Представьте, что у вас всего неделя, чтобы сделать AI-продукт, который превращает рутинные учебные планы для международных экзаменов в персональные траектории для каждого ученика. При этом ваш бэкграунд больше в образовании и аналитике, чем в технической разработке. Звучит фантастически? Сейчас, когда интенсив закончился, мне и самому так кажется.
Дмитрий Орлов
Основатель естественно-научной онлайн-школы Orlov.fizika
Привет, Хабр! Меня зовут Дмитрий Орлов. На AI Talent Camp я выступал в роли хастлера (AI-Product) команды ExamLab Bot и ожидал классический хакатон: собрать команду, получить дедлайны, сделать демо и разъехаться. На деле это оказался интенсив с быстрыми итерациями и постоянным общением с менторами. Нам всё время напоминали, что MVP — это не демка «на сцену», что мы отвечаем за полноценный AI-продукт, который будет нужно развивать. Поэтому мы с Дарьей Дмитриевой, которая выступала в роли хакера (LLM Engineer), и смогли сделать то, на что в продуктовой разработке уходят недели.
В этом году интенсив, который организовали AI Talent Hub и X5 Tech, был посвящён подходу AI-first Product Engineering. Это подход, в котором инженер отвечает не за отдельный кусок разработки, а за весь цикл AI-продукта: от требований и архитектуры до оценки качества, деплоя и первых пользователей. В этой роли смешиваются компетенции ML-инженера, AI product manager и бизнес-аналитика.
Что такое ExamLab
В современном онлайн образовании персонализация считается нормой, но это самая дорогая часть процесса. Пять лет назад я преподавал физику для поступления в Оксфорд и MIT. У меня было 30 учеников, и чтобы взять ещё хотя бы пятерых, мне пришлось бы клонироваться. Проблема заключалась не в самом преподавании, а в подготовительной рутине.
Чтобы взять нового ученика, преподавателю международных экзаменов IB и A-Level нужно изучить syllabus. Это структурированный учебный план, который содержит основные характеристики курса. В него входят цели, перечень тем, сроки сдачи заданий, система оценивания и требования к студентам. И это только краткий обзор курса, описывающий, что и когда будет изучаться. После этого нужно создать детализированный план на 20-30 недель, адаптировать его под дедлайн экзамена, расписание ученика и пройденные темы. А если произойдёт отмена или перенос занятия, всё это придётся пересчитывать заново. Поэтому на создание учебного плана для каждого ученика уходит около 4 часов.
Многие преподаватели вообще не делают полноценные планы. Кто-то ведёт занятия по интуиции, кто-то создаёт план один раз и больше не возвращается. В результате им приходится отказываться от новых учеников и терять заработок. А обучение у эксперта такого уровня стоит 30-40 тысяч рублей в месяц.
На практике у преподавателя и руководителя школы постоянно повторяется один и тот же цикл задач, помимо создания плана было нужно:
учесть слабые места и временные ограничения;
регулярно корректировать траекторию по прогрессу;
следить, чтобы ученик действительно дошёл до результата.
Если всё это делать руками, драгоценные часы уходят не на реальную работу с учениками, а на организационную работу. Именно эту проблему мы и начали автоматизировать.
Про технические детали лучше расскажет Дарья Дмитриева, она в нашей команде выступала в роли хакера (LLM Engineer) и дальше рассказ пойдёт от её имени.
Как создавали ExamLab
Дарья Дмитриева
LLM Engineer
Мы задумали продукт, который объективно не укладывался в рамки семидневного спринта. Поэтому главным вызовом стали наши собственные амбиции. Очень хотелось нагрузить проект фичами, но именно здесь я получила один из ключевых инсайтов: работающий минимальный продукт с чистым пайплайном ценнее, чем попытка объять необъятное в сжатые сроки.
Мы собрали сервис, который делал две вещи:
планировал персональную учебную траекторию под цель/срок/уровень;
корректировал план по мере прогресса ученика и обратной связи преподавателя.
Рабочий сценарий выглядел так:
преподаватель (или администратор) задаёт входные данные: цель, дедлайн, текущий уровень, ограничения по времени, приоритеты;
бот генерирует учебный план на весь образовательный период и раскладывает его по календарю;
план сохраняется в Google Sheets (как рабочий инструмент для преподавателя);
события синхронизируются с Google Calendar;
по прогрессу план можно корректировать без ручного пересбора «с нуля».
Мы также сравнили этот процесс с ручной работой преподавателя. Вместо 3–4 часов на генерацию плана уходило порядка 2 минут, после чего план можно было быстро менять. Очевидная выгода во времени.
Техническая часть
С технической стороны путь тоже оказался нелинейным. На старте я начала с архитектуры на основе одного агента, но ментор вовремя направил нас в сторону мультиагентного подхода, чтобы делегировать подзадачи разным агентам. На практике это решение оказалось гораздо устойчивее. У каждой части логики была своя зона ответственности, а качество планирования заметно выросло.
Каналы и интерфейс:
Telegram-бот как основной интерфейс (чтобы не строить тяжёлый веб на старте)
Google Sheets как рабочее представление плана
Google Calendar для расписания
Ядро:
мультиагентная логика планирования
триггеры мониторинга прогресса и корректировок
Интеграции:
Google Sheets API v4
Google Calendar API v3
Полный стек проекта: Python 3.11+, asyncio, aiogram 3.x, SQLAlchemy + Alembic, PostgreSQL, OpenRouter API.
Как формируется план
1. Регистрация
└─ Имя, Gmail для доступа к таблицам
2. Добавление участника
└─ Предмет, экзамен, дата, расписание, цель
3. Генерация плана (~2 мин)
└─ AI создаёт детальный план
4. Работа с таблицей
└─ Отмечайте прогресс, ставьте оценки
5. Корректировка (по необходимости)
└─ AI пересчитывает план с учётом прогресса
Архитектура AI-системы:
┌─────────────────────────────────────────────────────────────┐ │ ORCHESTRATOR (Python) │ │ Координация агентов, валидация, retry-логика │ └─────────────────────────────────────────────────────────────┘ │ ┌──────────────────┼──────────────────┐ ▼ ▼ ▼ ┌───────────────┐ ┌───────────────┐ ┌───────────────┐ │ STRATEGIST │ │ DETAILER │ │ BATCH PROC │ │ │ │ │ │ │ │ • Анализ │ │ • Генерация │ │ • Обработка │ │ syllabus │ │ уроков │ │ >30 уроков │ │ • Распред. │ │ • Домашки │ │ • Параллель- │ │ времени │ │ • Тесты │ │ ная генер. │ │ • Стратегия │ │ • Mock exams │ │ │ └───────────────┘ └───────────────┘ └───────────────┘ │ │ │ └──────────────────┴──────────────────┘ │ ▼ ┌───────────────┐ │ VALIDATION │ │ │ │ • Структура │ │ • Даты │ │ • Покрытие │ └───────────────┘
Почему не LangChain/LangGraph?
Простота: прямые вызовы OpenRouter API без overhead фреймворков
Контроль: полное управление промптами и retry-логикой
Скорость: меньше зависимостей = быстрее старт и выполнение
Гибкость: легко адаптировать под специфику образовательных планов
Подробнее внутреннюю часть проекта можно посмотреть в лидерборде, а чтобы было понятно, как и в каком ритме всё происходило, разберём формат работы.
Короткий продуктовый цикл
Интенсив был устроен как короткий продуктовый цикл: от гипотезы до рабочего прототипа и защиты проекта. Каждый день закрывал отдельный этап разработки. Коротко схема выглядела так.
День 0 — сборка команд и рамки
Формируются команды и распределяются роли. Кто отвечает за продукт, кто за техническую часть, кто за валидацию и коммуникацию.
День 1 — discovery и постановка
От гипотезы к понятной задаче: ICP/JTBD, боли, сценарий использования, требования и первые приоритеты. Погружение в AI-First Customer Discovery от Андрея Кузьминых, воркшопы по трендам, рынку, JTBD и спецификациям от Василия Рассказова.
День 2 — риски и архитектура + PoC
Команды оценивают технические риски и собирают Proof-of-Concept на устойчивом стеке. Быстрый ресёрч, выбор подхода, проверка рисков и первый прототип. Много практики, кода и инженерного мышления.
День 3 — MVP и “сервисный контур”
PoC превращается в MVP. Появляется интерфейс, бот или API. Основная задача довести прототип до состояния, когда его можно показать пользователю и получить обратную связь.
День 4 — фидбэк и итерации
Команды показывают решения первым пользователям и менторам. Часть функций выкидывается, часть перерабатывается. Основной фокус на реальные сценарии использования и ограничения. Вечером встретились на просмотре кино, настольных играх, а также на разборе факапов.
День 5 — сборка демо и предзащиты
Проекты готовятся к финальной презентации. Команды собирают демонстрацию продукта, формируют историю решения и проходят внутренние предзащиты с менторами.
День 6 — Demo Day
Финальная защита проектов перед приглашёнными экспертами. Здесь обычно находятся самые сильные улучшения, поэтому ключевая цель этого дня не презентация, а обсуждение дальнейшего развития продуктов. В конце вечера пицца-пати, мастер-класс по приготовлению китайского чая и общение.
Скорость даёт не AI
Во время работы над прототипом мы поняли, что главный источник скорости — не сами AI-инструменты. Ключевую роль играет постоянная проверка решений на пользователях.
За несколько дней у нас несколько раз менялась базовая логика продукта:
где именно должен жить интерфейс
как преподаватель будет взаимодействовать с системой
какие функции действительно нужны, а какие можно выкинуть
какой сегмент пользователей стоит считать первым
В условиях короткого спринта гораздо эффективнее оказалось собирать минимальную рабочую версию и сразу тестировать её в реальном сценарии. Это позволяло быстро отбрасывать решения, которые выглядели логично на уровне идеи, но плохо работали на практике.
Что дальше
После интенсива работа над прототипом продолжилась. Следующим этапом мы хотим провести закрытое бета с реальными пользователями. Планируем протестировать систему на 10–15 преподавателях, которые готовят учеников к международным экзаменам. Проверить, насколько преподавателю удобно управлять планом, как часто требуется корректировка траектории и действительно ли система экономит время на подготовку.
Параллельно команда будет расширять набор экзаменов и дисциплин. Помимо международных программ планируем добавить подготовку к ЕГЭ. Это позволит проверить, насколько архитектура решения масштабируется на другие образовательные стандарты.
Отдельная задача собрать обратную связь от преподавателей и школ, которые готовы протестировать систему в пилотном режиме. Такой формат позволит быстрее понять реальные ограничения продукта и доработать его до стабильной рабочей версии и выпустить платные подписки.
Если хотите посмотреть, как работает прототип, можно попробовать бота.
Что ещё можно пилотировать
На интенсиве были и другие команды и они тоже делали классные полезные сервисы. После защиты даже было ощущение, что у нас получился маленький кусок большого пазла. Потому что несмотря на то, что у других команд были свои идеи, у всех была похожая логика обусловленная трушным AI-first Product Engineering.
Поэтому мы не можем не поделиться ещё шестнадцатью MVP, которые показали на Demo Day другие команды.
INNA.AI — ассистент для интервьюера: готовит интервью по CV/портфолио, помогает по ходу созвона и собирает автоотчет с подтверждением человеком https://camp.aitalenthub.ru/team/team06
R&D Risk Analyst — сервис, который оценивает риски воспроизводимости идеи из статьи: код, данные, ресурсы, зависимости, воспроизводимость и качество документации. https://camp.aitalenthub.ru/team/team09
EventAI — персональные рекомендации и автосбор расписания мероприятий (для участников) + инструменты для организаторов (импорт контента, кластеризация, расписание), с метриками рекомендаций https://camp.aitalenthub.ru/team/team12
PD Audit — аудит проектной документации по пожарной безопасности: разбор PDF, сопоставление с нормативами, отчет о нарушениях, экспорт в PDF/Excel, с явным показом ограничений https://camp.aitalenthub.ru/team/team07
Excelend — “опиши задачу → получи готовый .xlsx”: отвечает по данным и формирует Excel-файл (формулы/визуализации), с упором на надежность (fallback/валидации) https://camp.aitalenthub.ru/team/team16
ITMOpstein — бот для ответов студентам: FAQ-cache + RAG по внутренним материалам + эскалация к человеку для сложных случаев https://camp.aitalenthub.ru/team/team05
AI Label — AI-аналитик трендов и контента для SMM: анализ форматов, динамики и сигналов аудитории, чтобы быстрее собирать рабочие идеи и сценарии https://camp.aitalenthub.ru/team/team14
Закупыч — ассистент заказа продуктов “в одну строку”: превращает запрос в корзину и помогает уточнить состав заказа https://camp.aitalenthub.ru/team/team09
JustGrow (SalesLaunch) — сервис для запуска B2B-продаж: оффер → ICP → лиды → персонализированный аутрич https://camp.aitalenthub.ru/team/team13
Proba — автоматизация интервью и анализ бизнес-процессов: из регламентов/аудио/транскриптов собирает карту процессов, боли и рекомендации по оптимизации https://camp.aitalenthub.ru/team/team03
EXPERT assistant — GraphRAG-ассистент по пожарной безопасности: ответы по связанным нормативным документам + сравнение retrieval-подходов на golden dataset https://camp.aitalenthub.ru/team/team08
Просвет — сервис самонаблюдения “1 минута в день”: короткие check-in, трекинг состояния и простые инсайты без претензии на терапию https://camp.aitalenthub.ru/team/team04
Опора (Unwind) — бот для работы с тревожными мыслями (цикл “прогноз → проверка → рефрейм”) с фокусом на safety и оценку качества ответов https://camp.aitalenthub.ru/team/team17
AIwine (GetMyWine) — AI-сомелье в Telegram: подбор вина под контекст и вкусы, с привязкой к ассортименту/магазину https://camp.aitalenthub.ru/team/team10
Lumi — голосовой дневник: транскрипция заметок, разметка эмоций и ежедневные summary (в том числе в формате “для психолога”) https://camp.aitalenthub.ru/team/team11
Ниточка — family-tech продукт: диагностические сценарии и персонализированный отчет, помогающий родителям лучше понимать склонности ребенка https://camp.aitalenthub.ru/team/team15
