Портфолио и кейсы фрилансеров по созданию RAG и баз знаний

SoRUN – платформа для автоматизации email-рассылок Разработал десктопное приложение на C# / .NET / WPF с WYSIWYG-редактором на базе WebView2 (Chromium). Продукт используется отделом рекламы регионального офиса «Ростелекома» для маркетинговых кампаний. - Реализовал импорт контактов из Excel/CSV/TXT, мультиаккаунтную отправку через собственный SMTP с антиспам-трепотлингом и ограничениями по лимитам. - Внедрил поддержку DKIM/SPF/DMARC-подписи и интеграцию со SpamAssassin для предварительной проверки писем. - Спроектировал полноценный HTML-редактор с форматированием, вставкой изображений, таблиц и просмотром кода. - Организовал сбор статистики (отправки, ошибки, открытия, клики) с хранением в локальной БД (LiteDB) и автоматическое формирование списков недоставленных писем.

Цифровой информационный стенд для УГНТУ – проект в стадии опытной эксплуатации Спроектировал программно-аппаратный комплекс сенсорного киоска для учебного корпуса (C# / .NET / WPF, WebView2). Включает модули: - Расписание занятий с синхронизацией из университетской ИС и поиском по группам, преподавателям, аудиториям. - Внутренняя навигация по зданию с автоматическим построением маршрута на основе поэтажных планов и интерактивная карта кампуса. - Информационная лента с централизованным удалённым управлением контентом через внешний источник. - Автономный режим: ждущий экран с афишами и автоматическое восстановление интерфейса. Проект выполняется в сотрудничестве с вузом, готовится заявка на грантовое финансирование для тиражирования решения.

Настроил удалённую работу с базой знаний через MCP: поиск и чтение заметок, создание и дополнение записей с контролем доступа и историей изменений в Git. Задача: подключать внешние приложения к базе знаний, управлять их правами и сохранять возможность восстановить предыдущую версию заметки. Реализовано: • два режима доступа: только чтение или чтение с записью; • OAuth-авторизация, изменение прав и отзыв доступа отдельно для каждого приложения; • проверка разрешений на сервере перед выполнением операции; • поиск по тексту и свойствам заметок; • автоматическая фиксация изменений в Git и синхронизация с удалённым репозиторием; • восстановление отправки после сетевых сбоев и обработка конфликтов синхронизации; • журнал операций и уведомления об ошибках. Моя работа: усиление безопасности MCP-ядра с открытым кодом, серверная авторизация, аудит, Git-синхронизация и развёртывание. Результат: база знаний доступна подключённым приложениям в пределах выданных прав. Изменения сохраняются в истории, доступ можно отозвать централизованно. Сервис используется на рабочем сервере. Технологии: Python, MCP, OAuth 2.1, Starlette, SQLite, Git, systemd, Nginx.

Делаем ИИ-консультантов, которые отвечают клиентам ПО ФАКТАМ бизнеса, а не выдумывают. Технология RAG: модель отвечает только тем, что есть в базе знаний клиента. Как это работает: • база знаний собирается автоматически по сайту и прайсу • обновили цену на сайте, бот узнал о ней сам, без переобучения • работает и на сайте, и в личных сообщениях соцсети • чего нет в базе, о том честно говорит и зовёт человека Примеры в проде: • стоматология: консультант знает услуги, цены, врачей и технологии клиники, отвечает пациентам ночью и в выходные • туроператор: консультант по маршрутам и датам, сам видит актуальные заезды и не предлагает отменённые • активити-парк: отвечает про цены и праздники, сразу вылавливает контакт Почему это важно: обычный бот на шаблонах либо отвечает не по делу, либо врёт. Здесь ответ всегда опирается на реальные данные компании. Живой пример можно потрогать по ссылке ниже: кнопка «Спросить консультанта» в углу экрана.

Учебный проект: RAG-ассистент для быстрого поиска информации в базе знаний компании. Ассистент принимает вопрос пользователя, находит релевантные фрагменты в документах и формирует ответ на их основе с помощью языковой модели. Такое решение может использоваться для внутренних баз знаний, инструкций, регламентов, FAQ и поддержки сотрудников. Вместо ручного поиска по большому количеству документов пользователь получает готовый ответ на естественном языке. В проекте реализованы: — семантический поиск по документам; — формирование ответа на основе найденного контекста; — работа с векторной базой знаний; — кэширование повторяющихся запросов; — вывод использованных фрагментов и источников. При тестировании система корректно находила релевантные документы и формировала ответы на их основе. Повторяющиеся запросы могли возвращаться из кэша без повторной генерации. Технологии: Python, RAG, ChromaDB, embeddings, OpenAI API, кэширование.

Демонстрационный кейс без данных реального клиента. Концепция RAG-ассистента для корпоративной базы знаний: источники и владельцы, чанкинг и метаданные, гибридный поиск, ответы с цитатами, права доступа, правила отказа, эталонные вопросы и критерии качества ограниченного пилота.

Реализованный агент пишет и оптимизирует SQL-запросы под конкретную базу заказчика на Microsoft SQL Server с 500+ таблиц, опираясь на полную структуру системы: схему таблиц, внешние ключи, определения индексов и корпоративные стандарты оформления кода. Перед каждым запросом агент сверяется со схемой — проверяет имена таблиц, колонок и типы данных, соединения таблиц строятся по фактическим FK-связям. При оптимизации агент опирается на реальные индексы: условия where и join выравниваются под существующие индексы, чтобы запросы работали быстро под нагрузкой, а не тормозили систему. Каждая рекомендация по ускорению ссылается на конкретный индекс или ограничение из контекста, а не на общие принципы. Весь генерируемый SQL строго следует правилам форматирования заказчика и целится в совместимость с MS SQL Server — на выходе единый, предсказуемый, production-ready код. Результат — снижение трудозатрат на написание и оптимизацию запросов вплоть на 70-95% на сложносоставных запросах

Реализована автообновляемая база знаний об облачной мультитенантной платформе. Это не поисковая система для ответов на вопросы (как в типовом RAG), а структурированный операционный контекст, по которому ИИ-агент ведёт разработку: пишет автоматизации, интеграции и отчёты, опираясь на полную картину продукта, а не на разрозненные фрагменты документов. 100+ страниц вики, 1000+ ручек API и 500+ таблиц БД (со связями и индексами) в 13 предметных областях. Знания организованы иерархией: точка входа задаёт маршрут к нужному разделу — устройству продукта, справочнику API, карте «сущность → ручка API → таблица в БД», правилам безопасности и готовым сценариям под типовые задачи. Благодаря этому агент видит не отдельный ответ на вопрос, а связи между сущностями продукта, ручками и данными — и может корректно спроектировать решение целиком. База знаний пополняется после каждой задачи, поэтому со временем контекст становится полнее, а разработка — точнее.

RAG-система для поиска ответов в больших массивах разнородной технической документации. Вместо ручного перебора файлов пользователь задаёт вопрос на естественном языке и получает точный ответ со ссылкой на документ и страницу. Исходники - разные форматы: нативные PDF, отсканированные документы и чертежи, DOCX, на нескольких языках. Под это построен конвейер: docling для извлечения текста и структуры, распознавания таблиц и чанкования (с обогащением контекстом). Дальше — гибридный retrieval: dense-эмбеддинги (bge-m3) для смыслового поиска + sparse BM25 для точного совпадения артикулов и серийных номеров, слияние через RRF в Qdrant. Поверх — cross-encoder reranking для отсечения ложных совпадений. Сервис выведен в прод как OpenAI-совместимый API со средней скоростью ответа в 17 сек и точностью порядка 93%. Заказчик - производитель премиальной рыбной продукции.

Агент отвечает на вопросы на естественном языке, обращаясь напрямую к живым данным системы — SQL генерируется на лету под конкретный вопрос, а не индексируется заранее. Сгенерированный LLM SQL перед выполнением проходит через guard-слой на sqlglot: разрешён только один SELECT, таблицы — по whitelist, системные схемы и опасные функции запрещены, лимит строк выставляется принудительно. Если запрос не проходит проверку или падает при выполнении — ошибка возвращается в LLM, и она пробует снова (self-correction loop, несколько попыток). Готовый результат оформляется вторым LLM-вызовом в понятный ответ. Модуль встроен в общий роутер, который сам решает — направить вопрос сюда, в RAG-поиск по документам или в оба сразу. Заказчик - производитель премиальных продуктов питания.