Сегодня — как превратить проработку проекта в процесс, который ведёт агент.
Что общего у этих проектов? Процесс из понятных шагов.
На входе
Действие системы
На выходе
следующая ветка
Что общего у этих проектов? Процесс из понятных шагов.
1 / 2 · Знакомство
Подробнее о выбранном кубике
Заметки спикера · сохраняются вместе со слайдами
Я Иван Афанасов. 15 лет в разработке: от аутсорса и интерфейсов до инфраструктуры и B2C Промо в Яндекс.Маркете.
Управлял Хотлайном B2C Промо и плавающей командой дежурных — в сумме 25 человек. Внедрял low-code процессы и метрики. Не выдавать это за размер постоянной команды прямых подчинённых.
Пройти по цепочке: Яндекс → Кожаные мешки → Независимый автор. Инфраструктура и процессы, затем клиентские AI-автоматизации, теперь свои сервисы и воркшопы.
Три примера: платформа для студентов, Шотган Про, пайплайны в «Кожаных мешках». В ShotgunPro моя роль — UI/UX; пайплайны — командные кейсы агентства.
Не пересказывать кейсы целиком во вступлении: они показывают, что разговор основан на работе с настоящими системами.
Общий принцип: разобрать цель, материалы, шаги, инструменты и контроль человека. Теперь разберём это на проработке проекта.
Дальше — исходный вводный слайд AI как конвейер. Фото и биографию на нём уже не повторяем.
вебинар · код иб академия · 5 ноября 12:00 мск02 / 10
AI как конвейер
Знакомый процесс. AI может помочь почти на каждом этапе.
01 · постановка задачи03 / 10
Кейс: SSO в существующий сервис
Учебный IT-проект: стейкхолдеры, смежники, ФТ/НФТ и ограничения.
02 · материалы и правила04 / 10
Нейронка разбирает контекст
Люди, контракты и код → ФТ/НФТ с основаниями и вопросами.
03 · этапы и зависимости05 / 10
AI связывает требования и задачи
Требование → смежная система → задача → проверка.
04 · исполнение и артефакты06 / 10
Помощник становится агентом
От чата к агенту: инструменты, действия и самостоятельные шаги.
05 · приёмка и доработка07 / 10
AI находит пробелы и противоречия
Сопоставляет ФТ/НФТ, контракты, ограничения и подготовленные документы.
06 · self-hosted и границы08 / 10
Где данные — и кто вправе действовать?
Маскировка до отправки, локальная таблица замен и обратный путь ответа.
внешний контурваш контур
Исходник ушёл наружу. Где именно мы собирались его маскировать?
Маскируем на шлюзе: модель видит токен, но шлюз уже видел имя.
Перенесли тот же шаг ДО границы. Наружу идёт только преобразованный запрос.
Таблица [person_1] ↔ Анна остаётся у вас. В запрос её не добавляем.
Ответ вернулся с токеном. Восстанавливаем имя только в своём сервисе.
Восстановленный ответ получает человек — не автоматическая рассылка.
Альтернатива — обработка локально. Права и проверка всё равно нужны.
Как эти составляющие выглядят в настоящем сервисе?
На входе
Документ с вымышленным именем
Действие системы
Обработать документ в разрешённом контуре
На выходе
Ответ для проверки человеком
На входе
Только выбранные фрагменты с [person_1]
Действие системы
Подготовь ответ, сохрани маркеры
На выходе
Ответ с [person_1]; таблица замен остаётся у нас
следующая ветка
Как эти составляющие выглядят в настоящем сервисе?
1 / 8 · Было
Подробнее о выбранном кубике
Синтетический пример: имя и номер вымышлены. Полный документ остаётся внутри вашего контура.
Приложение или агент формирует разрешённый запрос. Здесь можно минимизировать и преобразовать данные до внешней передачи.
Внешний посредник получает то, что ему отправили. Если маскирование происходит у него, исходные данные уже пересекли границу.
Поставщик модели получает переданный текст. Преобразование отдельных полей не гарантирует обезличивание или отсутствие утечек.
Тот же кубик перемещается из внешнего шлюза в ваш сервис. Место выпо��нения определяет, кто успел увидеть исходное имя.
Соответствия остаются внутри вашего контура и не отправляются вместе с запросом. Таблица сама требует защиты и ограниченного доступа.
Локально подставляем исходное значение в вернувшийся ответ по таблице. Ответ модели и инструкции внутри него не дают права расширять доступ.
Человек проверяет результат до отправки или публикации. Вся сцена учебная, реальные данные и API не используются.
Заметки спикера · сохраняются вместе со слайдами
Показать имя Анна на документе и внешнюю границу вокруг шлюза и модели.
Название учебное. Здесь нет настоящего документа, передачи данных или живого вызова модели.
Появилась маскировка, но она внутри чужого контура. Шлюз уже получил исходный запрос.
Нельзя говорить «мы нигде не передаём персональные данные» только потому, что модель получает токены.
Кубик маскировки переезжает в ваш контур. Это главное сравнение было/стало.
Нужно учитывать содержание целиком: косвенные признаки, метаданные и логи. Замена имени не равна гарантированному обезличиванию.
Таблица нужна, чтобы потом восстановить имена. Если передать её с запросом, смысл маскировки теряется.
Таблица сама чувствительная: ограничиваем доступ, хранение и попадание в логи.
Показать обратную стрелку из модели и соединение с локальной таблицей.
Восстановление выполняется по своим данным, не по правам, которые модель написала в ответе.
Теперь в итоговом документе снова имя Анна. Человек проверяет смысл и основания до внешнего действия.
Эта схема минимизирует часть передачи данных, но не является юридическим заключением о соответствии 152-ФЗ.
Модель переезжает внутрь своего контура; внешний шлюз убирается из маршрута.
Self-hosted — выбор границы обработки, а не гарантия безопасности. Агент всё равно действует через ограниченные инструменты.
Переходим к настоящему кейсу: какой бы маршрут ни выбрали, он состоит из явных зон ответственности.
Не выдавать учебный пример маскировки за установленную архитектуру платформы.
07 · проекты с AI09 / 10
Что я сделал с AI
Самостоятельные и командные проекты — от сайта до рабочих пайплайнов.
