Что мы делаем
-
Копилоты
Черновики, подсказки и следующие шаги прямо в рабочем процессе пользователя, с контекстом из вашего приложения.
-
Генерация документов
Договоры, отчеты, предложения и резюме из структурированных данных, раздел за разделом и с проверкой по схеме.
-
Инструменты для письма
Переписать, сократить, сменить тон по правилам стиля и примерам, чтобы текст не звучал как у всех.
-
Ассистенты по знаниям
Ответы из документов компании через RAG, со ссылкой на источник и честным "не знаю", когда источника нет.
-
Персонажи и компаньоны
Разговор устойчивым голосом: дообученный адаптер LoRA отвечает за голос, поиск по данным за факты.
-
Контроль качества и расходов
Набор для оценки, версии промптов в базе, лимиты на пользователя и маршрутизация между моделями.
Демо работает на пяти примерах. Продукт должен работать на пяти тысячах
Типичная история: кто-то в команде за вечер собрал прототип на API OpenAI, и на первых примерах результат впечатляет. Потом приходят реальные пользователи. Кто-то вставляет полторы страницы вместо трех строк, кто-то пишет на суржике, модель вдруг выдумывает факт в договоре, а счет за токены растет быстрее выручки. Здесь заканчивается демо и начинается разработка генеративного ИИ.
Наши услуги по разработке генеративного ИИ касаются продуктов, где сгенерированный контент или рассуждение и есть сам продукт. Пользователь приходит за черновиком, документом, ответом, планом или разговором, и качество этого результата решает, останется ли он и будет ли платить. Если же вы хотите добавить одну ИИ-функцию в уже существующее приложение, лучше начать со страницы услуги по интеграции ИИ.
Чаще всего нас просят сделать одно из пяти:
| Тип продукта | Что получает пользователь | Типичная основная техника | Главный риск для качества |
|---|---|---|---|
| Копилот внутри рабочего процесса | Черновики, подсказки и следующие шаги во время выполнения задачи | Промптинг с контекстом из приложения, иногда вызов инструментов | Подсказки, которые игнорируют контекст, видимый пользователю |
| Генерация документов | Договоры, отчеты, коммерческие предложения, резюме из структурированных данных | Шаблоны плюс генерация раздел за разделом, проверки по схеме | Пропущенные или выдуманные факты |
| ИИ-инструмент для письма | Переписать, расширить, сократить, сменить тон | Промптинг с правилами стиля и примерами | Шаблонный результат, который звучит как у любого другого инструмента |
| Ассистент по знаниям | Ответы из документов компании или продукта | Поиск по данным (RAG) со ссылками на источники | Уверенные ответы без источника |
| Персонаж или компаньон | Разговор устойчивым голосом | Дообучение (LoRA) плюс память на поиске по данным | Дрейф голоса и фактические ошибки о персонаже |
Между пользователем и моделью стоит конвейер
Один вызов модели еще не продукт. Конвейер собирает входные данные, добавляет нужный контекст, вызывает модель, проверяет результат и сохраняет все, что понадобится для улучшения. Каждый этап здесь обычная программная инженерия, поэтому разработка приложений на LLM ближе к бэкенд-работе, чем к исследованиям.
Почти в каждом проекте мы строим одни и те же шесть этапов:
- Сбор входных данных: формы, загрузка файлов или чат с валидацией, чтобы модель получала чистые структурированные данные.
- Сборка контекста: шаблоны, данные пользователя, найденные документы и примеры в пределах бюджета токенов.
- Вызов модели через слой провайдера, чтобы OpenAI, Claude или открытую модель на собственном хостинге можно было заменить для каждой задачи отдельно.
- Проверка результата: валидация по JSON-схеме для структурированных ответов, правила длины и формата, второй проход для рискованного контента.
- Хранение и версионирование: промпты живут в базе данных с историей версий, так что тон и инструкции меняются без релиза.
- Обратная связь: правки пользователей, оценки и фиксированный тестовый набор, который прогоняем после каждого изменения промпта или модели.
В нашем собственном продукте AI Resume Master этот конвейер генерирует, переписывает и улучшает содержание резюме для каждого раздела и пишет сопроводительные письма под вакансию на основе самого резюме. Полное резюме пользователь составляет за 3-5 минут. Продукт мы создали примерно за три месяца, и он достиг 50 000 активных пользователей в месяц. Так что о счетах за токены и жалобах на плохую генерацию мы знаем не понаслышке.
Кейсы
Промптинг, поиск по данным или дообучение: что нужно вашему продукту?
Большинству продуктов хватает промптинга и поиска по данным, меньшинству нужно еще и дообучение. Вопрос в том, чего не хватает модели. Не хватает знаний, тогда помогает поиск. Не хватает нужного поведения, тогда может помочь дообучение.
| Подход | Что решает | Стоимость создания | Стоимость изменений | Когда использовать |
|---|---|---|---|---|
| Промптинг с шаблонами | Формат, тон, инструкции к задаче | Низкая | Минуты | Всегда как первый шаг |
| Поиск по данным (RAG) | Доступ к вашим документам и фактам | Средняя | Переиндексировать данные | Ответы должны браться из вашего контента |
| Дообучение (например, LoRA) | Устойчивый голос, узкая задача на меньшей модели | От средней до высокой | Переобучить адаптер | Промптинг не удерживает поведение, или вы хоститесь сами |
AI Grief Companion для американского стартапа показывает, когда нужны все три сразу. Пользователь загружает переписку с человеком, которого потерял, и дальше говорит с компаньоном его голосом. Мы разбираем десять форматов экспорта чатов, от WhatsApp до iMessage из резервной копии iPhone. Когда непонятно, кто из двух участников тот самый человек, система останавливается и спрашивает, потому что ошибка здесь означает обучить модель не на том человеке. Дальше строим профиль личности и граф фактов в Neo4j и обучаем адаптеры LoRA на Qwen2.5-7B с 4-битным QLoRA, которые vLLM подгружает во время запроса.
Поиск по данным поставляет факты, адаптер дает голос. Чат работает с тем этапом, который уже готов: базовая модель, модель с профилем личности, потом адаптеры. Поэтому разговор возможен примерно через двадцать минут после загрузки и становится точнее, когда обучение завершается. Для продуктов, которые в основном держатся на поиске по данным, есть отдельная страница разработка RAG.
Качество измеряем, а не угадываем
Лучший промпт, написанный один раз, качества не гарантирует. Перед запуском функции мы собираем набор для оценки: реальные или реалистичные входные данные и описание того, каким должен быть хороший результат. Каждое изменение промпта, модели или настроек поиска прогоняем на этом наборе.
Что именно проверять, зависит от продукта. В генерации документов смотрим, все ли обязательные разделы на месте, нет ли фактов, которых не было во входных данных, и правильный ли формат. В инструментах для письма проверяем инструкции, длину и тон. Ассистент должен ссылаться на источник и говорить "я не знаю", когда источника нет. Часть проверок делает код, часть вторая модель в роли оценщика, а выборку всегда просматривает человек.
В продакшене мы логируем входные данные и результаты, с маскированием персональных данных там, где это нужно. Правки пользователей и повторные генерации для нас сигналы качества. Первые месяцы каждую неделю разбираем худшие случаи.
Чувствительные данные: безопасность закладывается в данные, а не в фильтр
Когда продукт работает с персональным или эмоциональным контентом, фильтра контента на выходе мало. В AI Grief Companion каждое сообщение шифруется еще при импорте отдельным ключом AES-256-GCM в KMS-конверте. Пользователь может удалить все одним кликом. А сам разговор подталкивает к профессиональной помощи, когда человеку это нужно.
В бизнес-продуктах вопросы будничнее, но не менее важны. Какие поля уходят в сторонний API? Где обрабатываются данные, сколько хранятся логи и кто может их читать? Мы документируем поток данных для вашей проверки безопасности, а там, где ответ этого требует, маскируем данные или ставим модель на собственный хостинг.
Сколько стоит разработка генеративного ИИ?
Цену задают тип продукта, потребность в дообучении или собственном хостинге моделей и то, сколько продукта вокруг нужно создать: аккаунты, биллинг, мобильные приложения. Для ориентира: генеративная функция в существующем продукте занимает 4-8 недель, новый MVP на генеративном ИИ с моделями в облаке провайдера 8-14 недель, продукт с дообучением, моделями на собственном хостинге или мобильными приложениями 4-8 месяцев. Ежемесячные расходы на работу отдельные: токены или GPU-хостинг, векторная база данных, хранилище и мониторинг. Сервисы с дообучением и собственным хостингом моделей мы строим в рамках разработки на Python.
Фиксированную цену даем после короткого разговора для оценки объема. Генеративная ИИ-функция в существующем продукте стоит у нас от 10 000 USD, а решение на генеративном ИИ на заказ с нуля оцениваем после того же разговора. Подробнее о расходах на разработку и на работу продукта в руководстве стоимость разработки ИИ-приложения.
Кто мы как компания по разработке генеративного ИИ
Компаний по разработке генеративного ИИ сейчас много, и демо умеют показать все. Сравнивая компании по разработке генеративного ИИ, смотрите на другое. Команд, которые выпустили генеративный продукт для реальных пользователей и дальше поддерживают его в работе, заметно меньше. Мы делали это и как подрядчик, и как владелец продукта: платили за токены, разбирали жалобы на плохие ответы и переписывали промпты под реальной нагрузкой.
Основной бэкенд у нас PHP и Symfony, в вебе React или Vue, в мобильных приложениях React Native или Flutter, Python там, где нужно обучение или обслуживание моделей. Каждый проект ведут senior-инженеры, а рутину в разработке берут на себя ИИ-агенты для написания кода, так что выпускаем быстрее. Если идея продукта еще формируется, начинаем с исследовательской фазы в рамках разработки ИИ-продуктов, а не сразу с кода.
Следующий шаг
Напишите коротко, что должен генерировать ваш продукт, для кого и из каких входных данных. Первая фаза, оценка объема, заканчивается проверенным промптом или прототипом на ваших реальных примерах, оценкой стоимости одной генерации и фиксированной ценой разработки. Запишитесь на разговор о проекте с генеративным ИИ.
Как мы работаем
-
Описание задачи
Вы пишете, что должен генерировать продукт, для кого и из каких входных данных.
-
Оценка объема
Проверенный промпт или прототип на ваших реальных примерах и стоимость одной генерации.
-
Фиксированная цена
После оценки объема называем фиксированную цену разработки.
-
Конвейер и оценка
Строим конвейер генерации вместе с тестовым набором, который прогоняем после каждого изменения промпта или модели.
-
Разбор в продакшене
Первые месяцы каждую неделю смотрим худшие ответы, правки и повторные генерации пользователей.
Два способа работать с нами
Проект с фиксированной ценой
Четкий объем, фиксированная цена, согласованная до старта и демо каждую неделю. Подходит для нового продукта или понятной части работы.
Оценить проектВыделенная команда
Senior-инженеры, которые месяц за месяцем работают только над вашим продуктом, по вашим приоритетам и в ваших репозиториях.
О выделенной команде