Часть 1 — «Предыстория и замысел»

Предыстория и замысел

Моя позиция проста: ИТ должно делать процессы дешевле, надёжнее и понятнее — к этому я пришёл за почти 30 лет практики в разных ролях разработки ПО. Не наоборот. Когда в Онто мы начали системно собирать прикладные кейсы и практиковать «живое знание» — не статичный документ, а модель, которая помогает действовать здесь и сейчас — стало ясно, что следующий логичный шаг — показать это на реальной задаче импорта данных. Не очередной одноразовый MVP, а управляемый процесс, который выдержит разговор с архитекторами и поддержкой.

Письмо с приглашением на ЛЦТ я увидел 4 августа, заявку подал 5 сентября, а 8 сентября нас включили в буткемп. 22 сентября получил техническую задачу, 29 сентября сел за работу, 2 октября сдал решение. 15 октября организаторы опубликовали списки финалистов, 20 октября состоялась защита и питч. Этот ритм задал важный тон: вместо долгих «обмозгований» — короткий цикл гипотеза → проверка → результат.

Зачем вообще понадобился «ассистент цифрового дата-инженера»? Потому что ручные скрипты и разнородные пайплайны быстро превращаются в дорогой и хрупкий зоопарк. Каждая новая загрузка — это чуть-чуть другая «маленькая уникальная снежинка», а в сумме — рост TCO и операционных рисков. Нам нужна единая управляемая процедура импорта: понятные шаги, повторяемые решения, воспроизводимые артефакты. И главное — предсказуемость: маршрут файла выбирают не догадки модели, а прозрачные алгоритмы и правила.

Это важная позиция. «Чистая» нейросеть — соблазнительный ярлык, но в проде цена ошибки высока: неверная классификация датасета тянет за собой неправильную схему БД, поломанные загрузки, прямые потери. Поэтому в нашем подходе LLM — помощник и объяснитель, а не арбитр. Решение принимает детерминированная логика: хэши заголовка, устойчивые к перестановкам хэши, простые эвристики по заголовкам и PII-признакам, пороги уверенности. Это то, что можно ревьюить, версионировать и защищать на продкомитете.

Где здесь Онто? Онто становится «мозгом» процесса: мы сохраняем сигнатуры датасетов (нормализованный хедер, хэши, число колонок, базовые типы) и сопоставляем их с объектами класса датасета. Как только класс найден (или создан как черновик), у нас появляется устойчивый маршрут: какой шаблон пайплайна применить, куда сложить сырьё, какие правила использовать при загрузке. Это и есть «живое знание»: модель не описывает мир — она помогает действовать.

Остальная архитектура — исполнительный контур, минимальный и понятный. MCP выступает оркестратором шагов и «переводчиком» между моделью в Онто и инфраструктурой. MinIO — сырьевой слой (presigned-загрузка без проксирования через сервер). Airflow — один универсальный DAG для профилирования, генерации DDL и безопасной загрузки. Postgres — целевая база, где появляется таблица, пригодная для работы. Вместо множества разношёрстных скриптов — один проход, одна точка правды, один набор артефактов.

Ключевая гипотеза, которую мы подтвердили на практике: если сохранить сигнатуру в Онто, нужный пайплайн всегда находится и воспроизводится. Это и дешевле, и честнее, чем конструировать «мелкие MVP под каждый случай»: модель живёт дольше, чем конкретная реализация, и со временем только усиливается.

Команда была компактной, но собранной. Я взял на себя архитектуру, ТЗ, контроль разработки и DevOps и демо. Алёна собрала презентацию, Кристина вычитывала и следила за качеством. В роли «ускорителей» — ассистенты: ChatGPT-5 как бизнес- и системный аналитик, Codex-5 как бэкенд- и DevOps-разработчик и автор DAG, Qorder как тестировщик. Итог — «человек + инструменты» движутся быстрее и аккуратнее, если правило простое: алгоритмы принимают решения, LLM объясняет.

Далее практический how-to: один проход от пробы до Postgres, набор инструментов, параметры запуска и минимальный DAG, с которым легко жить в проде. А в финале — выводы: почему такой процесс проходит у архитекторов и поддержки, и чем «разработка на данных в Онто» выигрывает у привычной гонки за одноразовыми MVP.

Часть 2. How-to: один проход от пробы до Postgres

Ниже — практический маршрут, который мы реально прогнали на демо. Он опирается на Онто как «мозг» процесса и на минимальный исполнительный контур (MCP → MinIO → Airflow → Postgres). Цель — предсказуемый импорт без «магии» нейросети и без лишнего трафика.

Архитектурная рамка

Онто — хранит знания: объекты DatasetSignature, DatasetClass, PipelineTemplate, RecognitionResult и правила сопоставления.
MCP — оркестратор шагов и API-слой (инструменты: preflight_plan, preflight_submit, upload_url, pipeline_import_pg).
MinIO — S3-совместимое «сырое» хранилище (presigned PUT/GET).
Airflow — один универсальный DAG csv_ingest_pg (profile → DDL → COPY → отчёт).
Postgres — целевая БД.

MCP — оркестратор шагов и API-слой

Роль MCP. Координирует четыре шага процесса между Онто (модель знаний), MinIO (сырьё), Airflow (исполнение) и Postgres (целевая БД). Принципы: storage-first, детерминизм вместо «магии», без проксирования тяжёлых данных через сервер.

Репозиторий на гитхаб

Поток из четырёх инструментов

preflight_plan — подготовка пробы (локально)
MCP возвращает план для клиента: одну команду, которая локально считает «сигнатуру» файла (заголовок, хэши, базовые типы), и затем отправку этой сигнатуры обратно в MCP.
Смысл: ничего не гоняем по сети и не грузим нейросеть ради очевидного.
preflight_submit — анализ и решение в Онто
MCP сопоставляет сигнатуру с объектами в Онто: если профиль (DatasetClass) найден — фиксирует выбор; если нет — создаёт аккуратный черновик. На этом же шаге жёстко выбирается хранилище (StorageConfig) и рассчитывается s3Key для загрузки.
Смысл: маршрут определён до любых перемещений данных; решения — по алгоритмам, LLM лишь объясняет.
upload_url — загрузка в MinIO по presigned URL
По signatureId MCP выдаёт presigned PUT (single или multipart). Клиент заливает напрямую в MinIO, MCP байты не трогает.
Смысл: надёжная, дешёвая загрузка без посредников и лишнего трафика.
pipeline_import_pg — запуск импорта в Postgres
MCP создаёт/выбирает шаблон пайплайна (если нужно) и триггерит единый DAG csv_ingest_pg в Airflow с параметрами: источник (presigned GET или {endpoint,bucket,key}), sep/encoding, target {schema, table}. На выходе — runId, статус и артефакты (DDL/отчёт).
Смысл: один универсальный DAG, предсказуемый контракт, воспроизводимый результат.

Как это выглядит end-to-end (сверху вниз)

Клиент запускает preflight_plan → локальная сигнатура готова.
preflight_submit фиксирует знание в Онто и сразу определяет StorageConfig + s3Key.
upload_url выдаёт подписи → файл попадает в MinIO
pipeline_import_pg запускает DAG → Postgres получает таблицу, Онто — артефакты и статус.

Почему это работает в корп-среде

Предсказуемо. Решения принимают правила (хэши, устойчивые совпадения), не «интуиция» модели.
Бережливо. Аналитика — в локальной пробе, сервер не возит гигабайты и не «жжёт» GPU.
Трассируемо. В Онто остаются сигнатуры, выбранные профили и шаблоны: легко объяснить «почему так».
Экономно. Один DAG и переиспользуемые классы/шаблоны вместо «зоопарка» MVP.

Что хранит Онто — детально: что это и зачем

DatasetSignature

Что это: «паспорт» конкретного файла — нормализованный заголовок, число колонок, хэши (обычный и отсортированный), разделитель, кодировка, имя/размер.
Зачем: служит основанием для сопоставления с профилями; фиксирует параметры, по которым будет выполняться загрузка; даёт воспроизводимость («вот именно этот файл мы импортировали вот так»).

DatasetClass

Что это: «профиль» типа датасета (не мета-шаблон, а объект): хэши и отсортированный список колонок, ключевые слова домена, флаги PII, статус draft/active.
Зачем: определяет маршрут импорта для всех файлов такого типа; позволяет автоматически выбирать шаблон пайплайна и не изобретать логику заново при каждом новом источнике.

PipelineTemplate

Что это: «маршрут» обработки для профиля: дефолты парсинга (sep/encoding/loadMode), целевой таргет (storage/schema/table/partitionBy), версия/статус.
Зачем: делает импорт параметризуемым и повторяемым: один универсальный DAG + набор шаблонов, вместо «зоопарка» одноразовых скриптов; снижает стоимость поддержки.

RecognitionResult

Что это: протокол решения сопоставления: чем именно совпало (matchedBy), с какой уверенностью (score), когда принято, краткие заметки.
Зачем: обеспечивает объяснимость и аудит — можно ответить «почему выбран именно этот профиль/маршрут» и воспроизвести решение при повторных запусках.

Выше приведены шаблоны для создания объектов в Онто.

Что такое шаблон в Онто

MCP может детерминированно создавать/заполнять объекты по шаблонам (никакой импровизации в полях и названиях).
Вся логика «почему и что делать дальше» считывается из стандартных сущностей — решение предсказуемо и защищаемо перед архитекторами.
Шаблоны снижают стоимость поддержки: один раз договорились о форме — дальше масштабируем без переписывания «под каждый случай».

Проба: считаем сигнатуру локально (детально)

Наша цель — получить минимальный, но достаточный портрет файла без гонки трафика и без «магии». Всё делаем локально, быстрыми детерминированными правилами.

Что считаем (поля сигнатуры)

encoding — кодировка чтения.
sep — разделитель (,, ;, \t, реже |).
hasHeader — есть ли заголовок.
headers[] — нормализованные имена колонок.
numCols — количество колонок.
headerHash — sha256('h1;h2;…;hn').
headerSortedHash — sha256('sorted(h1…hn)').
headersSorted — строка с отсортированными именами через ;.
dtypeGuess (по колонкам) — bool|int|float|datetime|text.
piiFlags — phone|fio|inn|birthday|uuid (true/false).
(опц.) rowsScanned — сколько строк просмотрели (для статистики).

Нормализация заголовков (строго в таком порядке)

lower()
strip() (обрезать пробелы по краям)
заменить [' ', '-'] → _
удалить все, кроме [a-z0-9_а-яё]
схлопнуть повторные → один
убрать _ в начале/конце

Пример: " Start Date-Time " → start_date_time

Кодировка и разделитель

Encoding: сначала пробуем utf-8 (срез первых 256–512 КБ). Если ошибка декодирования — пробуем cp1251. (Если хочется тонкости — локально подключаем детектор, но дефолт utf-8 чаще всего верен.)
Sep: считаем частоты , ; \t | в первых ~256 КБ, выбираем максимум (если \t в топе — ставим табуляцию). Для спорных случаев допускаем ручную подсказку --sep.

Объём пробы

Читаем только заголовок + первые N строк (обычно N=1000).
Память не распухает, чтение идёт потоково.
Если строки разной длины — считаем «битые» и игнорируем их при типизации.

Типизация колонок (простые эвристики)

Для каждого значения v (обрезанного):

bool: true|false|0|1 (без регистра)
int: ^-?\d+$
float: ^-?\d+([.,]\d+)?$ (запятую не превращаем в точку — только детект)
datetime: ISO-подобные YYYY-MM-DD, YYYY-MM-DD[ T]HH:MM(:SS)?, YYYY-MM-DDTHH:MM:SS±ZZ:ZZ
иначе text

Выбор типа — мода по сэмплу (чаще всего встречающийся). При близких долях — text.

PII-эвристики (по сэмплу)

phone: ^(7|8)?\d{10}$
inn: ^\d{10}$
uuid: [0-9a-f]{8}-[0-9a-f]{4}-
birthday: ^\d{4}-\d{2}-\d{2}$ или ^\d{2}\.\d{2}\.\d{4}$
fio (капсом, 2–3 слова кириллицей): ^[А-ЯЁ]+(?: [А-ЯЁ]+){1,2}$

Флаги поднимаем, если найдено хотя бы одно соответствие в колонке/сэмпле (или несколько — по желанию).

Контроль качества пробы (самопроверки)

numCols заголовка и строк совпадают ≥ 95% в сэмпле — иначе предупреждение «пляшущие колонки».
Дубли заголовков → автоматически переписываем name__2, name__3 и фиксируем в заметках.
Слишком много пустых — помечаем колонку как nullableHint=true (если ведём такую метку).

Формат выходного JSON (payload сигнатуры)

{

"fileName": "tickets.csv",

"fileSize": 348243289,

"signature": {

"encoding": "utf-8",

"sep": ";",

"hasHeader": true,

"numCols": 27,

"headers": ["created","order_status","ticket_status","..."],

"headerHash": "sha256:…",

"headerSortedHash": "sha256:…",

"headersSorted": "birthday_date;client_name;…;visitor_category",

"stats": {

"rowsScanned": 1000,

"dtypeGuess": { "created":"datetime","ticket_price":"float","is_active":"bool","..." },

"piiFlags": { "phone": true, "fio": true, "inn": true, "birthday": true, "uuid": true }

}

}

}

CLI-процедура (быстрый сценарий)

preflight_plan возвращает одну команду shell → запускаем → получаем payload.json.
Сохраняем рядом с файлом (или в temp).
Передаём в preflight_submit без изменений.

Граница ответственности (важно)

На пробе мы не двигаем байты в хранилище и не включаем LLM.
Все решения — детерминированные, воспроизводимые и дешёвые.
Если sep/encoding спорные — на этапе анализа возвращаем рекомендации и, при необходимости, запрашиваем ручную подсказку.

Краевые случаи и что делать

BOM/странный нулевой байт — отрезаем BOM, чистим управляющие.
Супердлинные поля — режем предпросмотр, но не весь файл; считаем только заголовок и первые N строк.
Много «битых» строк — фиксируем процент и предупреждаем; маршрут импорта не стартуем, пока не будет явной валидации.
Нет заголовка — hasHeader=false: на анализе вернём «нужно сопоставить имена колонок» (mapping), класс не создаём автоматически.

Эта проба даёт стабильную сигнатуру, по которой анализ в Онто либо находит готовый класс и маршрут, либо создаёт аккуратный черновик. Дальше — storage-first, presigned PUT и один универсальный DAG.

Сопоставление в Онто: класс найден/создан

Один и тот же файл загружался два раза, при этом он совпал по заголовкам с уже существующим способом классификации

Поиск по headerHash → если пусто, по headerSortedHash.
Если всё ещё пусто — кандидаты по numCols и Jaccard по множеству заголовков.
Порог уверенности (score) зафиксирован; если не дотягивает — создаём черновой объект DatasetClass(draft).

Что записываем.

DatasetSignature (факт пробы).
DatasetClass (найденный или черновой).
PipelineTemplate (если нет — создаём draft с дефолтами).
RecognitionResult (matchedBy, score, timestamp).

Важно. До любой загрузки мы определяем хранилище. MCP выбирает объект StorageConfig (или default) и рассчитывает s3Key по шаблону (raw/{dataset}/{yyyy}/{mm}/source-{uuid}.csv). Это исключает гонки и перезаписи.

Вот как действуем, если в Онто подходящий объект [DATA] DatasetClass не найден.

Алгоритм

Нормализация входа

headers → lower/trim, пробелы и - → , убрать все кроме [a-z0-9а-яё], схлопнуть _.
Считаем headerHash, headerSortedHash, headersSorted=';'.join(sorted(headers)), numCols.

Последняя попытка “похожести”

Берём кандидатов по numCols.
Для каждого считаем Jaccard по множествам имён колонок.
Если score = 0.4*Jaccard ≥ 0.7 — считаем найденным (иначе — создаём новый).

Формирование черновика класса

Создаём DatasetClass(draft=true) с полями:
headerHash, headerSortedHash, headersSorted, numCols.
Генерируем keywords из заголовков (токены: ticket,event,museum,…) и сохраняем строкой.
Считаем профиль ПДн (PII): piiPhone, piiFio, piiInn, piiBirthday по простым регэкспам/эвристикам и записываем флаги.
priority=0, comment='created from signature <signatureId>'.

Колонки класса

На каждую колонку создаём ColumnSignature:
name (нормализованное), originalName (если хочется), position (0..n-1),
dtypeGuess (эвристика: bool/int/float/datetime/text), examples (до 3 значений).
Это фиксирует «какой набор мы увидели» и пригодится для последующей точной подстройки.

Шаблон пайплайна (draft)

Создаём PipelineTemplate(draft=true) с дефолтами:
defaults = {"sep": "<из сигнатуры>", "encoding": "<…>", "loadMode": "append", "createTable": true}
target = {"storage":"postgres","schema":"public","table":"<предложить по домену, напр. tickets_fact>"}
(Если есть активный StorageConfig) рассчитываем s3Key по pathPatternRaw и сохраняем его в сигнатуру.

Фиксация факта распознавания

Создаём DatasetSignature (если ещё не создана) и RecognitionResult с:
matchedBy="created_draft_class", score=<ниже порога>, timestamp=now.
(Связи можно добавить позже, если в этом спринте выключены.)

Идемпотентность (важно!)

Перед созданием повторно пробуем find по:
A) headerHash; B) (headerSortedHash, numCols, headersSorted) — защита от гонок/повторных запусков.
Если за время операции кто-то уже создал класс с теми же ключами — используем его, наш черновик не плодим.

Требование ревью

draft=true означает: класс не участвует в автопринятии решений без ручного подтверждения.
В UI/Онто — тег/фильтр “нужен просмотр”; после ревью draft=false и (опц.) priority↑.

Переиспользование

Следующий файл с тем же headerHash/headerSortedHash попадёт в этот класс без создания новых объектов.
При незначительных расхождениях (добавилась колонка) можно:
а) обновить ColumnSignature + перевести класс из draft,
б) завести новый класс и поднять/понизить priority.

Что получает инженер на выходе

Новый класс-черновик с полным описанием полей и предложенным шаблоном пайплайна.
Объективная метка «почему создали класс» и «насколько он близок» к найденным.
Возможность одним кликом/скриптом: подтвердить, поправить столбцы, назначить целевую таблицу — и запустить импорт уже как «активный» класс.

Это держит процесс бережливым и управляемым: сначала фиксация знания в Онто, потом — воспроизводимый маршрут импорта.

Загрузка в MinIO: только presigned PUT

Инструмент. upload_url по signatureId.

Режимы.

single — файл до 5 GiB; возвращаем один putUrl.
multipart — крупные файлы; клиент грузит частями параллельно, затем CompleteMultipartUpload.

Правило. MCP никогда не проксирует содержимое — только выдаёт подписи. Если объект ещё не загружен, инструмент может вернуть putUrl без запуска DAG (режим ensureUploaded=true), чтобы не смешивать этапы.

Импорт: один DAG для всех

DAG csv_ingest_pg принимает либо presigned_get_url, либо трио {s3_endpoint, bucket, key} и работает по шагам:

download_csv — скачивает во временный файл (presigned GET или генерация presign внутри DAG).
sample_profile — быстрая проверка: строки, заголовок, типы-эвристики.
generate_ddl — формирует DDL под Postgres (idempotent).
create_table — применяет DDL.
load_to_pg — COPY … FROM STDIN (CSV, HEADER, DELIMITER).
write_report — JSON-отчёт (профиль + DDL) — можно положить в reports/.

Контракты. В params передаём минимум: sep, encoding, target: {schema, table}, плюс ссылку на источник. Один DAG — меньше поддержки, понятный аудит.

Где здесь «живое знание»

Онто хранит не слайды, а рабочие сущности: сигнатуры, классы, шаблоны, результаты распознавания. Это позволяет:

воспроизводить маршрут для любого будущего файла того же типа;
объяснять почему был выбран именно такой путь (hash, пороги, кандидаты);
целостно связать инженера, пробы, LLM-подсказки и фактический импорт.

Почему это дешевле MVP-гоночки

Переиспользование. Один DatasetClass и один PipelineTemplate обслуживают множество файлов/источников.
Один DAG. Универсальный, параметризуемый, с контрактом — вместо «зоопарка» одноразовых скриптов.
Бережливость. Аналитика — в локальной пробе; сеть и LLM не расходуются «на всякий случай».
Меньше рисков. Хранилище и путь рассчитываются до загрузки; политика no-overwrite.

Чек-лист запуска

Создать в Онто шаблоны и (при необходимости) объект StorageConfig (bucket=raw, pathPatternRaw=raw/{dataset}/{yyyy}/{mm}/source-{uuid}.csv).
Запустить preflight_plan → получить payload.json.
Вызвать preflight_submit → получить signatureId, выбранный класс/шаблон и рассчитанный s3Key.
upload_url → загрузить файл по putUrl.
pipeline_import_pg (или dag_trigger) → дождаться runId и success.
Проверить таблицу в Postgres и отчёт (при желании — сложить в reports/).

Типичные ошибки и как их не допускать

Загрузка без выбора StorageConfig. Решение: storage-first.
Дублирующиеся файлы. Включить политику no-overwrite, добавлять суффикс к s3Key при коллизии.
Несогласованные sep/encoding. Передавать их из сигнатуры; не менять наугад в DAG.
«LLM всё решит». В нашем процессе LLM — только пояснитель; маршрут задают правила.

В следующей части — выводы: почему такой подход проходит у архитекторов и эксплуатации, чем «разработка на данных в Онто» выигрывает у серии одноразовых MVP и как бережливость вычислений превращается в реальную экономию.

Часть 3. Финал: риски LLM-оркестрации в проде, польза LLM как ассистента, экономика и рост качества

Почему «LLM-оркестратор» в проде — риск

Непредсказуемость и дрейф промптов. Один и тот же запрос может давать разные ответы из-за температуры, контекста и скрытых апдейтов модели. Для конвейера импорта это означает нестабильные маршруты и «случайные» DDL/касты.
Галлюцинации и уверенная неправда. LLM может «уверенно» придумать схему таблицы или правила сопоставления там, где данных недостаточно. В результате — поломка загрузки, накладные расходы на откаты и репроцессинг.
Невоспроизводимость. Решение, принятое вчера, сегодня может не воспроизвестись (новая версия модели, иной порядок сообщений). Без детерминированной опоры это превращается в «экзотику инженера», а не в промышленный процесс.
Комплаенс/ПДн. Автоматическая маршрутизация через LLM рискует случайно «протолкнуть» PII в неподходящее хранилище или без маскирования — с последствиями для безопасности и аудита.
Экономика. На «вспомогательные» задачи (определение разделителя, типов, маршрута) тратятся токены и цикл времени. Это не добавляет ценности, но накапливает счёт и задержки.
Операционные риски. Подменять инженера black-box-агентом — это рост MTTR и падение доверия эксплуатации: непонятно, почему принято решение и как его быстро повторить/исправить.

Вывод: в критическом пути должен работать детерминизм — алгоритмы, правила, хэши, пороги, проверяемые эвристики и чёткие контракты. LLM — рядом, но не вместо.

Где LLM реально полезен (как ассистент)

Документация и пояснения. Переводит «сухие» артефакты (сигнатура, выбор класса, DDL) в понятные краткие отчёты для инженера/архитектуры/менеджмента.
Шаблонная разработка. Генерирует болванку DAG, DDL, конфигов, README; ускоряет рутину, где цена ошибки низкая, а ревью — простое.
Диагностика и разбор инцидентов. По логам и артефактам объясняет, где «сломалось» сопоставление/загрузка, предлагает варианты фикса — но решение остаётся за инженером.
Навигация по знаниям. Помогает искать похожие DatasetClass, сравнивать заголовки, находить дубликаты — как «умная лупа» поверх Онто.
Контроль качества текста и UX. Причесывает сообщения об ошибках, делает инструкции яснее — снижает когнитивную нагрузку команды.

Золотое правило: алгоритмы принимают решения, LLM объясняет и ускоряет. Такой раздел ответственности и безопасен, и экономически оправдан.

Экономика: где мы выигрываем деньги и время

Состав TCO у «зоопарка» MVP: разрозненные скрипты, «одноразовые» пайплайны, много ручных перезапусков, разбор нестабильных решений LLM, рост нагрузки на инженеров поддержки.

Состав TCO у управляемого процесса:

Один универсальный DAG (параметризуемый) вместо множества кастомных — меньше сопровождения.
Переиспользуемые объекты Онто (DatasetClass/PipelineTemplate) — решение принимается один раз и живёт дальше; на новых источниках стоимость подключения падает.
Storage-first и presigned — меньше сетевых «танцев» и откатов; сервер не проксирует гигабайты.
LLM только там, где ускоряет — меньше «токенов на воздух».

Практический эффект: MVP за 3 дня одним экспертом, без «жёсткой» связки на капризную маршрутизацию LLM. Дальше масштабирование — это создание новых DatasetClass и правка шаблонов, а не переписывание конвейера.

Качество: как растёт предсказуемость и доверие

Воспроизводимость. Каждая «проба» оставляет DatasetSignature, каждая развилка — RecognitionResult. Любое решение объяснимо и может быть повторено байт-в-байт.
Управляемый онбординг источников. Новый файл → либо попадает в существующий DatasetClass, либо рождает draft, который инженер подтверждает. Человеческий контроль остаётся там, где он обязателен.
Снижение инцидентов. Порог/джаккард/хэши защищают от «ложноположительных» совпадений; StorageConfig выставляет понятные рамки (куда и что кладём).
Быстрые ревью и обучение команды. Шаблоны дают общий язык; отчёты читаемы и одинаковы для всех.

Операционная модель: как «встроить» это в прод

Правила в устав: storage-first, без проксирования байтов, LLM-assistant only, один DAG — много параметров, всё фиксируем в Онто.
Контракты и SLO. Контракт conf для DAG, SLO на шаги (проба, выбор, загрузка, импорт), понятные метрики (время полного прохода, % воспроизводимых маршрутов, доля auto-match vs draft).
Процедуры ревью. Чётко: кто утверждает DatasetClass, кто правит PipelineTemplate, при каких условиях переводим из draft в active.
Безопасность/ПДн. Маскирование в шаблоне, запрет загрузки без профиля PII, минимальные права на бакеты.
Обратная связь в модель. Любой инцидент — обновление правил/шаблонов, чтобы повторно не наступать.

Финальная позиция

Мы сознательно выбрали алгоритмический путь и сделали LLM ассистентом, а не «дирижёром» производства. Это:

снимает ключевые риски прод-оркестрации,
снижает стоимость владения,
ускоряет работу команды,
повышает качество и доверие архитектуры/поддержки.

Живое знание как процессный движок — это не лозунг. Это практика: Онто хранит факты и правила, MCP исполняет маршрут, MinIO/Airflow/Postgres делают своё дело. Так мы получаем предсказуемый, бережливый и воспроизводимый импорт — ровно тот, который проходит согласование и реально работает в большой организации.

Ну и итог

Материалы

Ссылка на презентацию pptx
Репозиторий на гитхаб

Живое знание как процессный движок для импорта данных