина: версии prompts, eval на реальных данных, structured output, fallback и observability. Bober AI Systems строит промышленный сервисы, а не одноразовые скрипты.

Стек: Python/TypeScript, LangChain/LangGraph, GigaChat или private LLM API, PostgreSQL для state, Redis для cache. Agents вызывают CRM, 1С, search — через MCP или REST.

Каждый LLM-шаг покрываем eval-набором: input → expected JSON → regression в CI. Без этого каждое обновление модели — лотерея.

Примеры: генератор КП с catalog grounding, классификатор тикетов, copilot для менеджера в CRM, multi-step agent для согласования документов.

Срок MVP — 3–5 недель. NDA, on-premise inference — стандарт. Бюджет — от 500 000 ₽.

Discovery помогает отделить «нужен LLM» от «достаточно regex» — экономим бюджет клиента.

Работаем с компаниями на amoCRM, Битрикс24, 1С, ERP и самописных системах — внедряем поверх текущего контура.

Услуга — для компаний-заказчиков. Субподряд, резюме и предложения услуг рассматриваем только на отдельной странице: Партнёрам .

Почему LLM-проекты застревают

— Промпты работают в demo, но ломаются на реальных данных
— Нет structured output — парсинг ответов ненадёжен
— Latency и cost не учтены — система не выдерживает нагрузку
— Отсутствует eval и версионирование prompts

Что разрабатываем

— LLM-сервис с API, auth и мониторингом
— Prompt/version management и eval pipeline
— Agents на LangGraph с tool calling
— Интеграции CRM, документов, мессенджеров

Процесс разработки

01

Spec и eval set

Сценарии, JSON schema, golden examples, метрики качества.

02

Prototype

Быстрый POC на sample data, проверка latency и cost.

03

Production code

API, retries, caching, logging, feature flags.

04

Handover

Документация, runbook, обучение dev-команды клиента.

LLM app stack

— API layer: FastAPI / Next.js routes, OpenAI-compatible client
— Orchestration: LangGraph state machine, tool registry
— Storage: conversation state, audit log, prompt versions
— Eval: pytest + LLM judge / exact match on structured fields
— Deploy: Docker, K8s, CI/CD with eval gate

Результат

3–5 нед.

MVP в промышленной эксплуатации

−60%

время на ручную обработку в целевом сценарии

CI eval

регрессия качества при каждом релизе

Цена и условия

Коммерческие условия услуги
Цена	от 500 000 ₽
Срок	28 дн.
Формат	Фиксированная смета · удалённо
Состав	Архитектура, разработка, тестирование и передача команде.

Связанные кейсы

внедрение

Автоматизация коммерческих предложений

45 мин → 2–5 мин на КП

Замер на пилоте заказчика: типовые PDF-запросы → готовое КП (до/после)

Архитектура и внедрение контура генерации КП · 4–8 недель до промышленного запуска

Типовое КП собирается за 2–5 минут вместо ~45. Цены и артикулы только из каталога — без выдуманных позиций. Таблица, НДС, условия и скачивание DOCX/PDF.

MySQL · CRM · Python · LLM

300 000 ₽

Подробнее о проекте

RAG-бот по продуктам Kaspersky для сотрудников дистрибьютора 1С

до −50% повторных вопросов по продуктам

На пилотной группе сотрудников дистрибьютора 1С, по внутренней оценке заказчика

Участие в разработке RAG-ассистента по продуктам Kaspersky для сотрудников дистрибьютора, работающего с экосистемой 1С · Пилот и итерации в рамках продуктового контура

Сотрудники быстрее получают ответы по продуктам Kaspersky, меньше повторяют одни и те же вопросы и реже уходят в долгий ручной поиск по базе знаний.

LLM · RAG · JavaScript

Подробнее о проекте

FAQ

LangChain или свой код?: LangGraph для agents. Тонкая логика — чистый Python без лишних абстракций.
Какая модель?: GigaChat для RU enterprise. Open-source — при on-premise. Выбор на Discovery.
Structured output?: JSON mode, Pydantic validation, repair loop при parse errors.
Cost control?: Caching, smaller models для простых шагов, batch где возможно.
Передача кода?: Да. Repo клиента, документация, pair programming на handover.
Бюджет?: От 500 000 ₽ за MVP. Agents с интеграциями — от 500 000 ₽.

Связанные услуги

Заявка

Получить оценку проекта

Услуга: Разработка LLM-решений