К содержимому
Родион Мостовой

Консультации · Родион Мостовой

Разработка и внедрение ИИ⁠-⁠агентов и RAG⁠-⁠систем

Помогаю CTO и фаундерам разрабатывать и внедрять ИИ⁠-⁠агентов и RAG⁠-⁠системы, которые стабильно и надёжно работают в продакшене, а не только на демо. Подключаюсь как консультант и архитектор: разбираю, почему AI⁠-⁠агент ошибается на ваших данных и где теряет время, проектирую схему интеграций и собираю автоматическую оценку на реальных запросах пользователей (evals). Изменения в модели, промптах и поиске проверяются до релиза, а стоимость работы агента видна заранее.

Почему ИИ⁠-⁠агент работает на демо, но ошибается в продакшене

Как строю разработку и внедрение ИИ⁠-⁠агентов

Работаю как консультант и архитектор вместе с вашей командой: проектируем прозрачную систему и цикл проверки качества внутри вашего продукта, а не закрытый сервис на стороне.

  1. 01

    Схема агента и его интеграций

    Разбираем сценарии, источники данных и ограничения инфраструктуры. Находим места, где агент ошибается и теряет время, разделяем задачу на обычный код и вызовы модели, проектируем маршруты и обработку ошибок.

    РезультатАрхитектурная схема агента, контракты интеграций и план реализации без лишних вызовов модели.

  2. 02

    MCP⁠-⁠серверы и инструменты для работы с данными

    Проектируем инструменты и MCP⁠-⁠серверы для работы с вашими базами данных (включая базы данных 1С), API и файлами. Задаём схемы параметров, права доступа и понятные сообщения об ошибках, по которым модель исправляет свой вызов.

    РезультатСпецификации и настроенные MCP⁠-⁠серверы с безопасным доступом к данным.

  3. 03

    Подготовка документов, поиск и реранкинг (RAG)

    Настраиваем индексацию под структуру ваших данных: юридических документов, учебных материалов, регламентов, чертежей или кода. Подбираем нарезку фрагментов, связываем поиск с реранкингом и отсекаем шум.

    РезультатПайплайн RAG, который подаёт точный контекст, снижает расход токенов и ускоряет ответ.

  4. 04

    Набор проверочных запросов с эталонными ответами (evals)

    Собираем из реальных запросов пользователей и пограничных случаев датасет с эталонными ответами. Настраиваем автоматическую оценку: изменения в модели, промптах, поиске и инструментах проверяются до релиза.

    РезультатАвтоматизированный набор evals, защищающий продукт от регрессий при обновлениях.

  5. 05

    Сравнение моделей по результатам и расходам

    Прогоняем evals на разных моделях и провайдерах. С помощью открытых skills Model That Fits My Task и OpenRouter Provider Ranking сопоставляем качество, скорость и стоимость токенов на ваших задачах.

    РезультатТаблица выбора моделей и провайдеров с понятной стоимостью запроса в продакшене.

Что остаётся у команды после внедрения ИИ⁠-⁠агента

Формат под размер команды и стадию ИИ⁠-⁠продукта

Кейсы, продукты и открытые инструменты для ИИ⁠-⁠агентов

Более 13 лет в разработке: пишу на C#/.NET с 2013 года, работал CTO и тимлидом продуктовой команды, три года преподавал backend-разработку. Создаю собственные AI⁠-⁠продукты и веду консалтинг, аудит и проектную работу: юридические сервисы, корпоративное обучение, базы данных 1С.

Частые вопросы

Чем ИИ⁠-⁠агент отличается от чат⁠-⁠бота и всегда ли нужен агент?

Чат⁠-⁠бот идёт по жёсткому сценарию или отвечает по одному найденному фрагменту, а AI⁠-⁠агент сам планирует шаги, вызывает инструменты через MCP, проверяет результат и работает с базами данных. Усложнять систему без нужды не стоит: на разборе проверяем, какие шаги можно заменить обычным кодом и точечным RAG⁠-⁠поиском. Там, где это возможно, решение работает быстрее, обходится дешевле и проще в отладке.

Чем работа с вами отличается от заказа разработки в агентстве?

Я подключаюсь как консультант и AI Architect вместе с вашей командой: помогаю спроектировать схему агента и RAG, настроить MCP⁠-⁠серверы и собрать автоматическую проверку на evals. Архитектура, проверочные запросы, контроль над стоимостью и экспертиза остаются внутри вашей компании.

В каких бизнес-процессах вы применяли ИИ⁠-⁠агентов и RAG?

Помимо собственных продуктов для поиска по коду и документации (CodeAlive) и работы с чертежами DWG и нормативами (ARAI.build), я работал с задачами для юридических сервисов, корпоративного обучения и баз данных 1С. Во всех этих сферах важно, чтобы агент опирался строго на документы и схему данных, не додумывал детали и безопасно вызывал инструменты. Кейсы и детали пришлю по запросу.

Что такое evals и как проверяется качество LLM и RAG⁠-⁠системы до релиза?

Без автоматической оценки любая правка промпта, нарезки документов или смена модели проверяется вручную на паре примеров, а ошибки всплывают в продакшене. Мы собираем набор проверочных запросов пользователей с эталонными ответами и критериями оценки. Перед релизом этот набор прогоняется автоматически и показывает, как изменились точность ответов, скорость и расход токенов.

Можно ли ускорить и улучшить агента без смены модели?

Часто да: агент ошибается, тормозит и тратит бюджет из⁠-⁠за плохой подачи контекста и лишних шагов поиска. В RepoContextBench оба агента отвечали на 40 вопросов по двум open-source репозиториям на одной модели DeepSeek V4.1 Flash: точная работа с контекстом дала 65 против 47 баллов из 100, ответ в 3 раза быстрее и в 3,6 раза меньше токенов на репозитории в 1,5 млн строк. На аудите мы так же находим узкие места в вашем RAG и проверяем улучшения на метриках.

Сколько стоит консультация, аудит или сопровождение по ИИ⁠-⁠агентам?

Стоимость зависит от объёма задачи: стартапу перед разработкой достаточно архитектурного старта, а компании нужен аудит существующей AI⁠-⁠системы, сбор evals и пилот. Напишите в Telegram пару слов о вашей задаче и стадии продукта. После короткого разбора я предложу формат работы и назову стоимость.

Обсудить разработку и внедрение ИИ⁠-⁠агента

Напишите, что хотите изменить и где сейчас возникла сложность с агентом или RAG. Разберём задачу, по запросу пришлю кейсы и выберем подходящий формат работы.