neonix Обсудить задачу

Заказная разработка

Разрабатываем
AI-продукты и
сложные интеграции.

Создаём сервисы, подключаем AI к продуктам и строим инфраструктуру. Берём отдельный технический этап или разработку продукта целиком.

Обсудить задачу Смотреть проекты

01 / Проекты

Что мы разработали

От прототипа до продукта в продакшене.
Разрабатываем, запускаем и поддерживаем.
Проводим A/B-тесты и улучшаем экономику.

AI-продукты

AI · Продукт

Диалоговый AI-сервис в Telegram

Нужно было запустить AI-продукт в Telegram и объединить пользовательские сценарии, генерацию контента и оплату. При росте нагрузки — сохранять качество ответов и контролировать расходы на модели.

Мы разработали платформу с диалогами, генерацией изображений и Mini App, запустили её в продакшене и продолжаем поддержку. Настроили маршрутизацию запросов, модерацию и оценку качества. Добавили аналитику, подписки, оплату и биллинг токенов. Оптимизируем скорость ответов и расходы на модели.

Успешность обработки сообщений — 99,93%; медианное время полного ответа — 3,4 с вместо 13,7 с. Пиковая нагрузка — 16 тыс. сообщений в час.

  • TypeScript
  • Node.js
  • OpenRouter
  • PostgreSQL
  • GCP Pub/Sub
  • Kubernetes
Обсудить похожую задачу
Как сообщение проходит через платформу Сообщения из трёх чатов попадают в отдельные очереди. Каждое по очереди проходит три шага LLM-пайплайна; сбойный шаг повторяется. Ответ возвращается в чат потоком. Чаты Очередьпо чату LLM-пайплайн Ответпотоком 123 повтор шага
сообщений обработано
27,8 млн
обращений к LLM
≈35 млн
сгенерированных изображений
1,65 млн
пользователей писали в пиковый месяц
69 тыс.
A/B-тестирование маршрутизации AI-диалогов В A/B-тесте сравнили прежний LLM-вызов с компактной моделью решений. При сбое новой модели запрос возвращается к прежней LLM. Задержка шага по p95 сократилась примерно на 75%. Реплики Сравнение решений Режим ответа A · LLM-вызов B · Маршрутизатор возврат к LLM A/B Задержка · p95 было база стало −75%

AI · Оптимизация

Маршрутизация AI-диалогов

Перед каждым ответом AI-сервис обращался к LLM, чтобы выбрать режим диалога. Этот подготовительный шаг замедлял ответы и увеличивал расходы на модели.

Мы заменили подготовительный LLM-вызов компактной моделью и правилами в коде. Проверили решения на исторических сообщениях, затем провели A/B-тестирование на реальном трафике: сравнили скорость, стоимость и продуктовые метрики. Предусмотрели возврат к прежней LLM при сбое.

A/B-тест показал сокращение задержки маршрутизации примерно на 75% по p95. Расчётная экономия на этом этапе — около 40%.

  • Node.js
  • OpenRouter
  • PostgreSQL
  • Python
  • A/B-тест
Обсудить похожую задачу
Двухступенчатая проверка пользовательского контента Guard Model отмечает возможные нарушения в пользовательских сценариях, LLM Арбитр пересматривает спорные случаи. Система формирует рекомендации в отчёте, не меняя данные продукта автоматически. В тестовом прогоне очередь ручной проверки сократилась примерно на 55%. Сценарии Guard Model LLM Арбитр Рекомендация чисто нарушение? одобрить вручную блок допуск вручную блок Очередь ручной проверки было база стало −55%

AI · Безопасность

AI-модерация пользовательского контента

Пользователи создавали сотни диалоговых сценариев в месяц. Нужно было проверять контент до публикации и передавать спорные случаи модератору.

Мы разработали проверку в два этапа. Первая модель отмечает возможные нарушения, вторая пересматривает спорные случаи с учётом полного описания и объясняет решение. Система формирует отчёт для модератора; изменения в продукте остаются под его контролем.

В тестовом прогоне очередь ручной проверки сократилась примерно на 55%. Окончательное решение остаётся за модератором.

  • Guard Model
  • LLM Арбитр
  • OpenRouter
  • TypeScript
Обсудить похожую задачу
Как собирается тематический альбом LLM планирует сцены по теме, ComfyUI генерирует изображения. Кадры собираются в альбомы для разных уровней доступа с подписями на нескольких языках. Конвейер разработан, протестирован и запущен в продакшене. Он работает под наблюдением; материалы проходят проверку перед публикацией. Тема Генерация · ComfyUIComfyUI Альбом место поза ракурс эмоция Оценка кадров EN · RU EN · RU EN · RU альбом целиком В продакшене · под наблюдением

AI · Генерация контента

Генерация тематических альбомов

Для продукта требовалось регулярно готовить тематические альбомы: изображения, подписи на нескольких языках и наборы для разных уровней доступа.

Мы связали планирование сюжетов через LLM с генерацией в ComfyUI, подготовкой подписей и сборкой альбомов. Добавили агентский workflow, который составляет контент-план и оценивает кадры перед проверкой модератором.

Мы протестировали конвейер и запустили его в продакшене. Он работает под наблюдением; материалы проходят проверку перед публикацией.

  • ComfyUI
  • OpenRouter
  • WD14
  • Cloudflare R2
  • TypeScript
Обсудить похожую задачу
От описания внешности к модели лица По описанию генерируются три набора портретов, пользователь выбирает один. Для датасета на каждый кадр делается четыре дубля, лучший отбирается по сходству лица, слабые отсекаются порогом ArcFace. LoRA обучается по эпохам, лучшая эпоха выбирается автоматически. Описание 3 набора Датасет · ArcFace выбран 4 дубля,лучший порогсходства Обучение LoRA · выбор эпохи эпохи сходство лучшая LoRAготова

AI · Отдельный сервис

Обучение модели лица по описанию

Нужно было обучать модель лица по текстовому описанию внешности и сохранять сходство в разных сценах. Подготовку данных и обучение требовалось объединить в один процесс.

Мы построили процесс на Temporal: от выбора портрета до готовой LoRA. Автоматизировали создание датасета, отбор кадров по сходству лица, подписи и обучение на арендуемом GPU. Настроили повторную генерацию и выбор лучшей версии модели.

После выбора портрета сервис доводит обучение до готовой модели без ручных шагов. Доработка генерации примерно удвоила долю пригодных кадров в тесте. Тем же методом обучены десятки моделей для основной платформы.

  • Temporal
  • Krea-2
  • ai-toolkit
  • ArcFace
  • RunPod
  • PostgreSQL
Обсудить похожую задачу

AI · Инфраструктура

GPU-инфраструктура генерации

С ростом спроса на генерацию изображений продукту требовалась надёжная GPU-инфраструктура. Нужно было ускорить обработку, устранить зависания и масштабировать мощности под нагрузку.

Мы разработали автоскейлер для RunPod и оптимизировали процесс генерации. Доработали стандартные Docker-образы ComfyUI: устранили проблемы окружения и подготовили решение к стабильной работе в продакшене.

В тестах увеличили скорость выполнения workflow примерно на 75%. Инфраструктура работает в продакшене; при росте очереди автоскейлер подключает дополнительные GPU.

  • ComfyUI
  • RunPod
  • Docker
  • RTX 4090 / 5090
  • ONNX Runtime
  • Kubernetes
Обсудить похожую задачу
Генерация изображений на пуле GPU Задачи генерации ждут в очереди. Когда очередь растёт, автоскейлер включает дополнительные GPU, задачи расходятся по воркерам, готовые изображения появляются справа. В тестах скорость выполнения workflow выросла примерно на 75%. Очередь Пул GPU Готово автоскейлер 4 GPU 8 GPU GPU GPU GPU GPU GPU GPU GPU GPU Скорость workflow · тест было база стало +75%

Web3-системы

Инфраструктура, интеграции и поддержка блокчейн-продуктов.

Web3 · Продакшен и поддержка

Общая платформа Web3-продуктов

Для DEX, стейкинга, маркетплейса и других Web3-продуктов требовалась общая платформа данных и интеграций. Нужно было поддерживать сервисы в продакшене, выпускать обновления и соблюдать SLA при пиковых нагрузках.

Мы сопровождали инфраструктуру на Kubernetes в GCP и развивали фреймворк индексации: от узлов сети через Kafka и индексаторы на Rust до хранилищ и API продуктов. Поддерживали интеграции с кошельком и блокчейном. Настроили мониторинг, CI/CD и релизный процесс, контролировали соблюдение SLA.

Общая платформа обеспечивала работу нескольких продуктов и их API в продакшене. В тестовой сети экосистемы насчитывалось более 1 млн кошельков и свыше 500 млн транзакций.

  • Kubernetes
  • GCP
  • Kafka
  • Rust
  • PostgreSQL / TiDB
  • GitLab CI
  • Helm
Обсудить похожую задачу
Общая платформа данных Web3-продуктов Узел сети отдаёт блоки в Kafka, продуктовые индексаторы на Rust разбирают события и записывают их в PostgreSQL и TiDB, API читает из базы и отвечает нескольким приложениям. Платформа сопровождается в продакшене: мониторинг, релизный процесс и контроль соблюдения SLA. Узел сети Kafka Индексаторы · Rust Приложения API PostgreSQL / TiDB Продакшен · мониторинг · релизы
Мост между TON-like сетью и сетью на базе Substrate Контракт в TON-like сети публикует сообщение. Три релейера видят его и голосуют в сети на базе Substrate; после голосования модуль Substrate выполняет сообщение. Затем сообщение идёт в обратную сторону. TON-like Релейеры Substrate контракт модуль R1 R2 R3 TON-like → Substrate Substrate → TON-like

Web3 · Интеграция

Межсетевой мост

Нужно было связать TON-like сеть и сеть на базе Substrate: обеспечить передачу сообщений в обе стороны и согласовать работу контрактов, модулей и релейеров.

Мы адаптировали ChainBridge: добавили поддержку TON-like сети в Go-релейер и доработали модули Substrate на Rust. Собрали стенд из двух сетей и трёх релейеров, проверили взаимодействие компонентов и подготовили документацию.

Реализовали двунаправленный мост и локальный стенд для проверки. Передали код и документацию по всем этапам грантовой разработки.

  • TON-like
  • Substrate
  • Go
  • Rust
  • ChainBridge
  • Docker Compose
Обсудить похожую задачу
Сессия клиента и оператора в протоколе доступа к данным Архитектурная схема: VRF выбирает оператора из сети. Клиент открывает с ним сессию и отправляет запросы; каждый запрос попадает в журнал на дереве Меркла. Корень журнала подтверждается подписанным ваучером. Клиент Операторы VRF 1 2 3 4 5 Журнал запросов · дерево Меркла ваучер выбор оператора сессия и журнал ваучер

Web3 · Архитектура

Архитектура протокола доступа к данным

Нужно было спроектировать сеть, в которой независимые операторы обслуживают запросы напрямую. Протокол должен учитывать выполненную работу и распределять вознаграждения без записи каждого запроса в блокчейн.

Мы разделили обслуживание запросов, подтверждение работы и расчёты. Спроектировали клиентские сессии, подписанные состояния, журнал на дереве Меркла и расчёты по ваучерам. Проработали выбор операторов через VRF, стейкинг и риски сговора.

Подготовили архитектурную модель: описали взаимодействие участников и расчёты, зафиксировали точки доверия и ограничения защиты от сговора.

  • EVM
  • VRF
  • Деревья Меркла
  • Цифровые подписи
Обсудить похожую задачу

02 / Направления

От идеи до продукта
в продакшене

Берём продукт целиком или подключаемся
на нужном этапе его развития.

От идеи
до запуска

Есть идея на салфетке — нужен работающий продукт.

Помогаем уточнить сценарии и проверить гипотезы. Собираем прототип, разрабатываем продукт, подключаем данные, платежи и внешние сервисы. Доводим до запуска и продолжаем развитие.

AI-системы
и генерация

Нужно встроить AI в продукт или автоматизировать процесс.

Подключаем LLM к данным и инструментам, собираем агентские workflow и генерацию изображений. Настраиваем оценку качества, интегрируем ComfyUI и GPU-инфраструктуру — от прототипа до стабильной работы в продукте.

Аналитика, A/B-тесты
и экономика

Нужно понять, что улучшать и как снизить затраты продукта.

Настраиваем события, воронки и дашборды. Проводим A/B-тесты, оцениваем влияние изменений на качество, конверсию и выручку. Считаем стоимость LLM, GPU и инфраструктуры, помогаем улучшить экономику продукта.

Продакшен
под нагрузкой

Продукт нужно надёжно запускать, масштабировать и поддерживать.

Сопровождаем backend, AI- и Web3-сервисы. Настраиваем наблюдаемость: метрики, логи, трассировки и оповещения. Организуем CI/CD, релизы и масштабирование, устраняем сбои и поддерживаем работу в рамках согласованного SLA.

03 / Как работаем

Запускаем продукт.
Развиваем дальше.

Продукт с нуля

Отдельный этап

Развитие и поддержка

Для агентств — подключаемся к разработке и поддержке клиентского продукта.

  1. 01

    Определяем первый шаг

    Разбираем идею или текущий продукт: сценарии, код, данные и ограничения. Согласуем первый этап, критерии результата, сроки и бюджет.

  2. 02

    Разрабатываем и запускаем

    Собираем и проверяем решение, подключаем интеграции. Готовим инфраструктуру, аналитику и наблюдаемость. Запускаем в продакшене, передаём код и документацию.

  3. 03

    Поддерживаем и улучшаем

    Следим за стабильностью и нагрузкой, выпускаем обновления. Проверяем гипотезы в A/B-тестах, оцениваем качество и экономику продукта, выбираем следующие улучшения по данным.

04 / Перед обращением

Несколько
частых вопросов

Можно ли начать с одной идеи?

Да. Достаточно описать идею, для кого нужен продукт и какую задачу он решает. Вместе уточним сценарии, выберем гипотезы для проверки и определим первый этап. Полное ТЗ для первого обращения не требуется.

Можно ли подключиться к работающему продукту?

Да. Изучаем текущую систему и выбираем нужный этап: интеграцию AI, новый модуль, настройку аналитики и A/B-тестов, оптимизацию расходов или подготовку к росту нагрузки. Можем работать вместе с вашей командой.

Что происходит после запуска?

Продолжаем сопровождение: следим за стабильностью, разбираем сбои, выпускаем обновления и масштабируем под нагрузку. Согласуем уровень поддержки и SLA. Помогаем развивать продукт по данным аналитики и A/B-тестов.

Как оцениваются стоимость и сроки?

Сначала разбираем задачу, состояние продукта и зависимости. Затем оцениваем первый этап: объём, сроки, бюджет и критерии результата. Дальнейшее развитие и поддержку согласуем отдельно.

Что получаем по итогам этапа?

Работающий результат, код, конфигурации и документацию. При запуске продукта — также настроенные интеграции, аналитику и наблюдаемость. Состав работ и передаваемых материалов фиксируем до начала этапа.

Блог neonix

Как устроено.
Почему работает.

Разбираем AI-агентов, архитектуру
и работу продукта под нагрузкой.

Все статьи

05 / Контакт

Обсудим
вашу задачу

Расскажите, что уже есть, что нужно сделать и какие ограничения важны. Подробное ТЗ для первого обращения не требуется.

Начать можно с одного технического этапа.

Контакт, по которому вам удобно получить ответ.

От 10 до 4000 символов.

Приём заявок через форму пока недоступен.

Контакт и описание задачи нужны, чтобы ответить на заявку. Как мы обрабатываем данные.

Ваш выбор

Отказ не ограничит работу сайта и формы. Изменить выбор можно в «Настройках cookies» в футере. Подробнее о cookies.