Архитектура агентной AI-системы мониторинга проектов в Datanomix
2026-04-17 13:15
От Telegram-чатов и договоров к Weekly Report за 30 секунд
В современном управлении IT-проектами данные — это и главный ресурс, и главный вызов. Ежедневно в рабочих чатах генерируются сотни сообщений, в которых тонут важные детали, а условия юридических договоров часто остаются «мертвым грузом» до момента возникновения кризиса. В компании Datanomix мы решили эту проблему, создав систему на базе ИИ-агентов, которая превращает неструктурированный поток информации в глубокую аналитику.
Проблема: Информационный хаос и рутина
До внедрения системы наши руководители проектов (PM) сталкивались со следующими вызовами:
Потеря информации: Ключевые договоренности и блокеры терялись в бесконечных тредах Telegram.
Операционные затраты: На ручную подготовку качественных статус-отчетов уходило от 3 до 5 часов в неделю.
Человеческий фактор: Риски выявлялись слишком поздно, а субъективность оценки «здоровья» проекта мешала принятию стратегических решений.
Решение: Пятислойная агентная архитектура
Мы разработали пятислойную архитектуру системы, которая обеспечивает автоматизированный цикл сбора, защиты и анализа данных:
Level 1. Источники данных: Система агрегирует логи Telegram, документы из Google Workspace, историю отчетов за 4 недели и накопленный контекст проекта.
Level 2. Masking Gateway (Безопасность): Перед отправкой во внешние LLM все данные проходят через локальный шлюз десенситизации. Имена, суммы и контакты заменяются типизированными псевдонимами (например, <PERSON_1>, <AMOUNT_2>), что гарантирует приватность без потери смысла.
Level 3. Retrieval Layer (Поиск): Применяется гибридный поиск. Для чатов — чистая семантика (сообщение = документ) , для договоров — Ensemble-поиск, объединяющий ключевые слова (BM25) и векторный поиск со смысловой дедупликацией (MMR).
Level 4. Agent Graph: Многоагентная система на базе LangGraph. Пять специализированных агентов (Legal, Sentiment, Risk, Supervisor и Critic) выполняют параллельный анализ и перекрестные проверки.
Level 5. Delivery Layer: Финальный результат доставляется через интерактивные дашборды, отчеты в Notion и экстренные алерты.
Как это работает: «API внутри LLM»
Для обеспечения надежности данных мы используем строгую типизацию через Pydantic. Агенты обмениваются не просто текстом, а структурированными объектами. Это позволяет автоматически валидировать выводы модели и заставлять систему исправлять ошибки («Self-Correction»), если формат данных нарушен.
Результаты: Объективность и Скорость
Внедрение системы позволило нам достичь следующих показателей:
Weekly Status Report за 30 секунд: Формирование отчета теперь происходит мгновенно, включая анализ KPI (риски, тональность клиента, прозрачность), достигнутые цели и рекомендации к действию.
Объективный Sentiment-анализ: Система оценивает настрой клиента на основе реальных цитат, выявляя недовольство на ранних стадиях.
Контроль обязательств: Автоматический чек-лист по договору подсвечивает невыполненные формальные требования (акты, уведомления, этапы).
Будущее системы (Roadmap)
Мы продолжаем развивать платформу в трех направлениях:
Транскрибация Daily: Анализ устной речи команды для автоматического выявления блокеров на ежедневных митингах.
GitHub Analytics: Интеграция с репозиториями для сопоставления технического прогресса (коммитов) с заявленными задачами.
Real-time Finance: Автоматический расчет P&L проекта на основе интеграции с логами времени сотрудников.
«Данная архитектура — пример того, как современный AI позволяет превратить хаос коммуникаций в управляемый цифровой актив, высвобождая время экспертов для принятия решений, а не для заполнения таблиц» — Никита Сусоев, Account Director Datanomix