Заявка

    План закупок за 48 часов: от страницы задания до работающей системы

    Задание на 60 строк — ИИ-система планирования закупок для импортёра. За 15 часов работы с агентом заработали расчёт, дашборд, ежедневный запуск и сводка от ИИ. Шаги, инструменты, стек и приёмы работы с моделями.

    Задача

    Вечером 3 ноября 2026 года пришло тестовое задание: за 48 часов сделать ИИ-систему, которая помогает импортёру планировать закупки. Компания возит из Китая электроинструмент, садовую технику и сантехнику, поставка идёт 4–6 месяцев. Каждый месяц закупщики вручную сводят историю продаж, сезонность, остатки и заказы в пути и решают, что заказать.

    Система должна была отвечать на пять вопросов: что купить, сколько, на какой срок хватит запасов с учётом заказов в пути, когда размещать следующий заказ и где риск дефицита или избытка. Сдать нужно было три вещи: ссылку на дашборд, по которому можно принять решение; видео о том, как решение устроено внутри; и возможность запускать расчёт регулярно, а не один раз. Инструменты — на выбор исполнителя.

    К заданию прилагались шесть таблиц из учётной системы — продажи по месяцам, остатки, заказы поставщикам, приходы, справочники товаров и поставщиков — и описание данных. Артикулы и поставщики в данных уже были обезличены.

    Этот кейс — о пути от постановки до системы: что я делал по шагам, в каком порядке подключал инструменты, на чём построена система и как я работал с ИИ-моделями. Результат для заказчика описан в разделе «Работы»: план закупок для импортёра. Принцип, который из этой работы вырос, разобран в третьей части цикла «Автоматизация — как много в этом звуке».

    Постановка и реализация

    Задание — около 60 строк текста. Что из него выросло, видно по объёму.

    Постановка Реализация
    Текст Около 60 строк задания и описание данных Бриф с восемью бизнес-правилами, профиль данных, спецификация, сводка 26 решений, методика, инструкция оператору, видео на 6 минут
    Данные Шесть таблиц, 791 товар, продажи с 2021 года Проверка выгрузки, которая останавливает выпуск плана при ошибке; восстановленный спрос; снимок каждого расчёта
    Расчёт «Определить, что и сколько заказать» Движок на Python: 13 файлов, около 1 900 строк; прогноз, дневная симуляция остатка, правило заказа, риски, проверка на истории
    Интерфейс «Ссылка на дашборд» Дашборд из девяти разделов, около 1 800 строк JavaScript, на компьютере и телефоне, светлая и тёмная тема
    ИИ «ИИ-система» Сводка для закупщика по фактам расчёта с проверкой каждого числа; правила, навыки, проверяющие агенты и хуки для агента-разработчика
    Регулярность «Запускать повторно» Ежедневный запуск в GitHub Actions: проверка данных, тесты, расчёт, сводка, браузерная проверка, выкладка, проверка доступа
    Администрирование Не упоминалось Раздел с планом административной части: что в неё войдёт, шесть ролей, правила доступа и изменений, три этапа
    Проверки Не указаны 42 теста расчёта, 21 проверка совпадения правила заказа в расчёте и в дашборде, браузерная проверка всех экранов в двух размерах и двух темах

    В короткой постановке спрятаны решения, которые никто не сформулировал: что делать с месяцами, когда товара не было на складе, как считать срок поставки, если в данных он бывает отрицательным, что отвечать про обогреватель в августе. На эти вопросы и ушла большая часть работы.

    Хронология

    Когда Что сделано
    3–4 ноября Подготовка: бриф с бизнес-правилами, профиль данных, пять промптов, ответы моделей, спецификация и сводка решений. Исследование шло в других моделях параллельно и в расчёт времени не входит
    4 ноября, после 22:00 Начало работы с агентом для программирования: правила проекта, движок, проверка прогноза на истории
    5 ноября, 2:00–4:30 Первая версия в репозитории: расчёт, дашборд, регулярный запуск в GitHub Actions, выкладка, аудит доступности
    5 ноября, до 13:30 Сводка от ИИ со структурированным ответом, своя страница входа, раздел «API и модели», раздел «Администрирование» с планом административной части, описание состояния проекта
    6 ноября, около 3:00 Видео о системе на странице «Как устроено»

    Работа с агентом началась после 22:00 4 ноября. Первая версия с расчётом, дашбордом и выкладкой появилась примерно через 4 часа, система со сводкой от ИИ и страницей входа — примерно через 15 часов, видео — ещё через 13.

    Шаги

    1. Разобрать задание и данные

    Первым делом я превратил задание в бриф: что система определяет, что сдаётся и по какому признаку это принимается. Описание данных дало восемь бизнес-правил, и у каждого появилась проверка в продукте. Например: решение принимается против прогноза на срок «поставка плюс период покрытия», а не против текущих продаж; открытые заказы не заказываются повторно; месяц без продаж при нулевом остатке — это упущенный спрос, а не отсутствие спроса.

    Потом — профиль данных, и каждый факт в нём проверен расчётом, а не прочитан из описания:

    • из 791 товара за последние 12 месяцев продавались 413, у 378 продаж не было вовсе; у 68 наценка ниже порога в 25%;
    • в таблице остатков нет строк с нулём: отсутствие строки и есть ноль; с 2024 года таких товаро-месяцев с нулевыми продажами 10 465, и в них нули означают не «спроса нет», а «нечего было продать»;
    • из 57 открытых заказов 35 просрочены: дата прихода прошла, товар не пришёл;
    • плановый срок поставки — медиана 123 дня, но есть отрицательные значения и сроки больше 300 дней;
    • сезонность у категорий разная: обогреватели продают 36% годового объёма в октябре, триммеры и леска — 28–33% в мае, смесители — ровно весь год;
    • закупка идёт крупными редкими партиями: в среднем 0,65 прихода на товар в год.

    Из профиля вышла главная мысль для продукта. Данные заканчиваются в середине августа. Заказ, сделанный в этот день, придёт в декабре — после пика обогревателей, но как раз к весне для триммеров. Значит, система должна уметь сказать «сейчас не заказывать, заказать до такой-то даты к следующему сезону», а не только «заказать сейчас».

    2. Исследование в нескольких моделях

    Вместе с профилем данных были готовы пять промптов, и вопросы ушли разным моделям. Каждой — то, в чём она сильнее:

    Вопрос Модель Зачем
    Методика прогноза и правило заказа модель глубокого исследования Формулы и параметры движка
    Аналоги на рынке и устройство экранов поисковая модель Что показывать закупщику и чем отличаться от типовых решений
    Логистика из Китая и сезонность поисковая модель Сроки поставки, буферы, календарь фабрик
    Технический стек модель общего назначения Библиотеки, графики, таблицы, регулярный запуск
    Инструменты агента-разработчика две модели, затем сравнение Правила, навыки, проверяющие агенты, хуки

    Все промпты требовали одинаковую форму ответа: разделы по номерам вопросов, источники с датами, пометки уверенности, параметры в YAML, код вместо формул. Поэтому ответы разных моделей сводились в одну таблицу решений без пересказа.

    Ответы моделей я считал входными данными, а не решением. Сводка получилась из 26 пунктов, у каждого — что предложили, что я решил и почему. Часть принята, часть изменена, часть отклонена:

    • Изменено. Модель предложила считать дату заказа как «дата нулевого остатка минус срок поставки». У поставщика обогревателей срок 256 дней: остаток кончается сейчас, но заказ, сделанный сегодня, пролежал бы на складе до следующей осени. Дата заказа стала считаться от первой существенной нехватки после самого раннего возможного прихода.
    • Отклонено. Эвристика для упущенного спроса до 2024 года, когда остатков в данных нет, оказалась не нужна: сезонность считается по категории целиком, где пробелы размываются, а уровень товара — по последним 12 месяцам, где остатки известны.
    • Отклонено. Минимальная партия «половина медианной» раздувала бы мелкие заказы в разы. Вместо навязанного минимума — округление до круглых кратностей и подсказка с типичной партией из истории.
    • Найдена ошибка. В формуле приоритета у модели был перепутан дециль цены: в данных 10 — самые дорогие.
    • Проверено на данных. Наивная формула «по среднему» давала по смесителям 61,8 тыс. штук к заказу, формула «от прогноза остатка на дату прихода» — 34,0 тыс.

    Отдельным списком шло то, что нельзя брать на веру: версии пакетов, названия параметров API и синтаксис установки инструментов. Их я сверял с документацией в момент написания кода.

    3. Правила для агента

    Задание, данные и исследование я разбирал вместе с ИИ-ассистентом с доступом к файлам, а код писал агент для программирования. До первой строки кода у проекта появился файл правил — контракт, который агент читает в начале каждой сессии:

    • числа считает только движок; языковая модель объясняет факты из сохранённого расчёта и не меняет и не придумывает числа;
    • дата расчёта — конец данных, а не сегодняшний день;
    • выгрузку из учётной системы не изменять;
    • правило заказа существует в двух копиях — в расчёте и в дашборде, — менять обе и проверять их совпадение тестами;
    • любое изменение расчёта — это тест, проверка на истории и запись в методике; проверки не ослаблять ради зелёных тестов;
    • каждый запуск сохраняет отпечаток входных данных, настроек и версии кода; ошибка проверки данных останавливает выпуск плана.

    Вокруг контракта — инструменты, которые делают его исполнимым:

    • Шесть своих навыков для повторяемых операций: пересчитать план, проверить новую выгрузку, проверить прогноз на истории, объяснить рекомендацию по одному товару, сравнить два расчёта, подготовить сводку для закупщика.
    • Три проверяющих агента только с правом чтения: прогноз и правило заказа (утечки будущего, двойной учёт приходов, единицы), дашборд (понятность, состояния, доступность), данные и выходные файлы (схема, связность, выгрузка поставщикам). Код они не правят.
    • Два хука: после каждой правки — быстрые тесты затронутой части, перед коммитом — проверка результата расчёта по схеме. Ошибка возвращается агенту сразу после правки.

    4. Движок расчёта

    Расчёт — цепочка шагов на Python, от выгрузки до файлов для дашборда и поставщиков:

    1. Проверка данных. Схема, связность таблиц, даты, заказы в пути. Ошибка останавливает расчёт.
    2. Спрос вместо продаж. Месяцы, когда товара не было на складе, не учат прогноз тому, что спроса нет.
    3. Прогноз. Сезонность — по категории (медиана доли месяца в году за 2021–2025), уровень товара — экспоненциально взвешенный, с полупериодом 12 месяцев. Товары разделены на четыре класса по ровности спроса; для прерывистого спроса — свои методы. Отдельный тренд не применяется: на истории он давал завышение на 31%.
    4. Срок поставки. Медиана по поставщику, если наблюдений не меньше трёх, иначе 123 дня. Если производство попадает на остановку фабрик под Новый год по китайскому календарю, к сроку добавляются 14 дней.
    5. Дневная симуляция остатка с учётом заказов в пути. Просроченные заказы считаются пришедшими через 30 дней и получают отметку «проверить».
    6. Правило заказа. Количество — от прогноза остатка на дату прихода, с периодом покрытия 4 месяца для главных товаров и 6 для остальных и страховым запасом по ошибке прогноза, не больше двух месяцев спроса. Дата — от начала следующей потребности минус срок поставки.
    7. Риски. Дефицит — если нехватка до прихода не меньше пяти штук и не меньше половины месячных продаж; избыток — запас сверх 12 месяцев; отдельные списки для низкой наценки и мёртвого остатка.
    8. Выход. План в JSON по схеме, Excel с черновиками заказов по поставщикам, сводка для закупщика и отпечаток запуска.

    Модель прогноза выбрана проверкой на истории: семь точек старта в 2025 году, проверка на месяцах с 4-го по 9-й вперёд, только прошлые данные. Работать модель пошла только потому, что обошла простые методы.

    Ошибка (WAPE) Модель Как год назад Среднее 12 мес Среднее 6 мес
    По месяцам товара 69% 79% 114% 133%
    По сумме за окно заказа 43% 49% 82% 114%

    По категориям модель выигрывает в трёх из шести. Обогреватели по месяцам точнее прогнозирует «как год назад» — ассортимент меняется год к году; смесители — «среднее за 12 месяцев», спрос у них ровный.

    5. Дашборд

    Дашборд отвечает закупщику без таблиц на сотни строк: обзор с итогами и календарём заказов и приходов, черновики заказов по поставщикам, риски, карточка товара с разложением «почему столько», «что если» с параметрами, «что изменилось» между расчётами, методика и качество прогноза, «как устроено» с видео, «API и модели» и «Администрирование» с планом административной части.

    Модель для стека предлагала связку из графической библиотеки, табличного компонента и CSS-фреймворка. Я от неё отказался: в рабочей среде были закрыты пакетные репозитории, а тот же подход без сборки уже работал в моём проекте English Quest. Дашборд собран на ES-модулях без сборки, графики — на SVG, ноль внешних зависимостей. Правило заказа продублировано в JavaScript, чтобы «что если» пересчитывалось в браузере, а 21 тест проверяет, что обе копии дают одинаковый ответ.

    6. Административная часть: то, чего в задании не было

    Задание описывало дашборд для закупщика. Чтобы с системой каждый день работал отдел закупок, нужен ещё один слой, о котором в постановке не было ни слова: загрузка данных, пользователи и роли, параметры, справочники, журнал действий. В демо всё это делает разработчик: кладёт файлы выгрузки в проект, меняет параметры в файле настроек, подключает модель через секреты. Для рабочей версии так нельзя, поэтому в дашборде появился раздел «Администрирование» — описание того, что войдёт в административную часть, кто чем пользуется и в каком порядке её делать. Это план, а не готовый код.

    Что меняется при переходе от демо к рабочей версии:

    Что В демо В рабочей версии
    Загрузка данных Файлы выгрузки кладёт в проект разработчик Загрузка в интерфейсе или обмен с учётной системой по расписанию; проверка до приёма, версии выгрузок
    Пользователи Два общих логина на всех Личные учётные записи, роли, закрепление за категориями и поставщиками
    Параметры расчёта Файл настроек, меняет разработчик Экран с подсказками, предпросмотром эффекта, версиями и утверждением
    Запуск расчёта По расписанию или кнопкой в GitHub Кнопка «Пересчитать», статус по шагам, публикация после проверки
    Справочники Только то, что пришло в выгрузке Сроки поставки, минимальные партии и кратность, ответственные, ручные исключения
    Согласование заказов Отметка хранится только в браузере Статусы на сервере: кто, когда и с какой правкой согласовал
    Языковая модель Подключает разработчик Выбор модели, ключ и месячный бюджет — на экране администратора
    Журнал и уведомления Нет Журнал всех действий; утренняя сводка, ошибки загрузки и новый дефицит — на почту или в мессенджер

    Ролей шесть, и у каждой своя зона. Администратор управляет пользователями, доступами и подключениями, но закупочных решений не принимает. Руководитель закупок публикует расчёт и утверждает параметры и заказы отдела. Закупщик видит весь план, а править и согласовывать может только заказы по своим категориям и поставщикам. Аналитик отвечает за методику и параметры и предлагает изменения правил. Оператор данных загружает выгрузки, разбирает ошибки проверки и запускает расчёт. Наблюдатель — финансы, склад, руководство — только смотрит план и риски.

    Правила устройства:

    • права проверяет сервер, а не интерфейс: скрытая кнопка доступа не даёт;
    • изменение параметров — новая версия с комментарием, которая вступает в силу после утверждения вторым человеком; методика прогноза меняется только с проверкой на истории;
    • правка количества в заказе — только с причиной, и рядом видно, сколько предлагала система;
    • ключи моделей и пароли обмена с учётной системой хранятся на сервере в зашифрованном виде и не попадают в браузер;
    • журнал действий нельзя изменить или удалить.

    Движок, формулы, проверки данных и дашборд закупщика при этом не меняются: параметры движок будет брать из утверждённой версии, а не из файла. Добавляется серверное приложение с базой данных для пользователей, версий параметров, справочников, статусов заказов и журнала, хранилище выгрузок и очередь запусков.

    Я предложил делать её в три этапа:

    1. Основа: пользователи и роли, загрузка данных с проверкой, запуск и публикация расчёта, журнал действий.
    2. Управление расчётом: параметры с версиями и утверждением, справочники, статусы заказов на сервере.
    3. Интеграции: автоматический обмен с учётной системой, уведомления, языковая модель на экране администратора, вход через учётную запись компании.

    7. ИИ в продукте

    Сводку для закупщика пишет языковая модель — по фактам сохранённого расчёта, а не по сырым данным:

    Рис. 01 · Код считает, ИИ объясняет
    КОД СЧИТАЕТ01выгрузкаERP02проверкаданных03прогноз,остаток04план:числаошибка → выпуск остановленИИ ОБЪЯСНЯЕТ, ЧЕЛОВЕК УТВЕРЖДАЕТ05сводкамодели06сверка чисели артикулов07закупщикутверждаетшаблонрасхождениемодель недоступна —тоже шаблон
    Числа получает только расчёт. Модель пишет сводку по его фактам, каждое число и артикул сверяются; при расхождении или недоступности модели публикуется шаблон. Заказ утверждает закупщик.
    • Модель вызывается через API из стандартной библиотеки Python, без SDK: меньше зависимостей.
    • Ответ — структурированный: API возвращает JSON строго по схеме, пункты сводки и артикулы к каждому.
    • Каждое число и каждый артикул в тексте сверяются с расчётом. При расхождении, ошибке или без ключа публикуется шаблонная сводка, и в журнале остаётся код ошибки.
    • Модель можно сменить в настройках: есть адаптер для API разработчика и для совместимого формата других провайдеров.
    • Агента в ежедневном запуске нет. Сценарий предсказуемый: один вызов с фиксированной задачей, без прав на файлы и команды.

    8. Регулярный запуск и выкладка

    Расчёт запускается сам каждое утро в 07:40 по Москве, при новой выгрузке или изменении настроек и по кнопке. Шаги запуска в GitHub Actions:

    1. проверка данных;
    2. тесты расчёта и совпадения правила заказа в расчёте и дашборде;
    3. расчёт;
    4. браузерная проверка дашборда на свежем расчёте;
    5. сохранение снимка запуска в репозиторий;
    6. выкладка на хостинг;
    7. проверка доступа после выкладки;
    8. сводка запуска.

    Дашборд закрыт своей страницей входа: пароль с ограничением числа попыток или ссылка с ключом. Каждый расчёт хранит отпечаток — хеши данных, настроек и коммит, — поэтому «что изменилось» умеет сказать, отчего поменялся план: пришли новые данные, изменили настройки или код.

    9. Видео и документы

    Задание просило показать, как решение устроено внутри. Видео на шесть минут показывает дашборд, а затем проект: файл правил, навыки, проверяющих агентов, промпты исследования и регулярный запуск. Методика с формулами и инструкция оператору лежат в репозитории рядом с кодом.

    Порядок инструментов

    Шаг Инструмент Что делал инструмент Что делал я
    Разбор задания ИИ-ассистент с доступом к файлам Профиль данных расчётом, черновик брифа Бизнес-правила и признаки приёмки
    Исследование модель глубокого исследования, поисковая модель, модель общего назначения Ответы на пять вопросов в одной форме Промпты, сводка 26 решений, проверка на данных
    Спецификация ИИ-ассистент с доступом к файлам Черновик спецификации и сводки решений Утверждение формул, параметров и состава экранов
    Правила проекта агент для программирования Файл правил, навыки, проверяющие агенты, хуки Контракт: что считает код, что делает модель
    Движок и проверка на истории агент для программирования, проверяющий агент прогноза Код, тесты, бэктест, независимое ревью Выбор модели прогноза по бэктесту, пороги рисков
    Дашборд агент для программирования, проверяющий агент интерфейса, браузерные тесты Экраны, графики, проверка на двух размерах и в двух темах Что видит закупщик и в каком порядке
    Сводка от ИИ языковая модель через API Текст по фактам расчёта Схема ответа, правило сверки, шаблон при ошибке
    Регулярный запуск GitHub Actions Ежедневный расчёт, проверки, выкладка Расписание, условия остановки, доступ
    После сдачи две модели Внешняя проверка материалов к встрече Что из замечаний принять

    Стек

    Слой Что используется
    Расчёт Python 3.10+, pandas, numpy, pyyaml; Excel для поставщиков — openpyxl
    Контракт данных JSON Schema для плана; проверка перед коммитом и в CI
    Тесты pytest, тесты совпадения правила заказа на Node, Playwright для браузерной проверки
    Дашборд ES-модули без сборки, графики на SVG, шрифты Onest и IBM Plex Mono
    ИИ-слой API языковой модели из стандартной библиотеки Python, структурированный ответ по схеме, два адаптера провайдеров
    Регулярный запуск GitHub Actions: расписание, запуск при новой выгрузке, запуск по кнопке
    Хостинг SprintHost, выкладка по SSH с манифестом файлов, своя страница входа
    Разработка Агент для программирования с файлом правил, шестью навыками, тремя проверяющими агентами и двумя хуками

    Приёмы работы с ИИ-моделями

    1. Сначала свои факты, потом вопросы моделям. Профиль данных был посчитан до того, как ушли промпты. Без него нечем было бы проверить ответы: ни одна модель не знала, что в таблице остатков нет нулей.
    2. Одна форма ответа для всех моделей. Номера разделов, источники с датами, пометки уверенности, параметры в YAML. Ответы разных моделей становятся сравнимыми, и их можно свести в одну таблицу решений.
    3. Вопрос — той модели, которая с ним справится лучше. Методику — модели глубокого исследования, рынок и логистику — поисковой, со ссылками; стек и инструменты — модели общего назначения. Самый спорный вопрос — двум моделям, со сравнением.
    4. Ответ модели — гипотеза. Всё, что влияет на расчёт, проверено на данных или помечено «проверить при реализации». Из 26 пунктов сводки часть изменена или отклонена, и одна формула оказалась с ошибкой.
    5. Контракт в файле, а не в голове. Агент начинает каждую сессию с файла правил. Самое важное правило — «числа считает только движок» — держит и разработку, и продукт.
    6. Проверки вокруг агента. Хуки запускают тесты после каждой правки, проверяющие агенты только читают и дают независимый взгляд. Агент получает ошибку сразу и чинит её до того, как она уйдёт дальше.
    7. Модель в продукте — с узкими рамками. Один вызов, ответ по схеме, сверка каждого числа, шаблон при сбое, никаких прав агента в ежедневном запуске.
    8. Рекомендация модели проигрывает ограничениям среды. Модель предложила современный стек фронтенда; закрытые репозитории пакетов и рабочий опыт другого проекта сделали выбор в пользу кода без сборки.
    9. Внешняя проверка результата. Материалы к встрече с заказчиком прошли проверку в двух других моделях; что принято и что отклонено, записано с причиной.

    Ограничения

    • Это тестовое задание. Система работает на выгрузках заказчика, но в работу у закупщиков не внедрена, и проверки на живом цикле закупки не было.
    • Интеграции с учётной системой нет: расчёт идёт по выгрузкам в CSV.
    • Административная часть описана как план: пользователей, ролей, версий параметров и справочников в демо нет.
    • Денежных сумм в данных нет. Важность товара оценивается по штукам и ценовой группе внутри категории, эффект в деньгах не посчитан.
    • По двум категориям из шести простые методы прогнозируют точнее модели.
    • Возвраты, около 2% продаж, из продаж не вычтены.
    • Ссылки на дашборд в этой записи нет: он закрыт входом. Демо — по запросу.

    Как сделана эта статья

    Черновик собрала модель по документам проекта: брифу, профилю данных, сводке решений, методике, файлу правил, журналу и истории коммитов. Каждая цифра взята из этих документов, время шагов — из времени файлов и коммитов. Модели, которые участвовали в работе, названы по ролям. Заказчик не назван, артикулы и поставщики в данных обезличены. Вычитку и решение о публикации делаю я.

    Эльмар Гасанов

    Проверено человеком — 20.11.2026 · роли ИИ: поиск источников · кросс-проверка · код · черновик

    HUMAN_VERIFIED