Сергей СтепаненкоAI-автоматизация и инженерные решенияОбсудить задачу

КЕЙСЫ И ПРОЕКТЫ

Реальные задачи, рабочие решения и измеримый результат

Показываю путь от ручного процесса и ограничений до работающей системы: с проверками, контролем результата и понятной ролью автоматизации.

12+ лет

инженерного опыта

12 → 2 часа

время настройки оборудования

1 млн+

значений в одном цикле контроля

КЕЙСЫ И ПРОЕКТЫ

Шесть реальных задач с разным статусом: рабочие автоматизации, AI-проекты, инфраструктурные решения и активная разработка.

06Локальные AI-инструменты

Активная разработка

Локальный AI-контур для работы с кодом

Разрабатываю контролируемую схему, где сильная модель формирует точные изменения, а локальный агент выполняет только проверяемые операции.

СтатусАктивная разработка

РольАрхитектура и тестирование

ЦельСнижение агентных ошибок

Проблема

Локальные модели могут заявлять о выполненных действиях, которых не было, делать лишние вызовы инструментов и изменять больше файлов, чем требуется.

Решение

Разделил роли: ChatGPT анализирует задачу и формирует Git-патч, Hermes и Qwythos проверяют его через git apply --check, применяют и запускают заранее заданные проверки. Git остаётся источником правды.

Результат

Получен контролируемый процесс применения изменений с понятной зоной ответственности, проверкой diff и запретом на широкую автономную диагностику локального агента.

РЕЗУЛЬТАТ И КОНТРОЛЬ

git apply --check

проверка до применения

Git

источник правды

1 операция

за один шаг агента

Локальная LLM

в роли исполнителя

КЛЮЧЕВОЙ ВЫВОД

Локальный агент надёжнее работает как ограниченный исполнитель точной операции, а не как автономный архитектор и диагност.

HermesQwythosGitPowerShellllama.cpp

01Инженерная автоматизация

Рабочая автоматизация

Автоматизация настройки оборудования

Перевёл длительную ручную последовательность команд в управляемый сценарий с проверкой ответов и остановкой при отклонении.

РольАнализ процесса и разработка

СредаLinux и реальное оборудование

ОграничениеБез отдельного тестового стенда

Проблема

Настройка выполнялась вручную по длинной инструкции, зависела от внимательности исполнителя и занимала до 12 часов.

Решение

Формализовал этапы процесса и реализовал Python-сценарий с авторизацией, последовательной отправкой команд, логированием, проверкой ответов оборудования и остановкой при несоответствии.

Результат

Время выполнения сократилось с 12 до 2 часов. Процесс стал воспроизводимым, контролируемым и меньше зависел от конкретного исполнителя.

РЕЗУЛЬТАТ И КОНТРОЛЬ

12 → 2 часа

время выполнения

−83%

времени на операцию

Контроль ответов

каждый этап проверяется

Остановка

при несоответствии

КЛЮЧЕВОЙ ВЫВОД

Ценность решения не в сложности кода, а в переводе критичной ручной операции в контролируемый и воспроизводимый процесс.

PythonTelnetCLILogging

02Инженерные данные

Рабочая автоматизация

Контроль инженерных данных после испытаний

Автоматизировал обработку больших массивов параметров и подсветку отклонений, сохранив финальное решение за специалистом.

РольАнализ процесса и автоматизация

ПриоритетСнижение человеческого фактора

ДанныеБольшие массивы параметров

Проблема

За один цикл требовалось проверить более миллиона значений. Ручной анализ занимал около трёх часов, а пропущенное отклонение могло повлиять на безопасность.

Решение

Настроил сбор, объединение и обработку данных, автоматическую подсветку выходов за допустимые пределы и подготовку результатов для инженерной проверки.

Результат

Время первичного анализа сократилось примерно с трёх часов до пятнадцати минут. Риск пропустить отклонение снизился, а окончательное решение осталось за человеком.

РЕЗУЛЬТАТ И КОНТРОЛЬ

1 млн+

значений за цикл

3 ч → 15 мин

первичный анализ

Подсветка

отклонений от нормы

Человек

принимает финальное решение

КЛЮЧЕВОЙ ВЫВОД

Автоматизация не заменяет инженерное решение: она быстрее находит зоны риска и освобождает внимание специалиста для анализа.

ExcelPower QueryGoogle Apps Script

03AI и управление знаниями

Личный инфраструктурный проект

Локальная система памяти для AI-проектов

Создал структуру хранения решений, контекста и проектных знаний, чтобы не восстанавливать историю работы вручную.

РольАрхитектура и реализация

ФорматЛокальная база знаний

ЦельСнижение потерь контекста

Проблема

При длительной работе с AI контекст разрастался, решения терялись между диалогами, а одни и те же ограничения приходилось объяснять повторно.

Решение

Организовал локальную структуру проектов, Markdown-документов, индексов, шаблонов и скриптов разбиения контента. Разделил идеи, гипотезы, активные задачи, решения и завершённые элементы.

Результат

Проектные знания стали структурированными и повторно используемыми. Контекст можно подключать по задаче, не передавая модели всю историю целиком.

РЕЗУЛЬТАТ И КОНТРОЛЬ

Локально

данные остаются на устройстве

Структура

по проектам и типам знаний

Повторно

используемый контекст

Контроль

объём передаваемых данных

КЛЮЧЕВОЙ ВЫВОД

Память для AI должна хранить не только факты, но и статус знания: идея, гипотеза, активная работа или принятое решение.

PythonMarkdownOllamaLocal storage

04AI-агенты

AI-проект

AI-агент для анализа вакансий

Собрал агентный процесс, который получает вакансии, извлекает требования, сравнивает их с профилем и передаёт результат в Telegram.

РольАрхитектура и разработка

ХранениеSQLite и JSON

ПринципLLM не принимает критичные решения

Проблема

Ручной поиск и сопоставление вакансий занимали много времени, а передача всей логики LLM давала нестабильный скоринг и непредсказуемые ответы.

Решение

Реализовал planner/actions loop, парсинг вакансий, извлечение навыков, сравнение с профилем, программный скоринг, хранение данных и Telegram-интерфейс. Критичные решения перенёс из LLM в код.

Результат

Получился повторяемый конвейер анализа. LLM используется там, где нужна интерпретация, а оценка и критичная логика выполняются детерминированно.

РЕЗУЛЬТАТ И КОНТРОЛЬ

Planner loop

управление действиями

Скоринг в коде

устойчивое решение

интерфейс результата

Fallback

локальная LLM

КЛЮЧЕВОЙ ВЫВОД

Надёжный AI-агент — это не максимальная автономность, а правильное разделение между интерпретацией модели и проверяемой логикой программы.

PythonSQLiteTelegram Bot APIGigaChatOllama

05n8n и LLM-интеграции

Автоматизированный workflow

Генератор сопроводительных писем

Собрал сквозной workflow: получение вакансии, извлечение текста, обработка моделью, проверка структуры и формирование письма.

РольПроектирование и интеграция

Интерфейсn8n workflow

ПарсингFastAPI и Playwright

Проблема

Для каждой вакансии требовалось вручную извлекать требования, сопоставлять их с опытом и заново собирать структуру письма.

Решение

Настроил цепочку webhook → scraper → LLM → JSON validation → matcher → письмо. Парсер вынесен в FastAPI-сервис, workflow работает в Docker и управляется через n8n.

Результат

Подготовка письма стала стандартизированной: модель возвращает проверяемую структуру, а код контролирует формат и сопоставление требований.

РЕЗУЛЬТАТ И КОНТРОЛЬ

Webhook → письмо

единый процесс

JSON

валидация результата

3 формата

разная длина письма

Docker

воспроизводимый запуск

КЛЮЧЕВОЙ ВЫВОД

LLM-результат становится рабочей частью процесса только после формализации формата, валидации и программных проверок.

n8nDockerFastAPIPlaywrightOllama

06Локальные AI-инструменты

Активная разработка

Локальный AI-контур для работы с кодом

СтатусАктивная разработка

РольАрхитектура и тестирование

ЦельСнижение агентных ошибок

Проблема

Решение

Результат

РЕЗУЛЬТАТ И КОНТРОЛЬ

git apply --check

проверка до применения

Git

источник правды

1 операция

за один шаг агента

Локальная LLM

в роли исполнителя

КЛЮЧЕВОЙ ВЫВОД

HermesQwythosGitPowerShellllama.cpp

01Инженерная автоматизация

Рабочая автоматизация

Автоматизация настройки оборудования

РольАнализ процесса и разработка

СредаLinux и реальное оборудование

ОграничениеБез отдельного тестового стенда

Проблема

Решение

Результат

РЕЗУЛЬТАТ И КОНТРОЛЬ

12 → 2 часа

время выполнения

−83%

времени на операцию

Контроль ответов

каждый этап проверяется

Остановка

при несоответствии

КЛЮЧЕВОЙ ВЫВОД

PythonTelnetCLILogging

ПРОВЕРЯЕМЫЕ РЕЗУЛЬТАТЫ

Только показатели, которые можно связать с конкретным процессом и объяснить без маркетинговых допущений.

12+ лет

инженерного опыта

12 → 2 часа

настройка оборудования

3 часа → 15 минут

первичный анализ данных

1 млн+

значений за один цикл контроля

Есть процесс, который стоит перевести в систему?

Опишите, где команда теряет время, повторяет одни и те же действия или зависит от ручного контроля. Я помогу определить первый реалистичный шаг автоматизации.

Обсудить задачу Чем могу помочь

Emailraven9007@mail.ru Telegram@clarens1 Телефон89161393603