Files
buryan-infra/ops/COMBINE-PROJECT-ANALYSIS.md
T

16 KiB
Raw Blame History

«Комбайн» — глубокая проработка и план реализации

Разбор выжимки проекта · 06.11.2026 · Opinionated: где план сильный, где сломается


Часть 1. Что в плане сильно (не трогаем)

Решение Почему правильно
LLM не решает совместимость Единственный способ получить воспроизводимый результат. LLM объясняет, движок решает
«Боли» как первоклассные сущности Это и есть ИС компании. Нельзя прятать в промпт
Граф, а не матрица Матрица N² не масштабируется. Граф с рёбрами-ограничениями — да
BOM как производная BOM = f(конфигурация) — правильно, не хранить отдельно
Модульность по LXC Совпадает с нашей инфраструктурой
Начинаем с малого Правильно, но порядок в плане неверный (см. ниже)

Часть 2. Пять мест, где план сломается

2.1. PDF → JSON без провенанса = мусор в базе

План: PyMuPDF4LLM + Ollama + Pydantic → строгий JSON.

Проблема: Pydantic гарантирует форму, не истинность. LLM уверенно запишет poe_class: 4, когда в даташите 802.3at (это 4, но не всегда). Через месяц никто не поймёт, откуда взялось число.

Решение (обязательное):

class Field(BaseModel):
    value: Any
    confidence: float            # 0..1 от парсера
    source_page: int             # страница PDF
    source_text: str             # цитата, из которой извлечено
    extracted_by: Literal["rule", "llm", "manual"]
    verified: bool = False       # подтвердил человек

Правило: поле без verified не участвует в подборе. Это защита от «тихих» ошибок, которые дороже всего стоят в интеграции.

Практика: 80 % полей извлекаются правилами (regex по таблицам), LLM — только сложные (маркетинговые описания). Это дешевле и точнее.

2.2. Neo4j на старте — лишняя операционная нагрузка

План: «Neo4j или NetworkX на старте».

Решение: только NetworkX + Postgres. Причины:

  • У нас 10 из 15 ГиБ RAM занято; Neo4j = ещё 1–2 ГиБ и JVM-обслуживание.
  • До ~50 000 рёбер NetworkX в памяти работает мгновенно.
  • Граф детерминированный и небольшой: устройств сотни, не миллионы.

Как хранить: edges(source_id, target_id, kind, constraints jsonb) в Postgres. Загрузка в NetworkX при старте сервиса. При росте >50k — тогда Neo4j, но не раньше.

2.3. Новый LXC под PostgreSQL — не нужен

У нас уже есть Postgres на CT151 (43 базы). pgvector ставится расширением.

Решение: не создавать новый контейнер. Новая база combine в существующем кластере + CREATE EXTENSION vector. Экономия 1–2 ГиБ RAM и одного бэкапа.

2.4. Ollama на Proxmox — не запускать

План: «Ollama (локальная LLM)» в списке новых компонентов.

Уже есть мини-ПК 192.168.1.229 (Ultra 5 125H, 8.2 ток/с). Запускать вторую модель на хосте, где swap 8.3 ГБ занят — повторить инцидент 04.11.

Решение: combine ходит на http://192.168.1.229:11434. Ничего не ставим.

2.5. n8n в критическом пути расчёта — архитектурная ошибка

План: «n8n → Python-сервис → расчёт». И одновременно: «n8n может быть скомпрометирован».

Противоречие: если n8n недоверенный, он не может быть в пути, где считается BOM для клиента.

Решение — разделить на два контура:

Контур А (доверенный):  FastAPI «combine» ← прямой вызов из UI/бота
Контур Б (недоверенный): n8n только для внешних интеграций
                         (почта, CRM, уведомления) — читает результат,
                         не влияет на расчёт

Правило: n8n может только читать готовый BOM и запускать уведомления. Он не вызывает расчёт, не меняет конфигурацию. Тогда компрометация n8n = утечка КП, но не подмена данных.

Это же снимает вопрос «n8n в закрытом контуре»: его изоляция становится простой.

2.6. Harness (SaaS) в закрытом контуре ФСТЭК — несовместимо

План отводит Harness роль CI/CD + AI Code Assistant.

Проблема: Harness Cloud = данные и код вне периметра. При требованиях ФСТЭК/152-ФЗ это неприемлемо, а self-hosted Harness — это тяжёлый enterprise-зверь (десятки контейнеров).

Решение: Gitea Actions (у нас уже работает, runner есть) + локальный LLM для code review. AI-ассистент — через mini-PC. Это даёт 80 % пользы при нулевой внешней зависимости.


Часть 3. Что добавить (то, чего в плане нет)

3.1. Подбор как оптимизация, а не жадный расчёт

Главный уровень вверх. Сейчас план: «ceil(площадь/покрытие)» — жадный алгоритм.

Правильно: задача о покрытии с ограничениями = CP-SAT (OR-Tools):

  • переменные: количество каждого устройства
  • ограничения: полное покрытие зоны, PoE-бюджет коммутатора, бюджет денег, лимиты вендора (4×CM20 + 4×CS10)
  • цель: минимум стоимости (или минимум устройств, или максимум равномерности)

Что это даёт: «вот 3 варианта: дешевле на 12 %, но на 1 микрофон больше». Это уровень, за который интеграторы платят. Жадный расчёт такого не даёт никогда.

3.2. Золотой набор проектов (регрессионные тесты)

Без этого «боли» будут ломать друг друга. Нужно:

  • 20 реальных комнат: размеры, требования, эталонный BOM от эксперта
  • Тест: движок выдаёт то же (или объяснимо другое)
  • Каждое новое правило → прогон всего набора

Это единственный способ доверять движку. И это то, что делает «боли» безопасными.

3.3. Акустическая модель — не «радиус покрытия»

Yealink оперирует радиусом в идеальных условиях. Реальность: высота потолка, материалы, шум. Нужна честная модель:

  • SPL на听众 (падает 6 дБ при удвоении расстояния)
  • STI/реверберация (оценка по объёму + материалам)
  • Микрофон: SNR с учётом расстояния и шума

Не надо выдавать это за точность — выдавать «оценка, погрешность ±20 %» + допущения. Интегратор оценит честность.

3.4. Версионирование каталога

Даташиты меняются, устройства снимаются с производства. Нужно:

  • device_version (дата актуальности, что изменилось)
  • Проект ссылается на версию устройства, а не на устройство
  • Через год проект воспроизводится как был

3.5. Аналогобмен с обоснованием

«Подбор аналогов» в плане описан общо. Правильно: аналог = пересечение множеств характеристик + явное указание различий:

Заменить Yealink CM20 → Shure MXA920:
  + покрытие больше в 2.3×
  − цена выше в 4.1×
  − требует другой DSP (несовместим с CS10)

Ровно то, что LLM не должна придумывать — это выход графа + расчёт.

3.6. Цены и КП

В плане «КП» упомянуто, но нет источника цен:

  • прайс-лист вендора → таблица цен с датой и курсом
  • КП = BOM × цена + наценка + условия
  • Версия КП: если цены изменились — пересчёт с диффом

3.7. Аудит «почему такое решение»

Для каждого BOM — trace: какие правила сработали, какие «боли» применились, какие были отброшены. Без этого нельзя объяснить клиенту и нельзя учиться.


Часть 4. План реализации (переупорядочен)

Фаза 0 — фундамент данных (2–3 дня)

Что Результат
БД combine в существующем Postgres CT151 + pgvector без новых контейнеров
Схема: devices, fields (с провенансом), ports, pain_points, projects, edges миграции Alembic
Ручной ввод 5 устройств одного вендора (эталон) проверенный JSON
Парсер PDF (rules-first, LLM для остатка) сравнение с эталоном: точность полей

Критерий: 5 устройств, все поля с verified, парсер воспроизводит ≥90 % полей.

Фаза 1 — детерминированное ядро (3–4 дня)

  • rules.py: PoE-бюджет, совместимость портов, протоколы (SIP/USB/H.323), лимиты устройств
  • check_compatibility(conf) → {valid, violations[]} — каждая с обоснованием
  • Golden tests: 20 комнат (можно начать с 5)

Критерий: движок находит все нарушения в эталонных конфигурациях, не выдумывает лишних.

Фаза 2 — покрытие и геометрия (3 дня)

  • shapely: зоны покрытия, пересечения, равномерность
  • SVG-план с зонами
  • SPL/SNR-модель с явными допущениями

Критерий: SVG для комнаты 10×8, зоны не выходят за стены.

Фаза 3 — оптимизатор (2 дня) — ключевая ценность

  • CP-SAT: минимум цены при полном покрытии
  • Выдача 3 вариантов (эконом / стандарт / премиум)

Фаза 4 — агент и интерфейс (3 дня)

  • LangGraph: опросник (slot filling) + объяснение
  • FastAPI: /build, /validate, /bom, /explain
  • Streamlit/Chainlit: три вкладки

Фаза 5 — интеграция (2–3 дня)

  • OpenClaw (Matrix) → FastAPI напрямую (не через n8n)
  • n8n: только уведомления и внешние сервисы
  • КП: генерация docx/xlsx из шаблона

Часть 5. Где это размещать (наша инфраструктура)

Компонент Куда Почему
PostgreSQL + pgvector CT151 (существующий) 43 базы, не плодим
FastAPI «combine» CT108 (automation-lxc) или новый LXC 1 ГБ рядом с n8n/Node-RED по смыслу, но изолированно
Ollama mini-PC 192.168.1.229 хостовую RAM не трогаем
Файлы даташитов Nextcloud там же, где Source of Truth
CI/CD Gitea Actions + runner CT140 работает, локально
Уведомления OpenClaw → Matrix существующая шина

Ничего нового тяжёлого не поднимаем. Это принципиально: хост на пределе.


Часть 6. Чем начинать (мой ответ на вопрос)

Не с PostgreSQL и не с репозитория. С одного вендора и пяти устройств.

Почему: пока нет проверенных данных, любая архитектура — гадание. Пять устройств одного вендора (Yealink — самый понятный) дают:

  • реальные поля (а не придуманную схему)
  • понимание, что в даташитах извлекается правилами, а что нет
  • первые «боли» (они всплывут сразу при ручном вводе)

Первый артефакт — таблица 5 устройств с полями и провенансом. Не код, не сервис. Данные.

Дальше: правила совместимости на этих пяти → первый validate → и только потом всё остальное.


Часть 7. Риски (честно)

Риск Вероятность Что делать
Даташиты вендоров нерегулярны, парсер даст 60 % высокая ручная доработка + провенанс; не обещать «полную автоматизацию»
Логика Yealink недокументирована высокая своя модель + валидация на 3–5 комнатах против их калькулятора
«Боли» противоречат друг другу средняя golden set + приоритеты (severity, scope)
Оптимизатор даёт непонятные решения средняя всегда объяснять, что оптимизировалось
Данные клиентов (152-ФЗ) средняя не хранить персональные данные в проектах, только обезличенные

Файл: ops/COMBINE-PROJECT-ANALYSIS.md · Все утверждения о нашей инфраструктуре проверены командами.