Проекты

Инженерные проекты Max AI

Это собственные инженерные проекты и исследовательские контуры, а не выдуманные клиентские кейсы. Для каждого проекта отделяю проверенное от того, что ещё не доказано.

OpenClaw / AI Agent OsEngine / AI Agent Knowledge system Atlas / Hermes Knowledge System

OpenClaw / AI Agent

Задача

Собрать собственный AI-контур, который живёт как рабочая операторская система, а не как разовая демо-сессия.

Архитектура верхнего уровня

Отдельный runtime, Telegram и другие интеграции, рабочая память и эксплуатационные правила вокруг изменений.

Что сделано

рабочий production/operator runtime
Telegram и интеграции в реальном контуре
разделение production и lab
процедуры backup, update, rollback и recovery

Что проверено

Контур используется как собственная рабочая система; подробности приватной инфраструктуры и секреты публично не раскрываются.

Что пока не утверждаем

Этот проект не является обещанием универсальной автономности. Права и действия агента зависят от конкретного сценария.

Инженерный вывод

Агент становится полезным только вместе с рабочими правилами эксплуатации, восстановления и контролируемых изменений.

Где это применимо клиенту

Подход применим там, где нужен приватный ассистент или агент с Telegram, инструментами, памятью и устойчивой эксплуатацией.

Перейти в раздел OpenClaw

OsEngine / AI Agent

Задача

Отделить профессиональный слой AI-агента для работы с проектом OsEngine от конкретного agent harness.

Архитектура верхнего уровня

Root rules, project-local skills, routing и рабочие процедуры хранят профессию агента отдельно от конкретного runtime.

Что сделано

профессиональный agent layer отделён от harness
routing и project-local skills применяются к реальному проекту
clean deployment подтверждён в CodexApp
clean deployment подтверждён в OpenClaw

Что проверено

Clean deployment PASS в CodexApp и OpenClaw - проверка от 2 августа 2026 года.

Что пока не утверждаем

Проект не заявляет автономную реальную торговлю. Live trading и реальные ордера - отдельный уровень explicit permission и отдельная проверка безопасности.

Инженерный вывод

Профессию агента можно переносить между runtime, если правила, skills и routing оформлены как самостоятельный слой.

Где это применимо клиенту

Подход полезен для команд, которые хотят не привязывать рабочие процедуры AI-агента к одному вендору или одному интерфейсу.

Knowledge system

Atlas / Hermes Knowledge System

Задача

Сделать знания пригодными для AI: с нормализацией, классификацией, provenance, контролем актуальности и проверяемым retrieval.

Архитектура верхнего уровня

KB v2 и отдельный Knowledge Compiler со staged pipeline: normalization → classification → validation → provenance → release.

Что сделано

KB v2
golden retrieval acceptance 19/19 PASS
runtime status READY_MINIMAL
Knowledge Compiler со staged validation/provenance pipeline

Что проверено

Acceptance snapshot от 6 августа 2026 года: 867 documents, 11 970 chunks и 11 477 semantic vectors. Эти числа фиксируют состояние на дату проверки, а не вечный текущий размер базы.

Что пока не утверждаем

На конец источников 7 августа 2026 года clean VM deployment 2/2 и полностью unattended production deployment ещё не были доказаны, поэтому project не маркируется как полностью production-proven.

Инженерный вывод

Knowledge system требует не только embeddings, но и currentness, provenance, validation и управляемого release процесса.

Где это применимо клиенту

Подход применим к внутренним документам, регламентам и архивам, где AI должен находить актуальные знания и уметь показать источник.

Нужно применить эти принципы к вашему процессу?

Проекты здесь - не готовые коробочные продукты. Полезнее разобрать конкретный процесс и выбрать минимальную архитектуру под него.

Обсудить задачу