Что мы делаем
-
Функции на GPT
Генерация и переписывание текстов, извлечение полей из документов, классификация обращений, вызов из вашего бэкенда.
-
Function calling
Модель просит вызвать вашу функцию, ваш код проверяет права пользователя, выполняет вызов и логирует его.
-
Embeddings и RAG
Поиск по смыслу в pgvector или Qdrant, совмещенный с поиском по ключевым словам, и ответы со ссылками на источники.
-
Миграция с Assistants API
Переносим ассистентов, треды и файлы на Responses API за feature flag и сравниваем ответы до и после.
-
Контроль расходов
Маршрутизация между моделями, кэширование промптов, Batch API и жесткие лимиты на пользователя, функцию и месяц.
-
Оценка качества
Фиксированный набор реальных примеров, который прогоняем при каждом изменении промпта или модели.
Прототип за вечер и функция, которой доверяют
Типичная история. Кто-то в команде за вечер сделал интеграцию ChatGPT API, и на демо все выглядело отлично. Потом модель вернула JSON без нужного поля, один пользователь за ночь сжег месячный бюджет на токены, а после обновления модели ответы стали другими, и никто не может сказать, лучше или хуже.
Интеграция ChatGPT в продукт, сделанная для продакшена, закрывает именно эти дыры. Модель вызывается из вашего бэкенда, никогда из браузера, поэтому API-ключ, промпты, лимиты и логи остаются под вашим контролем. Каждый структурированный ответ проверяется по JSON-схеме, прежде чем уйти в другие системы. Каждый вызов логируется с количеством токенов. А набор реальных примеров показывает, что изменилось после нового промпта или новой модели.
Еще выбираете провайдера? С этим выбором поможет наше руководство об интеграции ChatGPT или Claude в продукт. Эта страница для тех, кто уже решил встроить OpenAI в свой продукт и хочет сделать это как следует.
Что мы подключаем из OpenAI API
Интеграция GPT учит ваш продукт писать и переписывать тексты, извлекать поля из документов, классифицировать обращения, искать ваш контент по смыслу и вызывать ваши собственные функции. Модель выбираем по замерам на ваших реальных примерах: меньшая модель для простых шагов, большая там, где она заметно помогает. Основой для новых функций берем Responses API с состоянием диалога и встроенными инструментами, где они уместны. Ответ показываем потоково, чтобы пользователь видел текст по мере генерации.
| Возможность | Что делает | Типичное применение |
|---|---|---|
| Responses API | Основной API OpenAI для текста, инструментов и многошаговых диалогов с состоянием | Новые функции и ассистенты |
| Function calling | Модель вызывает определенные вами функции с JSON-аргументами | Поиск данных, черновики, действия в ваших системах |
| Structured outputs | Ответ, ограниченный вашей JSON-схемой | Извлечение данных, заполнение форм, данные для других сервисов |
| Embeddings | Превращает текст в векторы для поиска похожего | Поиск по смыслу, RAG, рекомендации |
| Встроенные инструменты | Поиск по файлам, веб-поиск и выполнение кода на моделях, которые это поддерживают | Прототипы и ассистенты по загруженным файлам |
| Batch API | Асинхронные задачи дешевле, чем вызовы в реальном времени | Массовая классификация, обогащение данных, дозаполнение исторических данных |
| Vision | Читает изображения и скриншоты | Прием документов, визуальные проверки |
| Moderation | Выявляет вредный контент | Проверка того, что вводят пользователи, и того, что отвечает модель |
OpenAI часто меняет модели и возможности. Поэтому при оценке объема мы сверяем актуальные варианты с документацией API, а не полагаемся на память.
Нужно ли переходить с Assistants API на Responses?
Да, и лучше по плану, чем в последний момент. OpenAI объявила Assistants API устаревшим в пользу Responses API. Продуктам на Chat Completions с собственной обвязкой переходить не обязательно, но Responses часто упрощает работу с инструментами и состоянием.
Миграция с Assistants API у нас проходит в пять шагов:
- Инвентаризация. Перечисляем ассистентов, инструкции, инструменты, файлы, векторные хранилища и то, как хранятся и используются треды.
- Сопоставление. Переносим каждую часть на Responses и актуальный набор инструментов. Решаем, где будет жить состояние диалога: в OpenAI или в вашей базе данных.
- Базовые результаты. Прогоняем ваши реальные диалоги через старую версию и фиксируем ответы, пока ничего не изменено.
- Параллельная работа. Новый путь строим за feature flag и сравниваем ответы на том же наборе.
- Постепенное переключение. Трафик переводим частями, следим за качеством, задержкой и расходами.
Третий шаг команды пропускают чаще всего, а потом жалеют. Без базовых результатов никто не скажет, стали ответы после миграции лучше или хуже.
Когда модель должна действовать, а не только писать
Function calling дает модели возможность решить, что сейчас нужно вызвать одну из ваших функций и с какими аргументами. Вызов выполняет ваш код и возвращает результат. К вашей базе данных модель напрямую не обращается никогда.
Наборы инструментов мы держим небольшими и хорошо описанными. Каждый вызов идет с правами текущего пользователя, рискованные действия ждут подтверждения, все логируется. Если те же инструменты нужны нескольким ассистентам, в том числе Claude и инструментам разработчика, мы открываем их через MCP-сервер, к которому в поддерживаемых режимах подключается и платформа OpenAI. Так мы сделали для B2B-магазина станков из Днепра: каталог доступен ИИ-ассистентам через публичный MCP endpoint и llms.txt. Подробнее на странице разработка MCP-серверов.
Многошаговые процессы, которые работают почти без участия человека, описаны на странице разработка ИИ-агентов.
Поиск по смыслу: embeddings и RAG
Embeddings находят контент по смыслу, а не по совпадению слов. Клиент пишет в поддержку своими словами, а система все равно находит нужную статью справки. Векторы храним в pgvector внутри вашего PostgreSQL или в отдельной векторной базе вроде Qdrant. Когда важны точные термины, артикулы или названия моделей, поиск по смыслу совмещаем с поиском по ключевым словам.
Для ответов по вашим документам embeddings только одно звено. Еще нужны прием данных, разбиение на фрагменты, переранжирование, права доступа и набор для оценки. Все это покрывает услуга разработки RAG, а разработка ИИ-чатботов применяет ее в ассистентах для клиентов и сотрудников.
Счет за токены, который не растет сам
Каждый шаг обрабатывает самая маленькая модель, которая проходит набор для оценки. Стабильные инструкции ставим в начало промпта, потому что OpenAI дает скидку за кэширование одинаковых начал. В запрос идет нужный раздел, а не вся история переписки. Работа, которая может подождать, идет через Batch API. На пользователя, на функцию и на месяц стоят жесткие лимиты.
Токены каждого вызова пишутся в лог, поэтому стоимость видна в разрезе функций и клиентов. Оценить счет до старта разработки поможет наш калькулятор стоимости LLM API.
Как мы проверяем, что ответы не ухудшились
В API идут только те поля, которые нужны функции, а персональные данные маскируем, где это возможно. Фактические ответы опираются на найденные источники со ссылками. Каждый структурированный ответ проходит проверку по схеме. Текст от пользователей и из документов для нас данные, а не инструкции, поэтому защита от prompt injection встроена с первого релиза, а вызовы инструментов сверяются с реальными правами доступа.
Главный инструмент здесь фиксированный набор реальных входных данных. Мы прогоняем его при каждом изменении промпта или модели, в том числе когда OpenAI обновляет свои модели.
Модель может сама распознать фото и проставить атрибуты. Она может ошибиться, а может сделать это очень круто: на разных каталогах доля ошибок у нас отличалась в разы. Поэтому сначала пробная партия, потом настройка, и человек все равно проверяет результат.
Антон Литвинов, основатель Lytvynov Production
Что мы уже запустили на OpenAI API
Наш собственный AI Resume Master работает на OpenAI API. Он генерирует, переписывает и улучшает резюме и сопроводительные письма, импортирует профиль из LinkedIn и отдает готовый PDF, а человек получает резюме за 3-5 минут. Мы сделали его примерно за три месяца, и он вышел на 50 000 активных пользователей в месяц. Эксплуатация собственного продукта научила нас тому, о чем не пишут в документации: промпты нужно версионировать, стоимость считать на пользователя, обновление модели может тихо изменить ответы, а без лимитов найдется тот, кто будет злоупотреблять.
В остальном мы нейтральны к моделям. Для американского стартапа в сфере grief-tech мы построили AI Grief Companion на открытой модели Qwen2.5-7B с дообучением LoRA и памятью на RAG, потому что продукт должен был воспроизводить голос одного конкретного человека. Промпты там живут в базе данных с историей версий, и тон можно подкрутить из админки без релиза. Если на ваших данных лучшие результаты покажет Claude, мы так и скажем. Подробнее на странице интеграция Claude API.
Кейсы
Сколько длится и сколько стоит интеграция OpenAI API?
Первая функция на OpenAI в существующем продукте занимает 4-8 недель. Из них 1-2 недели уходят на оценку объема с тестированием моделей на ваших примерах, 1-2 недели на прототип за feature flag, 1-3 недели на доводку до продакшена и примерно неделя на постепенное развертывание. Срок миграции с Assistants API зависит от того, сколько ассистентов и инструментов у вас работает.
Фиксированную цену называем после оценки объема. ИИ-функции для существующего продукта у нас стоят от 10 000 USD, минимальный объем проекта тоже 10 000 USD. Четко очерченную первую функцию или небольшую миграцию можно сделать в одном AI Sprint: фиксированно 10 000 USD за 4 недели. Использование API вы оплачиваете напрямую OpenAI или Azure, а мы оцениваем его заранее.
Пишем в вашем стеке: PHP и Symfony, Node, React и Next.js, React Native и Flutter. Наши разработчики OpenAI API работают на senior-уровне и отвечают за архитектуру, безопасность и ревью, а рутину берут на себя ИИ-агенты для написания кода. Если вам нужно нанять разработчика OpenAI в собственную команду надолго, подойдет выделенная команда разработки с помесячной оплатой. Lytvynov Production основана в 2019 году в Днепре, Украина.
Следующий шаг
Расскажите, какую функцию хотите добавить или какую старую интеграцию нужно перенести. За 30 минут разговора посоветуем подход, назовем риски и предложим этап оценки объема с фиксированной ценой на выходе. Напишите нам, чтобы договориться о звонке.
Как мы работаем
-
Оценка объема
Одна-две недели: тестируем модели на ваших примерах и называем фиксированную цену.
-
Прототип за feature flag
Одна-две недели: функция работает в продукте, но видят ее только те, кому вы разрешили.
-
Доводка до продакшена
Одна-три недели: лимиты, логирование, защита от prompt injection, набор для оценки.
-
Постепенное развертывание
Примерно неделя: переводим трафик частями, следим за качеством, задержкой и расходами.
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