Сколько будет стоить ваш проект у нас? Опишите его в нескольких строках и увидите наш диапазон за две минуты. Получить оценку

Что мы делаем

  • Сервисы на FastAPI

    Типизированный API, за которым спрятаны вызовы моделей, поиск и логика промптов. Ваш продукт просто его вызывает.

  • Конвейеры данных

    Парсер на каждый формат источника, нормализация в одну схему, дедупликация и лог каждой записи, которая не прошла.

  • RAG

    Разбиение на фрагменты, эмбеддинги, векторный и графовый поиск с проверкой прав доступа.

  • Интеграция LLM

    OpenAI, Anthropic Claude или открытые модели, с версиями промптов, резервными моделями и наборами для оценки.

  • Дообучение и инференс

    LoRA-адаптеры на открытых моделях, GPU-воркеры и vLLM, который подгружает нужный адаптер под запрос.

  • Фоновая обработка

    Очереди задач, повторные попытки и видимый статус для всего, что длится дольше нескольких секунд.

Двадцать минут между файлом и живым разговором

Человек загружает экспорт WhatsApp или резервную копию iPhone и ждет примерно двадцать минут. За это время система разбирает переписку, выясняет, кто из двух участников тот человек, которого помнят, пишет его профиль от первого лица, собирает набор данных, обучает адаптер и строит граф фактов. Так работает AI Grief Companion, который мы сделали для американского стартапа. Вся эта часть написана на Python.

Шлюз на Python разбирает десять форматов экспорта: WhatsApp, Messenger, Instagram, Discord, iMessage из резервной копии iPhone, Android SMS и обычный текст. Все сводится в одну таблицу сообщений, и каждое сообщение шифруется сразу при загрузке. Если детектор ролей не уверен, кто есть кто, он останавливается и спрашивает пользователя, а не угадывает: ошибка здесь означала бы модель, обученную на чужих словах. ИИ-платформа над шлюзом работает на FastAPI и Celery с PostgreSQL, Redis и Neo4j. Семь типов задач расходятся между CPU- и GPU-воркерами, а когда собственного GPU-сервера не хватает, обучение и инференс берут serverless-воркеры RunPod.

Такая разработка ИИ на Python и есть наша основная работа с этим языком: сервисы на FastAPI вокруг языковых моделей, конвейеры, которые превращают беспорядочные источники в чистые данные, RAG и дообучение с фоновыми воркерами.

Кейсы

Python для ИИ и данных, остальной продукт на своем месте

Веб-продукты мы обычно строим на PHP/Symfony или Node.js с React. Python добавляем туда, где этого требует работа с ИИ, машинным обучением или большими объемами данных, потому что именно там его экосистема сильнее всего. Учетные записи, оплаты, админка и бизнес-правила часто лучше чувствуют себя в основном бэкенде, и многие наши продукты используют оба языка.

Задача Где мы обычно ее реализуем Почему
Вызовы OpenAI или Claude, потоковая передача ответов Ваш существующий бэкенд (PHP или Node.js) Новый сервис не нужен
Загрузка и нормализация многих форматов документов или данных Python-сервис Зрелые библиотеки для парсинга и работы с данными
RAG над большими или часто меняющимися данными Python-сервис Инструменты для эмбеддингов, поиска и оценки
Дообучение, обучение LoRA, инференс открытых моделей Python с GPU-воркерами Экосистема ML живет в Python
Учетные записи, оплаты, роли, админ-панели PHP/Symfony или Node.js Зрелые инструменты для продукта и админки

Именно по такому разделению сделан наш собственный AI Resume Master: PHP и Symfony держат продукт, React отвечает за интерфейс, Python с LLM генерирует резюме и сопроводительные письма. Продукт вышел на 50 000 активных пользователей в месяц.

Можно ли добавить Python-сервис к продукту на PHP или Node.js?

Да, и именно так мы чаще всего используем Python. Ваш продукт сохраняет свой бэкенд, учетные записи и оплаты. Отдельный Python-сервис занимается ИИ или данными и предоставляет небольшой типизированный API. Основной бэкенд вызывает его с контекстом пользователя, а длительные задачи отчитываются через колбэк или эндпоинт статуса. Права доступа остаются в основном бэкенде, так что Python-сервис сам никогда не решает, кто что видит.

Риск при этом низкий. Новый сервис разворачивается, масштабируется и откатывается отдельно, а остальной продукт не меняет ни язык, ни фреймворк. Другая сторона интеграции описана на страницах разработка на PHP и разработка на Node.js.

Сервис на FastAPI: наши правила

Разработка на FastAPI у нас дает небольшой типизированный API, который прячет от остального продукта вызовы моделей, поиск и логику промптов. Продукт задает вопрос или отправляет задачу. Сервис сам решает, какую модель и какие данные взять, и возвращает результат в фиксированном формате. Мы держимся шести правил:

  1. Типизированные контракты для каждого запроса и ответа, документация OpenAPI генерируется из них.
  2. Промпты хранятся как данные, с версиями. В AI Grief Companion они лежат в PostgreSQL с историей изменений, и тон можно подправить из админки без релиза.
  3. Задачи вместо долгих запросов. Все, что длится дольше нескольких секунд, уходит в фоновые воркеры со статусом, который продукт опрашивает или получает через колбэк.
  4. Резервные модели и тайм-ауты, чтобы один медленный провайдер не останавливал продукт.
  5. Наборы для оценки в CI: изменение промпта или модели измеряем до релиза.
  6. Логи входных данных, результатов и расхода токенов. С чувствительными данными работаем по вашим правилам.

Сначала чистые данные, потом чат

Большинство проблем с поиском возникает из-за данных, которые никто не чистил: дубликаты, сломанное форматирование, отсутствующие владельцы, смешанные языки. Поэтому разработка RAG на Python у нас начинается с конвейера, а чат появляется позже.

Конвейер состоит из парсера на каждый формат источника, нормализации в одну схему, дедупликации и валидации. Дальше разбиение на фрагменты по структуре документа, эмбеддинги и индекс, а в конце поиск с проверкой доступа, чтобы пользователь видел только разрешенное. Каждый шаг пишет в лог, что он обработал и что не удалось. В AI Grief Companion память строят три уровня поиска над графом фактов в Neo4j, и они соревнуются за пять мест в промпте. Подробнее на странице разработка RAG и в нашем руководстве по внедрению RAG.

Разработка конвейеров данных нужна не только для ИИ. Календарь спортивных событий для британской sports tech компании построен на PHP и Python и имеет собственный движок парсинга. Он собирает и нормализует расписания матчей из сотен календарей и фидов, учитывает часовые пояса и отдает данные B2B-клиентам через API и встраиваемые виджеты. А для B2B-магазина станков из Днепра Python обрабатывал данные каталога и убирал водяные знаки со старых фото товаров для фида Google Shopping.

Когда дообучение имеет смысл?

Когда модель должна держать определенный голос, формат или поведение, которые промпты и RAG надежно не удерживают. Для большинства бизнес-продуктов промпты плюс поиск по вашим данным дают больше, стоят меньше и проще обновляются, когда данные меняются.

Если дообучение все же нужно, берем параметрически эффективные методы вроде LoRA на открытой модели, набор данных из ваших данных и набор для оценки, чтобы измерить результат. В AI Grief Companion конвейер обучает LoRA-адаптеры на Qwen2.5-7B с 4-битным QLoRA, а vLLM для каждого запроса подгружает нужный адаптер. У инференса намеренно есть запасной режим: чат работает с базовой моделью уже через несколько минут после загрузки и становится ближе к человеку с каждым завершенным этапом обучения. О выборе моделей читайте на странице разработка генеративного ИИ.

Если мы хотим, чтобы бот действительно общался с людьми, ему нужно дать базу знаний о вашей компании. Это не сложно, ее просто нужно подготовить, а дальше пополнять в автоматическом режиме.

Антон Литвинов, основатель Lytvynov Production

Сколько стоит разработка на Python?

Цена зависит от объема данных, стратегии по моделям и того, как сервис подключается к вашему продукту. Для ориентира: ИИ-функция на облачных моделях у нас стоит от 10 000 USD, ИИ-приложение над данными компании с RAG от 10 000 до 40 000 USD, продукт с собственными моделями (дообучение, RAG-память, инференс на GPU, конвейеры данных) от 60 000 до 150 000 USD. Токены, векторные хранилища и GPU во время работы оплачиваются отдельно. Как их посчитать, объясняем в руководстве о стоимости разработки ИИ-приложения.

Как мы работаем

Как компания по разработке на Python мы начинаем с короткого разговора о продукте, данных и том, что должен делать ИИ, а потом согласуем первый этап с фиксированной ценой. Для ИИ-проектов он обычно включает набор для оценки, так что качество измеряется с первой недели. Дальше этапы с демо каждую неделю, в ваших репозиториях и облачных аккаунтах. Наши Python-разработчики уровня senior проверяют каждое изменение, а рутину вроде тестов и рефакторинга берут ИИ-агенты для написания кода. Хотите нанять Python разработчиков в свою команду на более долгий срок? Это тоже возможно, с помесячной оплатой.

Подключение ИИ к существующему продукту описано на странице интеграция ИИ. Развертывание и мониторинг Python-сервисов берем на себя, подробнее на страницах DevOps на Docker и Kubernetes и разработка на AWS.

Расскажите о вашем ИИ-проекте или проекте с данными на странице контактов или опишите объем в форме оценки проекта.

Как мы работаем

  1. Короткий разговор

    Говорим о продукте, данных и том, что должен делать ИИ.

  2. Фиксированная цена этапа

    Согласуем первый этап с фиксированной ценой. Для ИИ-проектов он включает набор для оценки.

  3. Демо каждую неделю

    Работа идет этапами в ваших репозиториях и облачных аккаунтах.

  4. Проверка senior-инженером

    Senior-инженеры проверяют каждое изменение, ИИ-агенты берут рутину: тесты и рефакторинг.

  5. Развертывание

    Python-сервис разворачивается, масштабируется и откатывается отдельно от остального продукта.

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 проект

Выделенная команда

Senior-инженеры, которые месяц за месяцем работают только над вашим продуктом, по вашим приоритетам и в ваших репозиториях.

О выделенной команде

Частые вопросы

Не всегда. Вызовы API OpenAI или Claude, потоковая передача ответов и простой поиск могут жить в вашем существующем бэкенде на PHP или Node.js. Python становится лучшим выбором, когда вы обрабатываете большие объемы документов, обучаете или дообучаете модели, запускаете открытые модели на собственных GPU или используете библиотеки, которые существуют только в экосистеме Python. Часто мы добавляем один Python-сервис рядом с существующим бэкендом, а не переписываем его.

FastAPI дает типизированные модели запросов и ответов, автоматическую документацию OpenAPI и хорошую поддержку асинхронного ввода-вывода, а это подходит сервисам, которые ждут моделей, баз данных и внешних API. Он остается небольшим, так что в сервисе живет ИИ-логика, а не код фреймворка. Для длительных задач, например обучения или массовой загрузки данных, FastAPI принимает задачу, а обработку выполняют фоновые воркеры.

Да, когда дообучение действительно правильный инструмент. Большинство продуктов добиваются большего с хорошими промптами и RAG над собственными данными: это дешевле и проще обновлять. Дообучение, например LoRA-адаптеры на открытой модели, уместно, когда нужен определенный голос, формат или поведение, которые промпты не удерживают. Мы начинаем с набора для оценки, чтобы выигрыш можно было измерить до и после обучения.

Мы считаем загрузку данных отдельным продуктом: парсер для каждого формата источника, нормализация в одну схему, дедупликация, валидация и логирование каждой записи, которая не прошла обработку. До эмбеддингов, поиска или обучения доходят только чистые, нормализованные данные. Конвейеры работают как фоновые задачи с повторными попытками и видимым статусом, так что видно, какие записи обработаны, а какие остановились и почему.

ИИ-функция на облачных моделях у нас обычно стоит от 10 000 USD. ИИ-приложение над данными компании с RAG обычно стоит от 10 000 до 40 000 USD. Продукты с собственными моделями, например дообучение LoRA, RAG-память и инференс на GPU, стоят от 60 000 до 150 000 USD. Фиксированную цену первого этапа мы даем после короткого разговора для оценки объема.

Давайте начнем ваш проект
Записаться на звонок