Post #65

MVP AI-сервиса для аналитики NPS и отзывов в Додо На прошлой неделе закончился курс AI Product Engineer от Байрама (курс, кстати топ, рекомендую). В первом дз нужно было сделать агента для анализа отзывов. Я свой собрал еще месяц назад, нопонял, что в канале про это еще не рассказывал. В Додо регулярно собираем фидбек и NPS. Разбирать это руками – долго и неудобно. Я навайбкодил агента: загружаешь выгрузку → на выходе интерактивная аналитика с умной категоризацией. Что получилось — Сначала 6000 строк обрабатывались ~60 мин, после нескольких итераций оптимизации довел ~3 мин (в 20 раз быстрее) — В срезах видно динамику NPS, доли категорий, сегменты и примеры отзывов — Стоимость вызово LLM снижаю за счет кэша и гибких режимов обработки Немного про техническую начинку Агентная архитектура MasterCoordinator – дирижер: парсит файл, запускает классификацию, собирает метрики и финальную структуру. ClassificationAgent – умный "свитчер": сначала простые правила (словари), если не хватает — сравнение по смыслу (эмбеддинги), при низкой уверенности – эскалация в LLM. InsightAgent – "аналитик": по метрикам и распределениям генерит краткое резюме и рекомендации. Все модули слабо связаны: координатор подменяемо получает «агентов» и возвращает один доменный результат, который дальше маппится во фронт. Стек Бэкенд: Python + FastAPI, четкие DTO на Pydantic, эндпоинты: загрузка, статус/результат, экспорт, плюс WebSocket прогресса. Фронтенд: ванильный JS + Chart.js + Jinja2. Графики – NPS-таймлайн, категории, демография, помесячка; кликаешь по категории — видишь примеры отзывов. Инфра и скорость Docker Compose (web, redis), healthcheck, non-root; в деве – hot reload. Кэш по MD5 контента (Redis/SQLite) – ускоряет повторы и экономит. Режимы исполнения переключаются конфигом: потоковый, асинхронный с ограничением параллельности, пакетные эмбеддинги, параллельные батчи с авто-фоллбеком. Телеметрия: время, стоимость, использование инструментов, cache hit rate, контроль памяти и авто-дауншифт, если упираемся в ресурсы. Я прорабатывал всю логику и архитектуру, а код писал Claude Code. Одну фичу ради интереса сделал через gpt-5 в Cursor. Старался делать сразу продакшен райди. Итог В целом получилось сделать около боевой сервис, но все равно надо немного полировки, чтобы отпускать в свободное плавание. При этом я сейчас один, а AI инициатив в компании много. Поэтому поставил пока проект на паузу, чтобы навалиться на более денежные штуки. Как-нибудь еще обязательно вернусь, чтобы добить!