Павел Хаустов

Задача

Сделать маркетплейс с нуля: свести человека с подходящим коучем, провести сессию, принять деньги, выплатить специалисту — и не выпасть при этом из правового поля.

Решение

Весь проект вёл один: исследование и дизайн, затем фронт, бэк, база на 39 моделей. AI-подбор на векторных эмбеддингах понимает, что человек ищет на самом деле. Сессии идут видео прямо в браузере, с размытием фона и шумоподавлением; у групповых встреч свой каталог, покупка места и лист ожидания. Расписание умеет окна доступности и исключения, деньги — пакеты, баланс, промокоды, выплаты и возвраты через несколько эквайрингов. Выплаты самозанятым коучам идут через СБП, и перед каждой банк возвращает имя владельца счёта, а система сверяет его с профилем. Плюс правовой слой, о котором маркетплейсы обычно вспоминают поздно: публикуемые сведения об исполнителе с проверкой контрольных сумм ИНН и ОГРНИП.

Задача

Основатели хотели одно место, где живут цифры компании и управленческие решения, чтобы ИИ делал выводы из данных, а не из чьей-то памяти.

Решение

Записи встреч, платежи и данные платформы собираются в одной мультитенантной PostgreSQL с изоляцией на уровне строк. Каждая встреча превращается в цепочку: проблема, решение, обязательство, результат. Потом видно, о чём договорились и сделано ли это. CEO получает недельный обзор, закрытая неделя сохраняется снимком, и люди отмечают, насколько точным оказался прогноз. Денежный прогноз считает код, а модель его только объясняет.

Задача

Данные по продажам и рассылкам лежали в LMS, у которой публичного API для рассылок нет. Цифры, по которым компания принимала решения, собирались руками, и никто не мог сказать, какая кампания принесла деньги.

Решение

Разобрал протокол и написал собственный доступ, завёл данные в корпоративный портал, а оплаты выгрузил обратно в аналитику как офлайн-конверсии — чтобы выручку наконец можно было отнести к конкретной кампании. Счета поставщиков vision-модель читает прямо из почтового ящика и заносит в реестр расходов. Это та часть работы, где документации нет: система, с которой надо интегрироваться, под интеграцию не проектировалась.

Задача

Вести входящие продажи без человека на другой стороне.

Решение

Автономный агент, вшитый в бэкенд: ведёт диалог, проверяет остатки через API и доводит клиента до заказа. Воронка работает без оператора и приносит $3 000–4 000 в месяц.

Задача

Лиды с вебинаров и рекламы остывали раньше, чем до них добирался менеджер, а многие вообще не брали трубку.

Решение

AI-ассистент пишет каждому лиду в Telegram или WhatsApp с пула аккаунтов-отправителей, отвечает по-человечески, квалифицирует и передаёт тёплых лидов менеджерам в CRM. Регистрации приходят из LMS вебхуками, воронка видна на дашборде, а если антиспам Telegram блокирует отправителя, подхватывает WhatsApp. Сделал для консалтинговой компании от архитектуры до продакшена и потом перенёс в Google Cloud.

Задача

Звонки разбирали вручную, поэтому большую их часть не разбирали вообще.

Решение

Пайплайн расшифровывает запись звонка, разбирает разговор через LLM — по скрипту и по реальному исходу — и отдаёт структурные метрики руководству и конкретную обратную связь каждому менеджеру. Недельные сводки уезжают в ИИ-базу компании, где качество звонков лежит рядом с воронкой продаж: провал в одном можно читать против другого.

Задача

Каждая сессия с ИИ начиналась с нуля: заново объяснять проекты, руками вставлять контекст, терять решения, принятые на прошлой неделе.

Решение

Задачник и база заметок со своим сервером по протоколу Model Context Protocol: ассистент читает и пишет в базу напрямую, а не получает контекст с ложечки. Заметки прилетают голосом из Telegram, модель их структурирует; «спроси базу» отвечает семантически по всему написанному. Сверху канбан с realtime-обновлениями. Интеграция ИИ с внутренними системами на уровне протокола, а не через готовые плагины.

Задача

Однотипный обзвон и рутина, съедающие рабочий день команды.

Решение

Голосовые роботы, которые звонят и реагируют на ответы, плюс Telegram-боты для сбора данных, уведомлений и внутренних рутин. Скучная половина операционки едет сама.

Задача

Получать внятные ответы про семейные деньги вместо ручного забивания чеков в таблицу.

Решение

Чеки ловятся прямо из почты от четырёх разных отправителей, дедуплицируются по Message-ID и разбираются построчно по товарным группам — чтобы у вопроса «куда уходит бюджет на продукты» был ответ. Сверху: планирование с подписками и графиками кредитов, аналитика месяц к месяцу и RAG-советник поверх PostgreSQL с pgvector. Личный проект и полигон, где я обкатываю подходы к RAG, прежде чем нести их в клиентские задачи.

Task

Полная наблюдаемость по всему кластеру.

Solution

Prometheus Operator собирает метрики, Grafana рисует, Loki с Promtail складывают логи.