Свой "Claude Cowork" внутри контура компании - как мы прикрутили OpenCode к GitLab и получили универсального внутрикорпоративного агента для самых разных задач.
Подробнее о докладе
Другие доклады и треки
- Опыт "приземления" ОС РВ UniProton в отечественные реалииКонстантин Аристов
Спикеры
Технический сооснователь B2B SaaS в разных областях - AdTech- (k50.ru) CommerceTech- (searchbooster.io), прикладной AI - Wikilect.com
Отзыв программного комитета
Практический пример построения централизованной системы для работы с AI внутри компании на основе open-source-решений. Не только для разработчиков, а вообще для всех.
Кому полезно
Бэкенд- и платформенные инженеры, DevOps/SRE-специалисты, архитекторы и техлиды, которые внедряют LLM-агентов внутри корпоративного контура. Доклад будет особенно полезен тем, кто сталкивается с задачами изоляции данных, построения мультитенентной среды выполнения (multi-tenant runtime), использования Git в качестве слоя управления знаниями, контроля расходов (FinOps), аналитики баз знаний и безопасного онбординга пользователей — особенно в условиях, когда зарубежные SaaS-решения недоступны, нестабильны или несут в себе регуляторные риски.
О чём доклад
Публичные ИИ-ассистенты (вроде Claude в роли цифрового коллеги) удобны и эффективны, но для бизнеса они часто неприемлемы: конфиденциальные данные уходят вовне, отсутствует единая ролевая модель доступа, а прогнозировать и контролировать затраты на API практически невозможно. В российских реалиях добавляется критический риск: зарубежный сервис могут в любой момент ограничить, заблокировать или отключить без предупреждения.
Мы спроектировали и внедрили собственную on-premise альтернативу: OpenCode в качестве среды выполнения (runtime) и GitLab как слой хранения, версионирования и синхронизации. Агент работает полностью внутри закрытого контура компании и никак не зависит от доступности внешнего SaaS.
В докладе разберем:
Персональные и общие данные: как разграничить права доступа и настроить бесшовную синхронизацию контекста через Git. Оптимизацию ресурсов: сколько изолированных сред выполнения (sandbox) реально поднять на одном сервере и как можно оптимизировать расход памяти. FinOps и онбординг: как контролировать расходы (по пользователям, группам и моделям) и обучать сотрудников эффективной работе с агентом без «слива» бюджета на старте. Аналитику баз знаний (RAG): как отслеживать утилизацию документов и выявлять «мертвый груз». Стратегический выбор: стоит ли инвестировать в разработку собственного агента ради технологической независимости и безопасности.