Модели живут на вашем железе: подбираю и разворачиваю LLM на GPU, настраиваю дообучение под домен, собираю RAG по документам и закрываю доступ API. Данные не покидают вашу инфраструктуру, оплаты за каждый запрос нет.
Разработка идёт на моём inference-стенде: Ryzen 7 5800X, RTX 5080 + 3060, 64 ГБ DDR4. llama.cpp и PolyStrata держат локальные модели, LiteLLM маршрутизирует запросы. Файлы, код, базы, API-ключи и пароли остаются в локальном контуре, а облачная модель помогает с архитектурой.
MCP-серверы подключают модель к вашим системам: базе, CRM, файлам, API. Собираю инструменты и навыки, чтобы ассистент выполнял действия, а не только отвечал текстом.
Автоматический холодный обзвон базы по недвижимости: бот ведёт диалог, уточняет интерес и сам отсеивает нецелевых клиентов, чтобы менеджеры говорили только с тёплыми.
→Автономная квалификация лидов: менеджерам уходят только тёплые контакты
Backend сервиса agent-clicker: агент на browser-use ведёт себя как живой посетитель сайта — ротация браузеров, устройств, IP и таймзон, изоляция сессий и анти-fingerprinting.
→12+ модулей и ~3000 строк: mypy --strict, ruff и запуск одной командой
Платформа для международного поставщика зелёного и обжаренного кофе: лоты, запросы котировок, B2C-магазин, проверка подлинности по серийным номерам и реферальная программа.
→8 языков, два платёжных шлюза, 56 миграций — от схемы БД до CI/CD
Агрегатор автошкол: убрали тяжёлые запросы и ошибку кэширования, починили расчёт средней оценки и фильтр школ — страницы стали открываться примерно на секунду быстрее.
→Загрузка страниц быстрее примерно на секунду, нагрузка на БД ниже