Введение

Представьте утро руководителя строительного проекта. Десятки звонков, сотни сообщений в чатах, хаос в дашбордах и постоянная борьба за соблюдение сроков и бюджета. А теперь представьте другую реальность: вы отправляете простое голосовое/текстовое сообщение по Email/Telegram: «Начинаем новый проект, высотка в Пушкино. ГИП — Иванов И.И. Срок сдачи — декабрь 2028…», и через несколько минут получаете на согласование полностью сформированную «карточку проекта» с уникальным шифром, разложенными этапами, назначенными задачами, ответственными и предварительными сроками. Это не научная фантастика. Это — Civil2PM, ваш Цифровой Менеджер, и мы создали его, чтобы навсегда изменить правила игры в управлении строительством.

Civil2PM — это не просто очередное ИИ-решение. Это ваш новый цифровой помощник на базе мульти-агентной системы (МАС), где команда специализированных ИИ-агентов работает 24/7, чтобы обеспечить идеальный порядок в ваших проектах. И самое главное — вся система работает локально, на вашем оборудовании, гарантируя максимальную скорость, безопасность и нулевые затраты на облачные API.

Укрощение координационного хаоса

Строительный проект — это всегда организованный хаос. Десятки подрядчиков, поставщиков и специалистов должны работать как единый механизм, но на практике информация теряется, коммуникация разрывается, а ответственность размывается. Это приводит к главной «боли» любого девелопера и генподрядчика: срывам сроков и неконтролируемому перерасходу бюджета.

В ходе нашего исследования, которое охватило 11 средних и крупных строительных компаний, мы, общаясь со всеми от CEO до ГИПов, лишь подтвердили то, что знали изнутри: корень зла — в неэффективной ручной координации. В современном строительстве человеческий фактор стал «узким местом». Менеджеры выгорают от рутины, а найти и удержать действительно квалифицированных управленцев — сложная и дорогая задача.

Выборка была целенаправленно сегментирована для получения всесторонней картины: 3 компании представляли крупный бизнес (с годовым оборотом свыше 1 млрд. рублей), а 8 — средний (с годовым оборотом до 1 млрд. рублей). Спектр должностей респондентов был максимально широким и включал высшее руководство (CEO, CTO, COO), технических директоров, главных инженеров проектов (ГИПов), а также руководителей проектов высшего и среднего звена. Такой состав позволил оценить проблему с разных ракурсов: от стратегического видения собственников до операционных трудностей на уровне конкретных проектов.

Основными препятствиями для цифровизации, по мнению опрошенных нами руководителей, остаются:

— нехватка знаний и дефицит квалифицированных кадров

— высокая стоимость внедрения.

Это указывает, что Civil2PM, с его акцентом на автономность и экономическую эффективность за счет отказа от дорогих облачных API, изначально позиционируется как решение этих фундаментальных проблем. Это позволило подтвердить правильность нашего выбора в пользу экономически эффективной локальной архитектуры.

Инновационность Проекта

Заключается в использовании Агентного Искусственного Интеллекта (АгенИИ) локально развертываемой мульти-агентной системы, работающей на базе компактных, но производительных, специально дообученных LLM моделей с параметрами от 14 до 30 миллиардов. Это обеспечивает высокий уровень конфиденциальности данных, автономности и низкой стоимости развёртывания и работы. Система спроектирована для легкой интеграции в существующую IT-инфраструктуру и корпоративную структуру предприятия. Основной акцент сделан на внутреннюю координацию между агентами через протокол A2A (Агент2Агент), что гарантирует слаженную и эффективную работу системы в замкнутом, безопасном контуре.

Почему сейчас и почему именно такое технологическое решение?

Мы создали Civil2PM на стыке двух мощных тенденций: острой экономической необходимости и технологического прорыва. С одной стороны, строительный рынок входит в зону турбулентности, где выживание напрямую зависит от способности сокращать издержки и повышать эффективность. Автоматизация из роскоши превращается в инструмент выживания.

С другой стороны, появились технологии, которые позволили реализовать нашу идею с минимальным бюджетом. Речь идет о компактных, но мощных языковых моделях (LLM), таких как Phi-4-14B и Qwen3-30B-A3B. Они достаточно эффективны, чтобы работать локально, на стандартном офисном оборудовании, без необходимости отправлять данные в облако. Мы не стали «изобретать велосипед», а применили элегантный и экономичный подход ARAG (Agentic Retrieval Augmented Generation). Вместо дорогостоящего дообучения по типу «fine-tuning», мы «обогатили» эти модели знаниями из ~3500 реальных проектных карточек, научив их контекстно думать и говорить на языке стройки. Весь инструментарий упакована в мультиагентную систему — по сути, цифровую команду, где Агент Инициации планирует, Агент Отслеживания контролирует, а Агент Отчетности докладывает.

Общая архитектурная модель

Архитектура Civil2PM строится на принципах многоуровневой и компонентной организации. Модель состоит из четырех ключевых логических уровней, развернутых на локальной рабочей станции (Windows 11 + WSL2).

Уровень представления и интеграции (Presentation & Integration Layer): Точка входа для пользователей и внешних систем.
Уровень бизнес-логики (Ядро приложения): Основное приложение на Python с LangChain. Отвечает за бизнес-процессы и оркестрацию запросов к ядру ИИ.
Уровень искусственного интеллекта (AI Core): Мозг системы, сочетающий детерминированную логику МАС и генеративные возможности LLM.
Уровень данных и среды выполнения (Data & Runtime Layer): Включает базы данных и среду выполнения LLM (Ollama в WSL2), взаимодействующую с GPU (RTX 4080).

Компоненты архитектуры

1) Ядро приложения (Python/LangChain)

Оркестратор ИИ (LangChain): Ядром бизнес-логики выступает фреймворк LangGraph для построения цепочек и динамических графов вызовов.
API-сервер (FastAPI): Предоставляет стандартизированные RESTful API.
Менеджер данных (SQLAlchemy): Взаимодействие с реляционной базой данных осуществляется через ORM SQLAlchemy.

2) Ядро ИИ является сердцем системы, оркестрируемое с помощью LangGraph и управляемое специализированными протоколами.

Мультиагентная система (МАС): Реализует структурированную логику управления проектом. Каждый агент — это специализированная граф-цепочка, взаимодействующая с другими агентами через протокол A2A.
- Агент инициации: Анализирует входные данные и создает сущности проекта.
- Агент отслеживания: Мониторит статусы задач и инициирует коммуникации.
- Агент отчетности: Агрегирует данные и формирует отчеты.
Логика рассуждения ГенИИ (мозг системы): Выполняет задачи, требующие понимания и генерации естественного языка.
- LLM-модели: Используются две локально развернутые модели через Ollama: Phi-4-14B (от Microsoft) и Qwen3-30B-A3B (от Alibaba Cloud).
- Система ARAG (Агентный RAG): Реализована с помощью компонентов LangGraph для обеспечения ответов, основанных на актуальных данных проекта.
Протоколы:
- A2A (Агент2Агент протокол). Это ключевой протокол. Он определяет стандарты обмена сообщениями и задачами непосредственно между ИИ-агентами внутри системы. Например, когда Агент отслеживания обнаруживает задержку, он использует A2A для отправки структурированного запроса Агенту по отчетности и ГенИИ. Этот протокол обеспечивает слаженную совместную работу МАС в рамках защищенного внутреннего контура, гарантируя, что вся обработка проектных данных происходит предсказуемо и эффективно без обращения к внешним ресурсам (пользователю).
- MCP (Модель Контекстный Протокол). Это стандартизированный протокол, используемый для подключения ИИ-агентов к внутренним источникам данных и инструментам (IT-системам). Он работает как универсальный адаптер, позволяющий агентам через LangGraph взаимодействовать с различными сервисами (например, с базой данных PostgreSQL, парсером CSV-файлов или почтовым клиентом) стандартизированным и безопасным образом. В текущей архитектуре MCP обеспечивает доступ к информации, необходимой для выполнения задач, но строго в пределах IT-инфраструктуры предприятия.
  - Стратегическое развитие: Протокол MCP спроектирован с учетом будущей масштабируемости. В последующих версиях продукта планируется расширить его возможности для контролируемого доступа к внешним источникам данных (интернет). Однако эта функция будет реализована только после разработки и внедрения комплексного протокола кибербезопасности для предотвращения любых потенциальных утечек конфиденциальной информации.

3) Среда выполнения и хранилище данных

WSL2 + Ollama: Среда для запуска LLM.
Базы данных: Реляционная PostgreSQL (с SQLAlchemy) и векторная ChromaDB.

Принципиальная схема работы АгенИИ, представленных тремя ИИ-агентами в рамках мультиагентной системы представлена на диаграмме ниже:

Схема потока данных (Data Flow) на примере инициации нового проекта

Основой для обучения LLM служат ~3500 проектных карточек (dashboard-документов, аналогичных по структуре Jira или Confluence). Запуск нового проекта инициируется триггером от менеджера (управленцем — ответственного за управление проектами). Архитектура схемы потока данных была скорректирована в соответствии с реалиями строительной отрасли и корпоративной практики опрошенных компаний. Описываемая схема отражает сквозной процесс — от голосового или текстового запроса до автономного формирования и активации карточки проекта, её наполнения, делегирования задач и дальнейшего мониторинга, — полностью обеспечиваемого МАС на основе специализированных LLM (Phi4, Qwen3), протоколов A2A и MCP. Такой подход позволяет автоматизировать и существенно ускорить управление проектами: от формирования структуры задач и назначения ответственных — до актуализации статуса в реальном времени и обучения модели на каждом цикле обратной связи. Схема может быть описана 10 принципиальными действиями:

1) Инициация (Триггер). Менеджер проекта отправляет голосовое или текстовоесообщение через интегрированный корпоративный канал (Telegram или Email). Пример сообщения: «Создать новый проект по строительству высотки в Пушкино, улица Новосёловская. Кодовое название Пушкино-1. Шифр: П-1-17-2025. Ответственные по умолчанию. ГИП — Иванов И.И. Срок сдачи — декабрь 2028 года.»

2) Захват и предварительная обработка. Интеграционный шлюз Ядра Приложения получает сообщение. Если оно голосовое, встроенный модуль в Ollama: «Speech-to-Text» (STT) преобразует его в текст.

3) Анализ намерения и извлечение сущностей (NLU). Текст запроса передается в ИИ Ядро. Модель Phi-4-14B определяет намерение («создать проект»). После обработки текста моделью и модулем NLU, извлекаются следующие сущности (в формате словаря json, пригодного для межагентной передачи через A2A):

{

"action": "создать_проект",

"project_name": "Пушкино, улица Новосёловская",

"project_code_name": "Пушкино-1",

"project_cipher": "П-1-17-2025",

"location": "г. Пушкино, ул. Новосёловская",

"object_type": "высотка",

"default_responsibles": true,

"key_roles": [

{

"role": "ГИП",

"person": "Иванов И.И."

}

],

"deadline": "декабрь 2028",

"trigger_source": "telegram", // или email

"initiator_name": "ФИО менеджера (определяется по авторизации в корпоративном канале)",

"timestamp": "2025-06-30T14:15:00"

}.

4) Автономная генерация карточки проекта. Извлеченные сущности по протоколу A2A передаются от «анализирующего» микро-агента к Агенту Инициации. Этот агент, используя мощную модель Qwen3-30B-A3B, обращается к своей базе знаний, сформированной на основе 3500 проанализированных проектов. На основе этой экспертизы он автономно генерирует полную «карточку проекта»: предлагает стандартные этапы работ, распределяет подзадачи, выставляет приоритеты и рассчитывает промежуточные сроки, создавая комплексный план-график.

5) Согласование с пользователем. Сгенерированная карточка проекта отправляется обратно менеджеру для верификации с сообщением: «На основе вашего запроса сформирован следующий план проекта. Пожалуйста, просмотрите и подтвердите.» Это ключевой этап «человек-в-цикле» (human-in-the-loop).

6) Подтверждение и активация. Пользователь отвечает подтверждающим сообщением («Подтверждаю», «Согласовано», «Запускаем»). Система фиксирует подтверждение, и карточка проекта переводится из статуса «Черновик» в «Активный». Либо же можно попросить внести корректировки, например, поменять ответственных и расставить приоритеты по-иному.

7) Делегирование и запуск мониторинга. Сразу после активации Агент Инициации по протоколу A2A передает управление Агенту Отслеживания. Тот, в свою очередь, начинает цикл мониторинга и, используя MCP для доступа к инструментам коммуникации (e-mail/telegram), рассылает первичные уведомления назначенным ответственным.

8) Автономный контроль и коммуникация (NLG). В ходе проекта Агент Отслеживания обнаруживает приближающийся срок по одной из задач. Он по A2A формирует запрос для ГенИИ: «Уточни статус по задаче ‘Подготовка котлована’ у подрядчика ‘ООО СтройТех’.» Ген. ИИ формирует письмо/сообщение, согласовывает (при необходимости с пользователем), и отправляет сообщение подрядчику посредством Email/telegram (по требованию).

9) Анализ ответа и обновление статуса (NLU). Получив ответ (например, «Работы ведутся по графику, отставаний нет.»), АгенИИ анализирует его, извлекает статус и по A2A передает структурированные данные Агенту Отчетности. Тот, используя MCP, вносит изменения в базу данных, обновляя карточку проекта в реальном времени.

10) Непрерывное самообучение (Адаптация). Вся цепочка взаимодействий — от исходного голосового сообщения менеджера до финальных отчетов по задачам — логируется. Эти данные используются для постоянного дообучения LLM и оптимизации «workflow» оркестрации, благодаря чему система со временем все точнее и автономнее инициирует проекты и управляет ими.

Полная архитектура работы и функциональности Civil2PM представлена на диаграмме ниже:

Выбранная архитектура напрямую решает ключевые задачи проекта:

Безопасность: Акцент на протоколе A2A и использование MCP только для доступа к внутренним ресурсам делают продукт максимально безопасным и соответствующим строгим требованиям по конфиденциальности данных.
Скорость разработки и фокус: Четкое разграничение протоколов (A2A как основополагающий протокол, доработка MCP для будущего масштабирования) позволяет сфокусировать усилия на создании стабильного основного функционала.
Стратегическая дальновидность: Архитектура не является тупиковой. Заложенный в MCP потенциал для расширения демонстрирует зрелый и поэтапный подход к развитию продукта, что снижает риски и повышает инвестиционную привлекательность.
Экономическая эффективность и производительность: Локальное развертывание и использование LangGraph для динамичной оркестрации остаются ключевыми преимуществами, обеспечивая низкую стоимость владения и высокую скорость работы.

Создание и тестирование продукта

Создание прототипа Civil2PM проходило в условиях минимального бюджета, что послужило не ограничением, а катализатором для поиска наиболее эффективных и инновационных решений. Мы придерживались итеративной методологии, нацеленной на быструю проверку гипотез с минимальными затратами. Выбранный технологический стек — Django (backend+frontend), LangChain, FastAPI и, что особенно важно, локальное развертывание моделей через Ollama в WSL2 — стал нашим главным преимуществом. Он позволил полностью отказаться от дорогостоящих облачных API, направив все ресурсы непосредственно на разработку интеллектуальной логики системы.

Формирование базы знаний: Экономическая эффективность ARAG

В условиях крайне ограниченного бюджета, классическое дообучение (fine-tuning) LLM на нашем объеме данных было экономически и технически нецелесообразным. Подход Дополненной генерации поиска агентов (ARAG) стал ключевым стратегическим решением, позволившим нам добиться глубокой отраслевой специализации каждого ИИ-агента без колоссальных вычислительных затрат. Инвестиции свелись к единоразовой процедуре формирования и обработки 3500 проектных карточек и вычисления их векторных представлений. Это позволило нам создать специализированную базу знаний, эффективно используя доступные компактные LLM, которые, благодаря ARAG, начали оперировать контекстом и терминологией строительной отрасли так, как если бы они были специально под неё созданы.

Разработка Мульти-Агентной системы и логика оркестрации

Разработка велась на основе open-source компонентов, что также являлось частью стратегии по минимизации издержек. Каждый ИИ-агент был реализован как микросервис в Docker контейнере, с динамической LangGraph оркестрацией. Агент Инициации, например, представляет собой цепочку, которая на вход получает JSON от парсера, по протоколу MCP обращается к ARAG-пайплайну на базе ChromaDB, формирует сложный промпт и передает его модели Qwen3-30B-A3B. Протокол A2A был реализован как вызов одной агентной цепочкой другой с передачей данных в строго типизированном формате. Эта архитектура, построенная на бесплатных и открытых инструментах, доказала свою высочайшую эффективность и управляемость.

Итеративное тестирование: вызовы и прорывы

Процесс тестирования прототипа продемонстрировал преимущества нашего подхода. Однако, первоначальной проблемой была «хрупкость» промптов. Решение было найдено в комплексном подходе: во-первых, мы значительно усложнили и детализировали системные промпты, внедрив в них несколько примеров (few-shot prompting). Во-вторых, для Агента Инициации была внедрена логика «Chain of Thought»: перед генерацией финальной карточки проекта модель Qwen3 сначала формирует краткий план своих действий, что кардинально повысило логическую целостность генерируемых планов. Главным прорывом стало подтверждение эффективности гибридной модели использования LLM: быстрая Phi-4-14B для структурированных задач (анализ, NLU) и более мощная Qwen3-30B-A3B для креативных и аналитических задач (генерация, рассуждение) показали идеальный баланс между скоростью и качеством результата.

Результаты итеративного тестирования и экономическая эффективность подхода представлены на графике ниже. На графике отображён процент одобрения сгенерированных ИИ проектных карточек пользователем с первого раза, без необходимости указаний для правок ИИ-помощнику, в зависимости от итерации разработки.

Пример сгенерированной ИИ карточки проекта

На основании шаблонов карточек проектов, ARAG и пользовательского взаимодействия, ИИ-ядро Civil2PM генерирует пример карточки проекта в текстовом формате:

Карточка проекта: «Пушкино-1»

📍 Адрес: Московская обл., г. Пушкино, ул. Новосёловская
              🧭 Шифр проекта: П-1-17-2025
              🏗 Тип: Многоэтажный жилой дом
              🗓 Плановая сдача: Декабрь 2028
              💼 ГИП: Иванов И.И.
              🔍 Ответственные: Сформированы по умолчанию на основе матрицы распределения ролей из карточек проектов

Полная карточка проекта «Пушкино-1», сгенерированная МАС отображена в таблице ниже.

№	Задача	Ответственный	Срок	Статус	Приоритет	Обстоятельства
1	Подготовка ИРД	ГИП	25.08.2025	🔄 В процессе	🔺 Высокий	Работа идёт по плану, часть разделов на согласовании
2	Получение ТУ	Инженер по сетям	10.08.2025	⏳ Ожидание	⚠️ Средний	Ожидаем ответ от ресурсоснабжающей организации
3	Концепт	ГИП	01.07.2025	❌ Просрочено	🔺 Высокий	Замечания по конструктиву, нужна корректировка
4	Контракт с подрядчиком на сети	Юрист	01.12.2025	⏺ Запланировано	🔽 Низкий	Подрядчик ещё не выбран, подготовка типового шаблона

Ниже карточки ИИ отображает свои замечания и отображается список сформированных документов.

🧠 Замечание: “Концепт проекта просрочен на 2 дня. Предложено уведомить ГИПа и инициировать срочное совещание.”

📎 Вложения:

Заполненный PDF файл (карточка проекта)
Лог диалога (автоматически сохраняется в базе данных)
Связанные документы: [Письмо Минстроя.pdf], [ГПЗУ.pdf]
Резюме по проекту (краткое) [Резюме_ П-1-17-2025_03-07-25.pdf]

Также сохраняется переписка пользователя в специальном логе. Пример лога по проекту «Пушкино-1» [П-1-17-2025] представлен ниже.

[02.04.2025, 11:12]
Пользователь: «Создать новый проект по строительству высотки в Пушкино…»
ИИ: ✔ Проект “Пушкино-1” создан. Уточните, планируется ли использовать типовую документацию серии П-44?

[02.04.2025, 11:14]
Пользователь: «Да, использовать тип П-44Т.»
ИИ: ✔ Обновлено. Документация будет ссылаться на серию П-44Т. Назначен ГИП — Иванов И.И.
❗ Срок сдачи пересекается с другим проектом, где также задействован Иванов И.И. Подтвердите замену ГИПа или отложенное начало проекта.

[02.04.2025, 11:17]
Пользователь: «Заменить ГИПа на Петрова С.С.»
ИИ: ✔ Обновлено. Новый ГИП: Петров С.С.

После замечаний пользователя, ИИ-помощник вносит корректировки и отправляет обновлённую карточку на согласование пользователю.

Вывод

Этап создания и тестирования продукта не просто подтвердил жизнеспособность данной архитектуры, но и показал, что стратегия, основанная на использовании компактных LLM и RAG, является наиболее экономически оправданной и безопасной для создания специализированных корпоративных ИИ-решений. Мы добились таких результатов при минимальных финансовых вложениях, что подчеркивает зрелость выбранного технологического стека.

Полученный опыт однозначно доказывает, что будущее коммерческих ИИ-решений лежит не в гонке за универсальными гигантскими моделями, а в создании высокоэффективных, компактных и глубоко адаптированных LLM под конкретные задачи и сферы. Такой подход обеспечивает беспрецедентный контроль, безопасность и экономическую эффективность, открывая возможности для автоматизации даже для компаний с ограниченным бюджетом на инновации.

Слово благодарности

Проект создан при поддержке Федерального государственного бюджетного учреждения «Фонд содействия развитию малых форм предприятий в научно-технической сфере в рамках программы «Студенческий стартап» федерального проекта «Платформа университетского технологического предпринимательства»: https://fasie.ru/programs/programma-studstartup