ls cases/

Десять проектов, по которым видно, что мы делаем

Имена клиентов под NDA, поэтому говорим об индустрии, масштабе и измеренном результате: faithfulness, latency, стоимость, конверсия, uptime. По запросу организуем референс-звонок с командой, с которой мы работали.

AI-кейсы

AI-интеграция и LLM-системы

Клиент просит «что-нибудь с AI», а получает измеримое ускорение работы, снижение затрат и качество, которое можно доказать на golden set.

Финтех / RAG · compliance2.4M документов

RAG-копилот для compliance-аналитиков

Задача. Аналитики тратили 30–60 минут на разбор каждого кейса: искали по 2.4M внутренних документов и сверялись с регуляторными требованиями. Open-source-поиск выдавал нерелевантные результаты, а наивный RAG галлюцинировал.

Что сделали. Гибридный поиск (BM25 + эмбеддинги) с ре-ранжированием на cross-encoder. Чанкинг с учётом структуры документов. Отдельный проход проверки фактов на Claude. Интерфейс с цитированием, где каждое утверждение ведёт к источнику. Оценка на golden set из 1200 пар.

Результат. Faithfulness 0.94 (против 0.71 у baseline), время разбора кейса сократилось с 40 до 6 минут, стоимость токенов ниже на 72% — за счёт кеширования префиксов и маршрутизации простых вопросов на более дешёвые модели.

  • Claude
  • pgvector
  • BM25
  • Ragas
  • Langfuse
6.5×быстрее анализ
0.94faithfulness
−72%стоимость против наивного RAG
E-commerce / агенты800K тикетов / мес.

AI-агент в поддержке маркетплейса

Задача. Большой поток типовых обращений: «где мой заказ», «верните деньги», «поменяйте адрес». Время первого ответа — 9 минут, сотрудники поддержки выгорали, NPS держался на уровне −18.

Что сделали. Агентный пайплайн на LangGraph с tool use: проверка статуса заказа, оформление возврата, изменение адреса, эскалация. Human-in-the-loop для возвратов выше порога. Отдельный защитный слой от prompt injection.

Результат. Время первого ответа сократилось с 9 минут до 12 секунд, 68% обращений решаются автоматически, NPS поддержки — +12. Команда поддержки переключилась на сложные случаи и проактивную работу с клиентами.

  • GPT-4o
  • LangGraph
  • tool-use
  • Postgres
  • Redis
45×быстрее первый ответ
68%решается автоматически
+12 NPSподдержки
SaaS / LLMOps10M req/day · multi-team

Production LLM gateway с маршрутизацией и кешированием

Задача. 14 продуктовых команд независимо друг от друга ходили в OpenAI и Anthropic. Затраты росли быстрее выручки, никто не видел, кто сколько тратит, запросы регулярно упирались в rate limits, а fallback не было.

Что сделали. Спроектировали и запустили gateway: единый API, маршрутизация между Claude, GPT и Llama по типу задачи и SLO, семантический кеш, rate limiting по тенантам, retry и fallback при 429 / 5xx, учёт затрат через OpenTelemetry. PII-фильтры и бюджет токенов на пользователя.

Результат. Стоимость токенов снизилась на 64% за квартал. Overhead gateway — 42 ms на p99. Ни одного инцидента из-за rate limits за 6 месяцев. Каждая команда видит свои расходы в реальном времени.

  • Go
  • Redis
  • vLLM
  • OpenTelemetry
  • Langfuse
10Mзапросов / день
−64%стоимость токенов
42 msoverhead p99
DevOps / AI-агент1.4K инцидентов / мес.

AI-агент для автоматического триажа продакшен-инцидентов

Задача. SRE-команда тонула в алертах: 50% ложных срабатываний, MTTA — 18 минут, дежурных инженеров будили по 3–4 раза за ночь.

Что сделали. AI-агент читает алерт, подтягивает связанные метрики и логи через MCP, ищет похожие инциденты в постмортемах (RAG) и предлагает гипотезу и runbook. Если уверенность ниже порога, эскалирует человеку — с уже собранным контекстом.

Результат. MTTA сократился с 18 до 2 минут, потому что контекст для инженера собирает агент. 41% алертов закрывается без дежурного — как известные проблемы. Ночных побудок стало меньше в 3.5 раза.

  • Claude
  • MCP
  • Prometheus
  • Loki
  • pgvector
9×ниже MTTA
41%авто-триаж
−72%нагрузка на on-call
Аналитика / data lake & DWH120K часов звонков / мес.

Анализ звонков отдела продаж с помощью LLM

Задача. Записи звонков были неструктурированным шумом. Прослушивать их вручную было невозможно, старая BI охватывала только CRM, а менеджеры заполняли поля как придётся.

Что сделали. Пайплайн: транскрипция (Whisper), диаризация, структурированное извлечение (LLM пишет в строгую JSON-схему), выделение возражений и ключевых вопросов, витрины в ClickHouse, дашборды для отдела продаж и продуктовой команды.

Результат. 100% звонков размечаются автоматически в течение 5 минут после завершения. Продуктовая команда видит реальные возражения клиентов, а менеджеры получают обратную связь с цитатами. Конверсия продаж выросла на 9% за квартал.

  • Whisper
  • Claude
  • ClickHouse
  • Kafka
100%покрытие звонков
5 minSLA от конца звонка
+9%конверсия
Highload-кейсы

Архитектура и инженерия систем под нагрузкой

Платежи, RTB, поиск, multi-tenant SaaS, real-time-сессии. Метрики — то, ради чего эти проекты делались.

Финтех / платежи35K RPS · 4 региона

Платёжная платформа: от монолита к event-driven ядру

Задача. На пиках платёжная платформа упиралась в базу данных, релизы выходили раз в две недели и сопровождались инцидентами, а бизнес планировал рост транзакций в 5–6 раз.

Что сделали. Разделили монолит на 9 сервисов по bounded contexts. Kafka в роли шины, outbox и оркестрация саг. Multi-region кластер Kubernetes с платёжным ядром в режиме active-active.

Результат. Показатель p99 платёжного API снизился с 850 ms до 110 ms. Релизы выходят ежедневно. Затраты на инфраструктуру сократились на 40%. Платформа выдержала шестикратный рост.

  • Go
  • Kafka
  • Postgres
  • K8s
  • AWS
7×ниже p99
6×рост TPS
−40%расходы на облако
AdTech / RTB250K QPS · multi-AZ

Real-time bidding пайплайн с SLA 95 ms

Задача. Запустить RTB-биддер, который укладывается в 100 ms бюджета аукциона и стабильно держит 200K+ QPS на пике.

Что сделали. Пайплайн на Go с in-memory feature store на Redis Cluster. Аналитика и обучение моделей — в ClickHouse, real-time ingestion — через Kafka. Multi-AZ развёртывание с балансировкой нагрузки, учитывающей состояние узлов.

Результат. 250K QPS, аукционы укладываются в 95 ms на p99. 18 месяцев без единого инцидента с потерей выручки.

  • Go
  • Redis
  • ClickHouse
  • Kafka
  • AWS
250KQPS
95 msSLA p99
99.99%uptime
E-commerce / поиск12M SKU · 4M MAU

Поиск и фасетная навигация для маркетплейса

Задача. Поиск по 12M товаров работал медленно — 800 ms на p95 — и падал под пиковой нагрузкой. Конверсия из поиска в корзину перестала расти.

Что сделали. Перешли на Elasticsearch с предрасчётом фасетов и автодополнения, разделили узлы по ролям data, coordinating и ingest и перевели индексацию на поток из Kafka.

Результат. Показатель p95 поиска снизился с 800 ms до 80 ms. Конверсия из поиска в корзину выросла на 18%. Полная переиндексация каталога занимает 25 минут вместо 6 часов.

  • Elasticsearch
  • Node.js
  • Kafka
  • Postgres
10×быстрее p95
+18%конверсия
14×быстрее индексация
B2B SaaS / multi-tenant1.2K тенантов

Multi-tenant платформа: изоляция и масштабируемость

Задача. SaaS перерос подход с общей базой данных: «шумные соседи» мешали друг другу, compliance-аудиты занимали недели, а тенантов инженеры разворачивали вручную.

Что сделали. Перешли на schema-per-tenant с автоматическим провижинингом через Terraform. Отделили critical path от аналитики. Rate limits и квоты ресурсов по тенантам в Kubernetes.

Результат. Показатель p95 запросов стал в 3 раза ниже. Провижининг тенанта сократился с 2 дней до 90 секунд. Аудит и compliance-проверки автоматизированы.

  • Postgres
  • Terraform
  • K8s
  • Go
3×ниже p95
90 sпровижининг
0инцидентов за 12 мес.
Гейминг / real-time800K MAU · <50 ms p99

Real-time бэкенд для многопользовательских сессий

Задача. Бэкенд для real-time-сессий с предсказуемой задержкой, который выдерживает сезонные пики аудитории.

Что сделали. Матчмейкинг и сервис состояния на Go с Redis Streams. Сессии распределены по региональным шардам, поэтому отказ одного шарда не задевает остальные. Blue/green-деплои с прогревом.

Результат. Сетевая задержка на p99 — менее 50 ms. 800K MAU без деградации. 18 месяцев в продакшене без единого простоя.

  • Go
  • Redis Streams
  • NATS
  • K8s
<50 msp99
800KMAU
0простоев за 18 мес.
Следующий шаг

У вас похожая задача?

Расскажите о своей системе и её метриках. Покажем, как подошли бы к задаче мы и сколько это будет стоить.

Обсудить проект