Примеры работ и кейсы по направлению «Боты с AI»

Создание AI-агентов для поддержки клиентов, продаж, аналитики и внутренних бизнес-процессов. Разработка RAG-систем на базе корпоративных данных, интеграция современных языковых моделей, автоматизация рутинных задач и построение интеллектуальных ассистентов под задачи бизнеса.

Разработка Telegram-ботов любой сложности, Telegram Mini Apps, автоматизация обработки заявок и клиентских обращений. Интеграция с CRM, платежными системами, базами данных и внешними сервисами. Построение полноценных воронок продаж и клиентского сопровождения через мессенджеры.

Проектирование структуры данных, оптимизация запросов, настройка индексов и работа с большими объемами информации. Опыт построения отказоустойчивых решений, кэширования через Redis, репликации данных и повышения производительности существующих систем.

Разработка современных веб-приложений, административных панелей, SaaS-сервисов и высоконагруженных backend-систем. Опыт создания REST API, WebSocket-сервисов, личных кабинетов, CRM-систем и интеграционных платформ. Подбор оптимального стека под задачи проекта с учетом производительности и масштабирования.

Разработка веб-платформы для моделирования и анализа распространения вирусов и эпидемиологических процессов. Основной целью проекта было создание интерактивного инструмента, позволяющего визуализировать различные сценарии распространения заболеваний и оценивать влияние различных параметров на развитие ситуации. В рамках проекта были реализованы механизмы симуляции, визуализация данных в реальном времени, настройка параметров моделирования и удобный пользовательский интерфейс для проведения исследований и экспериментов. Результат — создание наглядного инструмента для демонстрации эпидемиологических моделей, анализа сценариев распространения вирусов и образовательных целей в области биологии, медицины и математического моделирования.

голосовой ИИ-агент Аня - это полноценный цифровой сотрудник, который будет принимать телефонные звонки и обзванивать клиентов, консультировать по вопросам вашего бизнеса и записывать данные о заказчике в CRM.

Задача: сделать ИИ-ассистента в Telegram как полноценный продукт, а не «обёртку над одной моделью» — с несколькими LLM, генерацией изображений, тарифами, оплатой и защитой от злоупотреблений. Что построил: мультимодального бота на aiogram с потоковым чатом, генерацией картинок, выбором модели под тариф, платёжной системой и антифродом. Под капотом — продакшн-инфраструктура: миграции БД, кэш, фоновые задачи, 336 тестов, строгая типизация и CI. Как работает: — Потоковый чат на нескольких LLM с автофолбэком между провайдерами: если один недоступен — запрос уходит на резервного, пользователь сбоя не видит. — Модели под тариф: разным планам доступны разные модели, лимиты считаются по стоимости за период. — Платежи: Telegram Stars + крипто-эквайринг, промокоды, подписки с идемпотентной активацией (повторный вебхук не задваивает оплату). — Антифрод: хеш телефона и IP + проверка возраста Telegram-аккаунта против абуза бесплатных лимитов. Результат: production-ready бот с архитектурой, готовой к адаптации под бренд заказчика (единая точка брендинга + фича-флаги). Покрыт 336 тестами, ruff/mypy clean. Стек: Python, aiogram 3, PostgreSQL, SQLAlchemy, Alembic, Redis, OpenRouter, Docker.

Задача: в RAG-боте каждый вопрос нужно правильно направить — искать в документах, ответить из общей модели или продолжить предыдущий диалог. Ошибка маршрутизации = лишние запросы к базе или потеря контекста. Гонять ради этого тяжёлую LLM — дорого и медленно. Что построил: классификатор намерений на дообученном ruBERT-tiny2. Определяет тип запроса (поиск по документам / свободный чат / уточнение) и отдаёт маршрут за миллисекунды на обычном CPU. Как работает: — Дообучение лёгкой модели ruBERT-tiny2 под три класса намерений на размеченном датасете. — Экспорт в ONNX: инференс ~3.7 мс на CPU, ~117 МБ — работает без GPU, дёшево в проде. — Полная воспроизводимость: пайплайн данные → обучение → метрики → экспорт задокументирован и повторяем, код и веса опубликованы. Результат: F1 = 0.90 на отложенной выборке. Маршрутизация запросов в RAG стала быстрой и предсказуемой — без обращения к большой LLM ради классификации. Стек: Python, ruBERT-tiny2, HuggingFace Transformers/Trainer, ONNX Runtime, Google Colab.

Задача: каталог поставщика приходит прайсами в PDF и Excel — сотни позиций с характеристиками. Заносить вручную в базу долго, дорого и с ошибками. Что построил: пайплайн, который сам извлекает данные из прайсов и кладёт их в структурированную базу, готовую к поиску и интеграции. Как работает: — Извлечение через LLM: из страниц PDF/Excel вытягиваются наименования, характеристики, артикулы и цены — даже из «грязной» вёрстки, где обычный парсер ломается. — Нормализация и валидация: данные приводятся к единому виду, проверяются, отбраковывается мусор. — Заливка в PostgreSQL через пайплайн на n8n + Directus: удобная админка поверх базы. — Идемпотентные апдейты: повторный прогон не плодит дубли — позиции обновляются по стойкому ключу. Результат: ручной ввод каталога заменён автоматическим конвейером — характеристики из прайсов попадают в чистую базу, готовую к выдаче на витрину и интеграциям. Стек: Python, LLM (OpenAI/Claude API), n8n, Directus, PostgreSQL, обработка PDF/Excel.

Задача: вручную собирать обучающие методички и презентации из исходного материала — долго и неединообразно. Нужен конвейер, который делает это сам. Что построил: оркестратор на n8n, который управляет несколькими ИИ-агентами с разными ролями. Из загруженного материала автоматически собирается структура занятия, затем — готовая методичка и презентация (PPTX) по фирменному шаблону. Как работает: — Оркестратор + воркеры: центральный поток распределяет шаги между агентами, каждый отвечает за свой участок (разбор материала, структура, наполнение, сборка файлов). — Детерминированные пресеты вместо «как получится»: типовые блоки занятия собираются предсказуемо, без лишних обращений к LLM. — Атомарное состояние: каждый шаг фиксируется, процесс переживает сбои и не теряет данные. — Кнопочный Telegram-интерфейс: пользователь запускает и ведёт сборку прямо в чате, без ручной возни. Результат: из исходного текста на выходе — методичка и презентация по шаблону, единообразно и без ручного труда. Прямое попадание в запрос «нужно несколько агентов, которые сами доводят материал до готовых файлов». Стек: n8n, OpenAI API, Telegram Bot API, PostgreSQL, REST-интеграции, Python.