При интеграции LLM в реальный бизнес есть одна главная боль — непредсказуемые расходы на токены. Я разработала инструмент, который решает эту проблему на этапе проектирования, и упаковала его в консольное приложение на Python без внешней зависимости.

Этот проект показывает, как инженерный подход помогает контролировать экономику AI-решений. Логика CLI-приложения: 🔵 Инструмент для планового расчёта токенов. Я реализовала концепцию, при которой архитектор сначала проектирует пайплайн: описывает в JSON-файле шаги взаимодействия AI-агентов и закладывает плановый лимит токенов на каждый шаг. Консольное приложение считывает этот файл конфигурации и разворачивает логику строго на основе этого плана. Это готовое FinOps-решение для оценки стоимости архитектуры до запуска дорогостоящих тестов. 🔵 Модульность и автоматическая генерация артефактов. Приложение построено по принципу слабой связанности. Вся логика изолирована в отдельные модули, которые импортируются в main py. 🔵 Интерактивное CLI-меню. Инструмент спроектирован так, чтобы архитектору или менеджеру было удобно с ним работать. Я написала интуитивное меню из 4-х пунктов, закрывающее весь цикл: - Создать отчет по токенам из плана и вывести его на экран. - Сгенерировать диаграмму взаимодействия AI-агентов. - Открыть диаграмму в локальном ПО напрямую из консоли. - Выйти из приложения.

Что этот проект говорит обо мне как об аналитике-разработчике? 🟢 Думаю о бизнесе. Понимаю экономику LLM-решений и умею создавать инструменты для контроля затрат. 🟢 Пишу понятный код. Никаких тяжелых фреймворков, проект работает на стандартной библиотеке Python, легко переносится и масштабируется благодаря модульной структуре. 🟢 Забочусь о пользователе. Проектирую понятные интерфейсы и автоматизирую рутину.

Проект открыт к обсуждению. Ссылки на демо видео и репозиторий будут в комментариях 👇

#python #ai #finops #backend #softwareengineering #architecture