1. Введение и Цели · 1.1. Проблема: В настоящее время процесс [опишите ручной или неавтоматизированный процесс] требует значительных временных и человеческих ресурсов, подвержен ошибкам и не масштабируется. · 1.2. Решение: Разработать автономного ИИ-агента, который будет автоматически выполнять задачу [краткое описание основной функции]. · 1.3. Цели: · Автоматизировать процесс [название процесса]. · Сократить время выполнения операции с [X часов/дней] до [Y минут]. · Повысить точность и исключить человеческий фактор. · Обеспечить круглосуточную работу без вмешательства человека. · Предоставлять результаты в удобном формате (например, отчет в PDF, данные в таблице, сообщения в мессенджере). 2. Функциональные требования (что должен уметь агент) Агент должен выполнять следующий цикл действий: · 2.1. Получение и обработка вводных данных: · Возможность принимать входные данные из различных источников (на выбор или по API): база данных, CSV/Excel файлы, веб-сайты (парсинг по расписанию), чат (Telegram, Slack), почта. · 2.2. Анализ и принятие решений: · Использовать языковую модель (LLM), такую как GPT-4, Claude, или открытые аналоги (Llama, Mistral), для анализа полученных данных. · Выполнять задачу в соответствии с предоставленными инструкциями (промптами). · Уметь определять контекст и выбирать соответствующую стратегию действий. · 2.3. Выполнение действий: · Пример для аналитика: На основе анализа данных формировать структурированный отчет с выводами и рекомендациями. · Пример для генератора контента: Создавать тексты (посты, статьи, письма) по заданным темам и тональности. · Пример для поддержки: Отвечать на типовые запросы пользователей, переводить сложные вопросы на человеческого оператора. · Пример для автоматизации: Делать запросы к внешним API, чтобы получить дополнительную информацию или вызвать какое-либо действие (например, отправить email). · 2.4. Предоставление результата: · Отправлять итоговый результат в указанные каналы: email, мессенджер (Telegram Bot), webhook, Google Sheets, базу данных. · Формат результата: текст, таблица, PDF-документ, JSON. 3. Нефункциональные требования · 3.1. Производительность: Время отклика агента на запрос не должно превышать [X] секунд. · 3.2. Надежность: Агент должен иметь uptime не менее 99%. Необходима обработка ошибок (например, если API недоступен, сайт изменил структуру) с уведомлением об этом. · 3.3. Безопасность: Обеспечить безопасное хранение ключей API и конфиденциальных данных. Не использовать данные в целях, не описанных в ТЗ. · 3.4. Масштабируемость: Архитектура должна позволять легко добавлять новые функции и источники данных в будущем. 4. Технический стек (желаемый или на усмотрение исполнителя) · Язык программирования: Python (предпочтительно), Node.js. · Фреймворки/Библиотеки: · Для работы с LLM: LangChain, LlamaIndex. · Для Orchestration: LangGraph, Prefect, Temporal (если нужны сложные workflows). · Для парсинга: BeautifulSoup4, Scrapy, Selenium. · Для работы с данными: Pandas, NumPy. · Для развертывания: Docker. · Инфраструктура: · Возможность развертывания на облачном сервере (VPS), например, AWS EC2, Google Cloud, DigitalOcean. · Предпочтительно использовать контейнеризацию (Docker). · LLM Провайдер: OpenAI API, Anthropic, или локально развернутая модель (например, через Ollama, vLLM). 5. Этапы разработки и приемки 1. Этап 1: Проектирование архитектуры. Предоставить блок-схему работы агента. 2. Этап 2: Разработка MVP. Реализация核心функционала с одним источником данных и одним каналом вывода. 3. Этап 3: Тестирование. Предоставить доступ к тестовой среде и отчет по тестированию. 4. Этап 4: Доработка и интеграция. Добавление всех оставшихся источников/каналов, реализация обработки ошибок. 5. Этап 5: Финальная приемка. Развертывание на production-сервере, передача исходного кода и документации. 6. Что должно быть передано по окончании работ · Полный исходный код проекта в репозитории (GitHub/GitLab). · Документация: · Инструкция по установке и запуску. · Описание архитектуры и ключевых компонентов. · Руководство по конфигурации (как поменять промпты, API-ключи, источники данных). · Docker-образ (опционально, но приветствуется). 7. Бюджет и сроки · Предполагаемый бюджет: 15000 руб. · Желаемые сроки выполнения: 1 неделю .