Экосистема AI-агентов

2 квартал 2025 года.

Это интеллектуальный помощник приёмной комиссии Казахстанско-Американского свободного университета. Для его работы используется локальная LLM и RAG-система, для поиска релевантных ответов по запросу пользователя.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 База данных PostgreSQL - Используется для хранения эмбеддингов (векторов) ответов, разрезанных на текстовые чанки;
• 2 Локальная модель Qwen3-Embedding-0.6B - Мультиязычная модель, используемая для генерации векторных представлений (эмбеддингов) текстов;
  • Контекст модели: 32 768 токена.
• 3 Локальная модель Google/Gemma-4-31B - Мультиязычная языковая модель с поддержкой tool_choice, позволяющая подключать внешние инструменты, такие как поиск в Интернете и возможностью обработки данных из RAG-системы;
  • Контекст модели: 7 500 токенов.
• 4 Механизм RAG и RAG-Fusion - Используются для объединения и ранжирования результатов из нескольких запросов и формирования наиболее релевантного контекста перед генерацией ответа моделью;
• 5 Механизм Reranking при помощи модели bge-reranker-v2-m3 - Используется для отбора одного наиболее точного и релевантного ответа из множества найденных фрагментов;
• 6 Голосовое распознавание + модели RVC - Работает на базе локальной модели Vosk, обеспечивая преобразование речи в текст (пока что на русском) и сервер RVC для генерации человечного голосового ответа;
• 7 Конечный результат - Передача конечного сообщения в формате:
  prompt копировать

  {Контекст}: %Результат%.
  {Вопрос}: %Вопрос%.
  {Примечание}: Дай ответ абитуриенту.

Агент доступен круглосуточно в Telegram и помогает абитуриентам, родителям и школьникам узнать всё о поступлении в наш университет.

2 квартал 2025 года.

Это библиотечный ассистент, который помогает пользователям находить книги, рекомендовать новинки, составлять таблицы и сравнивать их, а также автоматически оформлять библиографические ссылки по ГОСТ.

Временно используется решение от компании OpenAI в виде API-доступа к моделям. В скором времени будет осуществлён переход на локальную LLM. Идёт тестирование заполнения таблиц на локальной LLM.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 База данных MySQL - После выполнения интеграции автоматизированной библиотечной системы КАБИС, у данного агента появилась возможность выполнять запросы к базе данных с книгами, для предоставления ответа пользователю на его вопрос;
• 2 Использование API РМЭБ и IPRSmart - Выполнение запросов к ресурсам для поиска и извлечения книг;
• 3 Модель gpt-4o-mini - Мультиязычная модель, которая использует tool_choice для выполнения запросов к базе данных с книгами и выдачи результатов;
  • Контекст модели: 65 536 токенов.
• 4 Конечный результат - Модель отвечает на базовые вопросы, связанные с библиотекой. В случаях, если пользователь запрашивает какие-либо книги - модель выбирает, когда ей вызывать функции, после вызова которых выдаёт конечный результат пользователю.

Библиотечный ассистент доступен на сайте университета и круглосуточно помогает студентам, преподавателям и исследователям.

4 квартал 2025 года.

Это AI-платформа для автоматизированного создания образовательных курсов, записи лекций с AI-аватарами и генерации тестов.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 Запись видео с AI-аватарами преподавателей - Встроенная система создания видеоуроков с реалистичными AI-аватарами. Аватары генерируются на основе фото и аудиозаписей реальных преподавателей, что создаёт эффект «живого присутствия» и повышает доверие студентов;
• 2 Генерация учебных материалов - Агент автоматически формирует тексты лекций, презентации, методические пособия и практические задания по заданной дисциплине. При этом используются шаблоны университетского стандарта и базы данных дисциплин;
• 3 Реалистичные AI-аватары - Применяются модели генерации лиц и синхронизации речи с высокой степенью реалистичности (до 95%). Благодаря этому студенты воспринимают контент как живую лекцию, что повышает вовлечённость и доверие к преподавателю;
• 4 Конечный результат - Агент создаёт готовый мультимедийный курс: включает видеолекции, методические материалы, тесты и ссылки. Преподавателю остаётся только утвердить и опубликовать курс;
• 5 Создание тестов - Для генерации тестов в формате GIFT и лекционных материалов используется локальная модель Google/Gemma-4-31B
  • Контекст модели: 9 500 токенов.
• 6 Создание изображений - Для генерации изображений используется локальная модель Fooocus и видеокарта RTX 5090 32 VRAM.

AI-платформа доступна круглосуточно, позволяя пользователям в любое время создавать высококачественные видео с виртуальными аватарами, синтезом речи и поддержкой множества языков, а также лекционные материалы и тесты.

4 квартал 2025 года.

Цифровой ассистент для помощи в адаптации иностранных студентов Казахстанско-Американского свободного университета. Отвечает на вопросы о проживании, визовой поддержке, учебном процессе и студенческой жизни.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 FastAPI - Веб-фреймворк для построения API и обработки запросов пользователей;
• 2 Redis - Используется для временного хранения истории чатов;
• 3 Локальная модель Qwen3-Embedding-0.6B - Создаёт эмбеддинги и помогает системе понимать смысл запросов;
  • Контекст модели: 32 768 токенов.
• 4 Локальная модель Google/Gemma-4-31B - Основная языковая модель для генерации ответов пользователю;
  • Контекст модели: 7 500 токенов.
• 5 LangChain - Библиотека, обеспечивающая взаимодействие между локальными моделями и логикой диалога;
• 6 Конечный результат - Персонализированный ответ на вопросы иностранных студентов:
  prompt копировать

  {Вопрос}: Какие образовательные программы доступны?
  {Ответ}: Доступны следующие образовательные программы: …
  

Агент доступен круглосуточно и размещён на платформе KAFU AI-Sana. Его цель - облегчить процесс адаптации иностранных студентов и сделать коммуникацию с университетом более удобной и понятной.

2 квартал 2025 года.

Это интеллектуальный помощник обучающихся Казахстанско-Американского свободного университета. Для его работы используется локальная LLM и RAG-система, для поиска релевантных ответов по запросу пользователя.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 База данных PostgreSQL - Используется для хранения эмбеддингов (векторов) ответов, разрезанных на текстовые чанки;
• 2 Локальная модель Qwen3-Embedding-0.6B - Мультиязычная модель, используемая для генерации векторных представлений (эмбеддингов) текстов;
  • Контекст модели: 32 768 токена.
• 3 Локальная модель Google/Gemma-4-31B - Мультиязычная языковая модель с поддержкой tool_choice, позволяющая подключать внешние инструменты, такие как поиск в Интернете и возможностью обработки данных из RAG-системы;
  • Контекст модели: 7 500 токенов.
• 4 Механизм RAG и RAG-Fusion - Используются для объединения и ранжирования результатов из нескольких запросов и формирования наиболее релевантного контекста перед генерацией ответа моделью;
• 5 Механизм Reranking при помощи модели bge-reranker-v2-m3 - Используется для отбора одного наиболее точного и релевантного ответа из множества найденных фрагментов;
• 6 Голосовое распознавание + модели RVC - Работает на базе локальной модели Vosk, обеспечивая преобразование речи в текст (пока что на русском) и сервер RVC для генерации человечного голосового ответа;
• 7 Конечный результат - Передача конечного сообщения в формате:
  prompt копировать

  {Контекст}: %Результат%.
  {Вопрос}: %Вопрос%.
  {Примечание}: Дай ответ студенту.

Агент доступен круглосуточно в Telegram и помогает студентам узнать необходимую информацию по поводу нашего университета.

2 квартал 2026 года.

Это интеллектуальный помощник обучающихся Казахстанско-Американского свободного университета. Для его работы используется локальная LLM с возможностью tool_choice для персонального подбора психологических тестов.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 ASP.NET - Используется в качестве микросервиса для управления работой агента;
• 2 База данных MySQL - Используется для хранения заявок от студентов (связь с психологом) и дополнительной информации;
• 3 База данных PostgreSQL - Используется для хранения второстепенной информации (эмбеддингов (векторов)), такой как информация об университете или номер психолога;
• 4 NoSQL база данных - Используется для быстрой загрузки и временного хранения истории чата;
• 5 Локальная модель Whisper - Используется локальная мультиязычная модель ggml-large-v3 для распознавания речи;
• 6 Локальная модель Qwen3-Embedding-0.6B - Мультиязычная модель, используемая для генерации векторных представлений (эмбеддингов) текстов;
  • Контекст модели: 32 768 токена.
• 7 Локальная модель Google/Gemma-4-31B - Основная языковая модель для генерации ответов пользователю с возможностью tool_choice для подбора психологических тестов;
  • Контекст модели: 9 500 токенов.
• 8 Конечный результат - Модель отвечает на базовые вопросы, связанные с психологической поддержкой, и оказывает помощь. В зависимости от запроса пользователя она подбирает подходящие психологические тесты, даёт рекомендации и при необходимости предлагает оформить заявку на связь с психологом, после чего выдаёт конечный результат пользователю.

Агент доступен круглосуточно на платформе AI-Sana и всегда готов поддержать студента в трудную минуту.

4 квартал 2026 года.

Это публичный сервис для учёных и исследователей Казахстана. Он отвечает на два вопроса - безопасно ли публиковаться в конкретном журнале и в какие издания имеет смысл подать статью по её теме. Проверка ведётся по официальным спискам, а подбор - по смысловой близости аннотации к тематике журнала, для чего используется локальная языковая модель и векторный поиск.

Ниже представлены основные технологии и компоненты, обеспечивающие работу агента.

• 1 FastAPI и SQLAlchemy - Используются в качестве микросервиса с асинхронным доступом к базе через asyncpg;
• 2 База данных PostgreSQL - Хранит каталог журналов, их принадлежность к спискам и метрики; расширение pg_trgm обеспечивает поиск по неточному написанию названия;
• 3 Расширение pgvector - Хранение эмбеддингов в типе halfvec с индексом HNSW по косинусной близости для поиска по десяткам тысяч журналов за миллисекунды;
• 4 Источники данных - DOAJ, Scopus (действующие и исключённые), OpenAlex, Scimago, Beall's List и перечень изданий КОКНВО МНВО РК;
  • Обновление: Автоматическое, по расписанию.
• 5 Локальная модель Qwen3-Embedding-0.6B - Мультиязычная модель для генерации векторных представлений (эмбеддингов) тематики журналов и аннотации пользователя;
  • Размерность вектора: 1 024.
• 6 Локальная модель Google/Gemma-4-31B - Переводит аннотацию на английский язык, а короткий запрос в несколько слов разворачивает до полноценной аннотации с методами и подобластями - без этого вектор получается размытым и подбор теряет точность;
  • Контекст модели: 7 680 токенов.
• 7 KAFU Global API - Единая точка доступа к инфраструктуре университета: /api/ai/v1/chat/completions и /api/ai/v1/embeddings. Аннотации исследователей не покидают контур университета;
• 8 Фронтенд на React и Vite - Интерфейс на TypeScript и Tailwind CSS с переводом на казахский, русский и английский языки;
• 9 Конечный результат - Вердикт по журналу со ссылками на источники либо список изданий, отсортированный по смысловой близости, с автоматическим исключением хищнических и фильтрами по квартилю, открытому доступу и перечню КОКНВО.

Сервис бесплатный и открыт для всех исследователей Казахстана. Он помогает не потерять деньги и репутацию на публикации в недобросовестном издании и выбрать журнал, который засчитают при защите диссертации.

4 квартал 2026 года.

Это веб-платформа мониторинга качества воздуха Казахстана для обучающихся, преподавателей и жителей Восточно-Казахстанской области. Вся страна показана одной интерактивной картой. Отдельная вкладка - ИИ-агент, который сам обращается к данным через tool_choice, ищет в интернете и строит графики прямо в переписке. Данные отдаются наружу открытым API по токену, поэтому индекс можно встроить в Moodle или на любой сайт университета.

Ниже представлены основные технологии и компоненты, обеспечивающие работу платформы мониторинга воздуха.

• 1 Node.js и Express - Используются в качестве микросервиса, который собирает данные, держит кэш и отдаёт их интерфейсу и внешним потребителям;
• 2 Vite - Сборка фронтенда без фреймворка. Карта, панель региона, чат и страница API собираются в статические файлы;
• 3 Интерактивная карта на SVG - Геометрически точные границы двадцати областей, масштабирование, перетаскивание и подсветка выбранного региона рисуются вручную, без картографических библиотек;
• 4 Модель CAMS через Open-Meteo - Расчётная оценка качества воздуха для точки города, разрешение около 45 км; покрывает всю территорию страны, включая места без станций;
• 5 Сеть наземных станций - Показания городских датчиков по шкале US AQI; молчащие станции отбрасываются, иначе они втрое занижают средний индекс города;
  • В ответе всегда видно, что именно вернулось: Станции или модель.
• 6 Локальная модель Google/Gemma-4-31B - Основная языковая модель ИИ-агента, подключена через KAFU Global API с нативной поддержкой tools и потоковой генерации;
  • Контекст модели: 7 680 токенов.
• 7 Инструменты агента - Агент сам решает, чем воспользоваться. Он может посмотреть загрязнение и погоду, сравнить города, поднять историю станции, поискать в интернете или построить график;
  • Графики рисуются в самой переписке: Динамика, столбцы, доли загрязнителей и прогноз погоды.
• 8 Потоковая передача через SSE - Ответ идёт по мере генерации. Сначала раскрываются карточки вызванных инструментов, затем текст с разметкой; кнопка отправки превращается в квадрат и останавливает поток;
• 9 Открытый API с токенами - Любой пользователь выпускает себе ключ вида kafu-eco-tk-... и запрашивает данные по любому городу страны;
  • На сервере хранится только SHA-256 от токена, сверка идёт за постоянное время.
  • Выпуск фиксируется по IP, устройству и cookie, администратор в любой момент времени может отозвать токен.
• 10 Конечный результат - Карта, разговор с агентом и открытый API работают на одних и тех же данных, а готовый HTML-блок показывает текущий индекс прямо в Moodle и обновляет его каждый час.

Платформа открыта для всех, карту можно смотреть без регистрации, а токен для доступа к данным выпускается в один клик на странице API.

4 квартал 2026 года.

Это агент для кафедр и учебно-методического отдела Казахстанско-Американского свободного университета. На вход подаётся рабочий учебный план в формате .xls, на выходе получается заполненная форма «Сведения о наличии фонда учебной, учебно-методической и научной литературы» на русском и казахском листах. Литература подбирается из реального фонда библиотеки КАСУ локальной языковой моделью, работающей через механизм tool_choice.

Ниже представлены основные технологии и компоненты, обеспечивающие работу агента.

• 1 FastAPI и Uvicorn - Используются в качестве микросервисадля приёма учебного плана, очередь задач и выдача хода работы в реальном времени;
• 2 Разбор учебного плана - Библиотеки xlrd и openpyxl извлекают дисциплины на двух языках и шифр образовательной программы с титульного листа;
• 3 База данных SQLite - Единый локальный каталог фонда с полнотекстовым индексом и векторными представлениями книг;
• 4 Источники литературы - Каталоги КАБИС (печатный фонд), IPR SMART и РМЭБ (электронные издания), суммарно свыше 80 тысяч наименований;
  • Поиск: Полнотекстовый и смысловой.
• 5 Локальная модель Qwen3-Embedding-0.6B - Мультиязычная модель для генерации векторных представлений (эмбеддингов) названий и аннотаций книг;
  • Размерность вектора: 1 024.
• 6 Локальная модель Google/Gemma-4-31B - Основная языковая модель, которая формулирует поисковые запросы, оценивает релевантность изданий теме дисциплины и возвращает итоговый отбор через tool_choice;
  • Контекст модели: 7 680 токенов.
• 7 KAFU Global API - Единая точка доступа к инфраструктуре университета: /api/ai/v1/chat/completions для модели и /api/ai/v1/embeddings для векторов. Данные не покидают контур университета;
• 8 Фронтенд на Vite - Интерфейс с живым ходом подбора по дисциплинам и переводом на три языка через словари JSON;
• 9 Конечный результат - Готовое Приложение в формате .xlsx на русском и казахском листах, а также версия с пометками, где спорные издания выделены красным для проверки специалистом.

Работа, занимавшая у преподавателя до недели на одну образовательную программу, выполняется агентом примерно за 5-10 минут. Итоговую форму остаётся только проверить и подписать.

3 квартал 2026 года.

Это голосовой ИИ-помощник на входе в университет, находящийся на сенсорном киоске для обучающихся и гостей Казахстанско-Американского свободного университета. Для его работы используется локальная LLM с возможностью tool_choice для выбора инструментов и RAG, модель Whisper и CosyVoice3 для распознавания и генерации речи.

Ниже представлены основные технологии и компоненты, обеспечивающие работу интеллектуального агента университета.

• 1 ASP.NET - Используется в качестве микросервиса для управления работой агента;
• 2 Движок Live2D - Используется для «оживления» 2D-рендера кошки с символикой в качестве маскота университета;
• 3 Библиотека OpenGL - Используется для отрисовки кошки и всего интерфейса поверх неё;
• 4 База данных PostgreSQL - Используется для хранения (эмбеддингов (векторов)), в которой хранится вся необходимая информация для ответов на вопросы;
• 5 Локальная модель Whisper - Используется локальная мультиязычная модель ggml-large-v3 для распознавания речи;
• 6 Локальная модель CosyVoice3 - Используется локальная мультиязычная модель CosyVoice3 для генерации естественной речи с эмоциями и паузами между знаками препинания и возможностью использования любого голоса при помощи zero-shot voice cloning;
• 7 Локальная модель Qwen3-Embedding-0.6B - Мультиязычная модель, используемая для генерации векторных представлений (эмбеддингов) текстов;
  • Контекст модели: 32 768 токена.
• 8 Локальная модель Google/Gemma-4-31B - Основная языковая модель для генерации ответов пользователю с возможностью tool_choice и последующим озвучиванием текста;
  • Контекст модели: 9 500 токенов.
• 9 Конечный результат - Модель использует потоковую генерацию stream: true, отдавая куски текста в input модели озвучивания для ответов на вопросы студентов и гостей университета.

Голосовой ИИ-агент находится в университете и с радостью готов помочь любому студенту с его вопросом.

3 квартал 2026 года.

Это ИИ-агент проверки учебных курсов на портале moodle.kafu.edu.kz, который сверяет фактическое наполнение курсов с утверждённой учебной нагрузкой кафедр. Агент реализован как специализированный навык (skill) на платформе Claude.

Ниже представлены основные этапы и компоненты, обеспечивающие работу агента проверки курсов в среде Claude.

• 1 Навык Claude «KAFU AI Smart Audit» - Вся логика проверки оформлена как skill, который активируется запросом вида «проверь кафедру». Навык содержит правила разбора нагрузки, сопоставления и формирования отчётов;
• 2 Разбор файлов учебной нагрузки - Агент читает файлы кафедр в форматах .xls, .xlsx и архивах, распознавая различные схемы оформления, и формирует перечень «преподаватель - дисциплина - семестр»;
• 3 Обход портала Moodle - Агент получает каталог курсов по категориям кафедр и подкатегориям преподавателей, читая структуру страниц курса напрямую из DOM браузера; при наличии токена веб-сервисов работа ведётся через REST API Moodle без участия сотрудника;
• 4 Сопоставление дисциплин с курсами - Нечёткое сравнение названий с нормализацией текста и оценкой достоверности; сопоставления с низкой достоверностью выносятся сотруднику на подтверждение, а не принимаются автоматически;
• 5 Сплошная проверка пятнадцати недель - По каждому курсу агент обходит все учебные разделы и фиксирует наличие лекции или презентации, задания или теста, определяя тип каждого элемента по его классу modtype_*;
• 6 Чтение силлабуса по содержимому документа - Агент скачивает прикреплённый файл и извлекает из него текст, определяя год составления по титульному листу, протоколу утверждения кафедры и копирайту;
  • .docx - Распаковка архива и чтение document.xml, колонтитулов;
  • .doc - Извлечение текста в кодировках UTF-16LE и windows-1251;
  • .pdf - Послойное извлечение текста через pdf.js со склейкой разорванных цифр года.
• 7 Формирование отчётов - Агент собирает книги .xlsx по утверждённой форме: справка для ректората с ключевыми показателями, сводная таблица кафедры со ссылками на курсы и перечнем незаполненных недель, именные листы преподавателей;
• 8 Конечный результат - Дополнительно формируется сводная аналитическая справка по нескольким кафедрам с диаграммами в форматах Word и PDF, пригодная для доклада руководству без ручной доработки.

Проверено 605 курсов, 122 преподавателя и 628 позиций учебной нагрузки по четырём кафедрам: иностранных языков, права и международных отношений, бизнеса, педагогики и психологии. Ключевой вывод пилота: определение года силлабуса по имени файла даёт завышенную оценку втрое - по именам файлов актуальными выглядели 66-73 % силлабусов, тогда как по содержимому документов их оказалось 18 %.

Агент не обрабатывает персональные данные студентов - анализируется только структура курсов и учебно-методическая документация. Функциональность может быть расширена на остальные кафедры университета в рамках развития направления Smart Bilim.