Расскажем про наш путь от простого RAG-прототипа до продакшн-платформы мультиагентных LLM-ассистентов внутри компании. Разберём ключевые технические решения — оптимизацию чанкинга, переход к мультиагентной архитектуре, тестирование через RAGAS — и покажем реальные метрики роста качества.

Доклад посвящён эволюции прикладной NLP-системы от специализированных LoRA-моделей к многостадийному гибридному пайплайну. В ходе проекта были проверены MDL и grammar induction, структурные и семантические представления, несколько способов извлечения кандидатов, RAG, DSL и множество стратегий LLM-разбора. Покажу, что именно из этих исследований вошло в production и каких результатов позволило достичь.

Качество идей стало важнее процесса реализации: когда код можно переписать за секунды, главным активом становится не скорость печати, а глубина задачи и зрелость архитектурного замысла. Качество спецификации выходит на первый план. Просто добавь ИИ!

Но на этом фоне происходит и эрозия навыков: разработчик всё чаще отдаёт работу на откуп ассистентам, теряя мышечную память и превращаясь из создателя в ревьюера. Информация достаётся из кармана быстро, снимая дефицит данных, но обостряя дефицит смысла.

В этой реальности выживут только инженеры: те, кто не отдают своё мышление полностью и остаются субъектами решений.