Спасибо за отзыв! Раскрою технологический стек и архитектурную логику.
На чём построена система Ядро автоматизации — Python + LangChain + LangGraph, а не n8n. Почему:
Почему не n8n
n8n — отличный инструмент для визуального построения workflows: взять данные из API, трансформировать, отправить в другую систему. Но для нашей задачи есть ограничения:
1. Нестандартная логика. Аттестация ФСТЭК — это не линейный pipeline «получил → обработал → отправил». Это древовидный процесс с циклами: нашли несоответствие → предложили исправление → перепроверили → снова нашли. LangGraph позволяет описывать такие графы состояний с условными переходами, а в n8n это потребовало бы костылей.
2. RAG с гибридным поиском. Нам нужен не просто поиск по ключевым словам, а семантический поиск + поиск по точным совпадениям + тематический маппинг — и всё это с кастомной предобработкой русскоязычных НПА. В n8n пришлось бы писать внешние микросервисы, что сводит на нет преимущества low-code.
3. Локальный инференс LLM. n8n ориентирован на облачные API (OpenAI, Anthropic). Нам же критически важно уметь работать полностью автономно — с локальной LLM через llama.cpp на своём GPU. Python даёт полный контроль над этим.
Почему не AI-бот в классическом понимании
AI-бот (чат-бот с одной моделью) — это лишь один из четырёх режимов системы. Да, у нас есть RAG-чат для интерактивного общения с экспертом. Но основные сценарии — системный и пакетный аудит — это не диалог, а автоматический анализ:
- Извлечение 50–65 требований из базы НПА - Построение системного описания ПАК (роли компонентов, эшелонирование, компенсация) - Один комплексный запрос к LLM с возвратом структурированного JSON - Генерация пяти документов в шести форматах
Бот не спроектирован для таких сценариев «запустил и получил пакет документов».
Если интересно — могу подробнее рассказать про любой из компонентов.
Спасибо за отзыв! Раскрою технологический стек и архитектурную логику.
На чём построена система
Ядро автоматизации — Python + LangChain + LangGraph, а не n8n. Почему:
Почему не n8n
n8n — отличный инструмент для визуального построения workflows: взять данные из API, трансформировать, отправить в другую систему. Но для нашей задачи есть ограничения:
1. Нестандартная логика. Аттестация ФСТЭК — это не линейный pipeline «получил → обработал → отправил». Это древовидный процесс с циклами: нашли несоответствие → предложили исправление → перепроверили → снова нашли. LangGraph позволяет описывать такие графы состояний с условными переходами, а в n8n это потребовало бы костылей.
2. RAG с гибридным поиском. Нам нужен не просто поиск по ключевым словам, а семантический поиск + поиск по точным совпадениям + тематический маппинг — и всё это с кастомной предобработкой русскоязычных НПА. В n8n пришлось бы писать внешние микросервисы, что сводит на нет преимущества low-code.
3. Локальный инференс LLM. n8n ориентирован на облачные API (OpenAI, Anthropic). Нам же критически важно уметь работать полностью автономно — с локальной LLM через llama.cpp на своём GPU. Python даёт полный контроль над этим.
Почему не AI-бот в классическом понимании
AI-бот (чат-бот с одной моделью) — это лишь один из четырёх режимов системы. Да, у нас есть RAG-чат для интерактивного общения с экспертом. Но основные сценарии — системный и пакетный аудит — это не диалог, а автоматический анализ:
- Извлечение 50–65 требований из базы НПА
- Построение системного описания ПАК (роли компонентов, эшелонирование, компенсация)
- Один комплексный запрос к LLM с возвратом структурированного JSON
- Генерация пяти документов в шести форматах
Бот не спроектирован для таких сценариев «запустил и получил пакет документов».
Если интересно — могу подробнее рассказать про любой из компонентов.