Создавайте системы, которые рассуждают — и работают.

ИИ — это проблема системной архитектуры

ИИ становится ценным, когда он может работать с реальными данными, реальными приложениями, реальной инфраструктурой и реальными ограничениями. Модель — лишь один из компонентов. Сложность заключается в проектировании всего вокруг неё так, чтобы вся система работала надёжно.

Моя работа сосредоточена на этой архитектуре: как модели получают доступ к знаниям, извлекают доказательства, используют инструменты, взаимодействуют с программным обеспечением, обмениваются данными и становятся частью систем, которые действительно могут работать в продакшене.

Это означает работу на стыке архитектуры ИИ, логики приложений, API, баз данных, full-stack платформ, инфраструктуры, развёртывания и эксплуатации, а не рассмотрение ИИ как изолированной функции.

Текущий технический фокус

Моя текущая работа сосредоточена на слое между возможностями модели и надёжным поведением системы: определении, когда модель может использовать собственные знания, когда она должна извлекать внешнюю информацию, какие доказательства достаточны, как агенты должны выполнять действия и где должны быть установлены границы системы.

• Генерация с дополненной выборкой и триггеры извлечения
• Агентные системы, использование инструментов и циклы выполнения
• Границы контекста, доказательства и надёжность ответов
• Маршрутизация моделей и архитектуры с учётом возможностей
• Частная, локальная и самостоятельно размещённая инфраструктура ИИ
• Интеграция ИИ в реальные приложения и рабочие процессы с данными

Архитектура систем ИИ

Современные приложения ИИ не строятся на одной языковой модели. Надёжные системы требуют решений относительно знаний, извлечения, контекста, инструментов, состояния приложения, валидации, выбора модели и обработки сбоев.

• RAG и интеграция внешних знаний
• Решения об извлечении и выбор доказательств
• Агенты ИИ и рабочие процессы на основе инструментов
• Локальные и удалённые архитектуры моделей
• Маршрутизация моделей и возможностей
• Проектирование контекста и управление границами контекста
• Структурированные выходные данные и интеграция API
• Валидация, наблюдаемость и обработка сбоев

Таким образом, центральный архитектурный вопрос заключается не просто в том, какую модель использовать. Он в том, что модель знает, чего она не знает, что она должна извлечь, какие инструменты она может использовать, какие доказательства достаточны и когда система должна перестать доверять сгенерированному ответу.

Архитектура платформы

ИИ — это один из слоёв более крупной программной системы. Я проектирую платформы вокруг чётких границ приложений, переиспользуемых сервисов, структурированных моделей данных и архитектуры, ориентированной на продакшен, а не изолированных функций.

• Облачные и самостоятельно размещённые архитектуры
• Мультитенантные и мультиэкземплярные платформы
• Бэкенд-сервисы и архитектура API
• PostgreSQL и моделирование данных приложений
• Аутентификация, авторизация и ролевой доступ
• Многоязычные и интернационализированные системы
• Headless-контент и платформы структурированной публикации
• Сервисы ИИ, интегрированные в существующую логику приложений

Full-stack системная инженерия

Архитектура имеет наибольшее значение, когда она выдерживает реализацию. Я работаю на всех уровнях — от фронтенда и бэкенда до данных и инфраструктуры, — чтобы архитектурные решения оставались согласованными от пользовательского интерфейса до базы данных, среды выполнения и слоя развёртывания.

Типичные системы сочетают фронтенды на Nuxt и Vue, сервисы на Node.js и TypeScript, слои данных на PostgreSQL и Prisma, Python там, где он обеспечивает лучшее техническое соответствие, и продакшен-инфраструктуру на базе Linux.

Продакшен-инженерия

Прототип демонстрирует идею. Продакшн-система должна выдерживать развёртывание, реальные данные, меняющиеся требования, поведение пользователей, трафик, обновления, сбои и продолжающуюся разработку.

• Серверные среды Linux
• NGINX и маршрутизация приложений
• Развёртывание приложений и работа во время выполнения
• Миграции баз данных и жизненный цикл данных
• Сборка и процессы релиза
• Логирование, диагностика и технический мониторинг
• Производительность, индексируемость и ограничения доставки
• Интеграция локальных и облачных AI-сред

Системы, созданные на практике

Описанная здесь архитектура не является теоретической. Она развивается через системы, которые я проектирую, создаю, эксплуатирую и непрерывно расширяю.

AI-клиент Aaasaasa

Настольное AI-приложение, построенное на Electron и TypeScript с поддержкой локальных и удалённых моделей, абстракцией провайдеров, безопасными границами приложения и интеграцией с внешними AI-средами.

Корпоративная Aaasaasa

Корпоративная архитектура платформы, объединяющая сервисы приложений, структурированные данные, ролевой доступ, многоязычный контент, AI-возможности и модульную бизнес-функциональность.

Платформа stajic.de

Продакшн-платформа, используемая для структурированной публикации, многоязычной доставки, рабочих процессов с поддержкой AI, технических исследований и экспериментов в области поиска, извлечения информации и знаний, читаемых AI.

Независимые продакшн-платформы

loving.rocks, figure.rocks и связанные системы распространяют тот же инженерный подход на независимые продакшн-среды с собственной аудиторией, моделями контента, многоязычными структурами, требованиями к поиску и операционными ограничениями.

Технические исследования и публикации

Значительная часть моей текущей работы исследует границу между возможностями языковых моделей и надёжным поведением приложений. Цель — превратить сложную AI-архитектуру в концепции, которые можно объяснить, протестировать, оспорить и реализовать.

• Как RAG связывает модели с внешними знаниями
• Откуда LLM получает информацию и где начинается извлечение
• Когда AI-система должна перестать полагаться на знания модели
• Как следует отбирать и проверять доказательства
• Почему большие контекстные окна не гарантируют лучшие ответы
• Чем агентные циклы отличаются от управляемой агентной инфраструктуры
• Как приватная AI-архитектура меняет инфраструктурные решения
• Где надёжность ответов нарушается между извлечением и генерацией

Эти темы образуют связанную техническую базу знаний, а не набор изолированных статей. Каждая из них рассматривает отдельную границу внутри современных AI-систем.

Одна система, а не набор функций

Фронтенд, бэкенд, AI, данные и инфраструктура часто обсуждаются как отдельные дисциплины. В продакшне они непрерывно влияют друг на друга.

Решение о поиске меняет архитектуру данных. Архитектура данных влияет на API. API влияют на состояние приложения. Состояние приложения влияет на поведение агента. Инфраструктура ограничивает выбор моделей. Архитектура поиска влияет на то, как информация обнаруживается и людьми, и машинами.

Поэтому мой подход ориентирован на систему: понять всю цепочку, прежде чем оптимизировать отдельный компонент.

Техническая основа

• TypeScript и JavaScript
• Nuxt и Vue
• Node.js и Nitro
• Python
• PostgreSQL и Prisma
• REST и прикладные API
• Electron
• Linux и NGINX
• Docker и развёртывание на основе сервисов
• API OpenAI и инструменты для агентов
• Локальные среды выполнения LLM, включая Ollama
• Структурированный контент и EditorJS

Архитектура также должна быть реализуемой

Техническая архитектура существует внутри продуктов, проектов, бюджетов, зависимостей и сроков. Поэтому моя работа сочетает инженерию со структурированной поставкой, а не отделяет технические решения от ответственности за реализацию.

Более двух десятилетий практической работы в IT дополняются формальными методами управления проектами и поставкой, включая сертификацию IPMA и Professional Scrum Master. Эти методы поддерживают инженерную работу; они её не заменяют.

Создайте что-то, что действительно может работать

Цель не в том, чтобы подключить ИИ ко всему. Она в том, чтобы определить, где ИИ даёт реальные системные возможности, спроектировать архитектуру вокруг этого и построить окружающее программное обеспечение достаточно надёжно, чтобы эта возможность стала полезной.

От поиска и поведения моделей до API, данных, интерфейсов и инфраструктуры фокус остаётся неизменным: технически целостные системы, которые переходят от архитектуры к производству.