Аким на 5 часов

AI-симулятор распределения городского бюджета Астаны: 5 решений, бюджет 100, итоговый Astana Quality of Life Score с объяснением от AI.

An educational city budget simulator: choose five interventions and compare their impact across five synthetic districts of Astana. All scores are calculated deterministically; AI selects explanations from verified facts. You can run the application locally without an API key, using saved AI selections or an explicitly labelled template.

Быстрый старт

Docker — рекомендуемый способ

Требуются Git, доступ к этому репозиторию и работающий Docker с Linux-контейнерами. На Windows/macOS подойдёт Docker Desktop; на Linux — Docker Engine. Минимальная версия Docker в проекте не закреплена. Python и Node.js на компьютере не нужны: Dockerfile использует Python 3.12 и Node.js 22. Первая сборка требует интернета для загрузки образов и зависимостей.

Команды одинаковы для Windows PowerShell и Linux/macOS. Начните в папке, в которой ещё нет каталога hack-8385c555-kunnurs:

git clone --branch main https://github.com/BAITC-Hacks/hack-8385c555-kunnurs.git

Из той же папки перейдите в клон:

cd hack-8385c555-kunnurs

Из корня клона соберите образ:

docker build -f deploy/Dockerfile -t akim-city:local .

Из корня клона запустите приложение без API-ключа:

docker run --rm --name akim-city -p 127.0.0.1:8000:8000 -e PORT=8000 -e AI_MODE=live -e OPENAI_MODEL=gpt-4.1-mini akim-city:local

После сообщения Uvicorn running откройте http://127.0.0.1:8000. Терминал должен оставаться открытым. Остановка — Ctrl+C; временный контейнер удалится, собранный образ останется.

Контрольный пример использует сохранённый AI-разбор. Для сценария без сохранённого ответа появится явно обозначенный шаблон; расчёт и рекомендации продолжат работать. Собственный ключ подключается в разделе AI-режимы. Публичный деплой для проверки проекта не требуется.

Python + Node.js — локальная разработка

Требуются Git, Python 3.12, Node.js 22.12+ с npm. В lock-файле Vite допускает Node.js ^20.19.0 || >=22.12.0; здесь выбран профиль Node.js 22.12+. Локальные OPS-проверки выполнялись также на Python 3.13.14 и Node.js 24.19.0. Для установки зависимостей нужен интернет. После установки инструментов откройте новый терминал.

Сначала выполните git clone и переход в клон из предыдущего раздела. Все команды этого подраздела выполняются из корня клона. Этот способ запускается отдельно от Docker: порт 8000 должен быть свободен.

Windows — PowerShell

Создайте окружение:

py -3.12 -m venv .venv

Установите Python-зависимости:

.\.venv\Scripts\python.exe -m pip install -r requirements.txt

Создайте конфигурацию backend, сохранив существующий файл, если он уже есть:

if (-not (Test-Path .env)) { Copy-Item .env.example .env }

Создайте конфигурацию frontend:

if (-not (Test-Path frontend/.env.local)) { Copy-Item frontend/.env.example frontend/.env.local }

Установите frontend-зависимости по lock-файлу:

npm.cmd --prefix frontend ci

Терминал 1, корень клона:

.\.venv\Scripts\python.exe -m uvicorn backend.app.main:app --host 127.0.0.1 --port 8000

Терминал 2, корень клона:

npm.cmd --prefix frontend run dev -- --port 5173 --strictPort

Linux/macOS — bash/zsh

Из корня клона создайте окружение; команда предполагает установленный Python 3.12:

python3.12 -m venv .venv

Установите Python-зависимости:

.venv/bin/python -m pip install -r requirements.txt

Создайте конфигурацию backend:

if [ ! -f .env ]; then cp .env.example .env; fi

Создайте конфигурацию frontend:

if [ ! -f frontend/.env.local ]; then cp frontend/.env.example frontend/.env.local; fi

Установите frontend-зависимости:

npm --prefix frontend ci

Терминал 1, корень клона:

.venv/bin/python -m uvicorn backend.app.main:app --host 127.0.0.1 --port 8000

Терминал 2, корень клона:

npm --prefix frontend run dev -- --port 5173 --strictPort

Для обеих ОС откройте http://127.0.0.1:5173. Backend и интерактивная документация доступны на http://127.0.0.1:8000/docs. Остановка — Ctrl+C в обоих терминалах. Активировать виртуальное окружение не требуется: команды используют его Python напрямую.

Как убедиться, что всё работает

1. Откройте приложение по адресу выбранного способа запуска и выберите RU в шапке.

2. В разделе «Соберите свой сценарий» нажмите «Пример из задания». Начальная форма уже содержит этот набор; кнопка восстанавливает его после изменений.

3. Сверьте пять карточек:

   Карточка	Мера	Район
   01	M7	Нура
   02	M8	Нура
   03	M10	Нура
   04	M12	Весь город
   05	M5	Сарыарка

   Чтобы выбрать меру вручную, нажмите поле «Мероприятие», введите её ID в поиск и нажмите вариант. Район выбирается соседним полем. У M12 поле района отключено и показывает «Весь город».

4. До расчёта исходный Score — 52.56. Предварительная стоимость набора — 95 / 100, остаток — 5.

5. Нажмите «Рассчитать и получить AI-анализ». Ожидайте Score 56.54, прирост +3.99, критических показателей 0. В разделе «Почему получился такой результат» появятся объяснение, риски и варианты улучшения. Ожидание живого AI ограничено 30 секундами; клиент ждёт до 35 секунд.

6. В разделе «Проверьте другой набор» нажмите «Сохранить для сравнения». Перенесите только M7 в Есиль и рассчитайте снова: Score 55.30, критических показателей 1. Сравнение покажет изменение результата.

Точные значения API: база 52.55768, пример 56.54307, перенос M7 55.29777. Интерфейс округляет до двух знаков. Источники: исходный сценарий, сценарий с переносом школы, расчёт.

AI-режимы

Score, бюджет, эффекты и альтернативы рассчитываются одинаково во всех режимах. Метка под анализом показывает источник объяснения:

Режим / источник API	Что происходит
live / provider	Выполнен новый запрос к OpenAI; ответ прошёл серверную проверку.
live / cache	Использованы сохранённые проверенные ID фактов. Нового вызова модели нет.
mock / template	При AI_MODE=mock сервер формирует шаблон без вызова модели.
fallback / template	Нет ключа, неверна конфигурация, произошла ошибка или ответ не прошёл проверку; причина находится в analysis.reason.

В актуальном main есть ai/demo_cache.json: сохранённые выборы фактов для трёх демонстрационных сценариев из scripts/demo_scenarios.py, включая контрольный пример. Кэш привязан к модели, версии промпта, данным и расчёту; при OPENAI_MODEL=gpt-4.1-mini он доступен без ключа. Числа при каждом запросе вычисляются заново. Кроме файла существует кэш процесса: до 128 записей, срок 1 час; файл переживает перезапуск.

/api/health проверяет конфигурацию, поэтому без ключа может показывать fallback, даже когда конкретный анализ успешно использует live/cache. Фактический источник смотрите в ответе /analyze и в интерфейсе.

Подключение собственного ключа

Проверяющий использует свой API-ключ с доступом к выбранной модели и доступной API-квотой. Командный ключ в репозитории отсутствует; .env исключён из Git и Docker-образа.

Для Docker сначала создайте .env в корне клона; для локального запуска файл уже создан выше.

Windows PowerShell, корень клона:

if (-not (Test-Path .env)) { Copy-Item .env.example .env }

Linux/macOS, корень клона:

if [ ! -f .env ]; then cp .env.example .env; fi

Откройте .env в текстовом редакторе и впишите только свой ключ после OPENAI_API_KEY=. Пример уже задаёт AI_MODE=live и OPENAI_MODEL=gpt-4.1-mini. Не помещайте ключ в frontend/.env.local.

Docker: остановите предыдущий запуск через Ctrl+C. Затем из корня клона выполните одинаковую для всех ОС команду. Она отключает кэш, чтобы первый анализ проверял именно доступ к провайдеру:

docker run --rm --name akim-city -p 127.0.0.1:8000:8000 --env-file .env -e PORT=8000 -e AI_MODE=live -e OPENAI_MODEL=gpt-4.1-mini -e AI_CACHE_ENABLED=false akim-city:local

Повторите контрольный сценарий в браузере. Ожидаемая метка — «AI · ответ модели», поля API — mode=live, source=provider, reason=null. Этот запуск обращается к API при каждом анализе. После проверки для обычного запуска с кэшем остановите контейнер через Ctrl+C и выполните из корня клона:

docker run --rm --name akim-city -p 127.0.0.1:8000:8000 --env-file .env -e PORT=8000 -e AI_MODE=live -e OPENAI_MODEL=gpt-4.1-mini -e AI_CACHE_ENABLED=true akim-city:local

Обычный docker restart не загружает изменённый .env: контейнер нужно пересоздать.

Python + Node.js: после изменения .env остановите и заново запустите backend той же командой из быстрого старта. Для отдельной проверки нового ответа без кэша выполните конечную команду ниже из корня клона в новом терминале. Она не запускает сервер и может расходовать API-квоту.

Windows PowerShell:

& { $previousMode = $env:AI_MODE; $previousCache = $env:AI_CACHE_ENABLED; try { $env:AI_MODE = 'live'; $env:AI_CACHE_ENABLED = 'false'; .\.venv\Scripts\python.exe -m scripts.check_ai } finally { $env:AI_MODE = $previousMode; $env:AI_CACHE_ENABLED = $previousCache } }

Linux/macOS:

AI_MODE=live AI_CACHE_ENABLED=false .venv/bin/python -m scripts.check_ai

Ожидается {"mode":"live","source":"provider","reason":null,"score":56.54307}. Пробелы JSON несущественны. При включённом кэше успешный выход scripts.check_ai может означать source=cache, поэтому одного кода выхода недостаточно для подтверждения нового обращения к модели.

Переменные окружения

Источники: .env.example, настройки AI, backend, frontend API, Dockerfile.

Переменная	Значение и поведение
AI_MODE	live или mock. В backend по умолчанию live, в Dockerfile — mock; команды выше явно выбирают live.
OPENAI_API_KEY	Нужен для нового запроса к провайдеру. Без него доступны расчёт, шаблон и подходящий демо-кэш.
OPENAI_MODEL	В примере gpt-4.1-mini. В live обязателен непустой ID; скрытого значения по умолчанию в коде нет.
AI_TIMEOUT_SECONDS	Общий срок вызова AI, по умолчанию 30 секунд; допустимо больше 0 и не больше 30.
AI_REQUEST_TIMEOUT_SECONDS	Таймаут обращения SDK, по умолчанию 25 секунд, максимум 30. Общий срок ограничивает также повтор.
AI_CACHE_ENABLED	По умолчанию true; false отключает чтение и запись кэша при анализе.
AI_DEMO_CACHE_PATH	Пустое значение использует ai/demo_cache.json. Произвольный относительный путь отсчитывается от рабочего каталога.
CORS_ORIGINS	Разрешённые адреса frontend через запятую. В примере http://localhost:5173,http://127.0.0.1:5173.
PORT	Используется командой запуска контейнера. В примере .env — 8001, поэтому Docker-команды выше явно задают 8000. В локальных командах порт задаёт --port 8000.
VITE_API_URL	Только frontend, файл frontend/.env.local: http://localhost:8000. В Docker при сборке задан / для запросов к тому же адресу. Изменение требует перезапуска Vite или пересборки.
FRONTEND_DIST	Необязательный путь к сборке для deploy.app; по умолчанию frontend/dist. В описанных способах менять не нужно.

Backend читает корневой .env, но уже заданные переменные терминала имеют приоритет. Пустой ключ в .env не отменит ключ, ранее экспортированный в терминале.

Что умеет продукт

• Выбор пяти мер из каталога 14 мероприятий; поиск по ID, названию и направлению; выбор района или городского действия.
• Предварительная и серверная проверка бюджета, числа решений, направлений, повторов и конфликтов.
• Итоговый Score, изменение относительно базы, результаты пяти районов, десять показателей выбранного района и критические значения.
• Объяснение сильных сторон, обязательных рисков и компромиссов с явным обозначением источника AI.
• До трёх проверенных альтернатив по лучшему Score, меньшей стоимости и меньшему числу критических значений; совпадающие варианты объединяются. «Применить» заменяет одну меру и пересчитывает сценарий.
• Сохранение одного результата в этом браузере и сравнение с новым; при другой версии датасета сравнение блокируется.
• Интерфейс RU / ҚАЗ / EN с сохранением языка. Серверные объяснения и компромиссы отображаются на русском с пояснением в других языках.

Исходники: интерфейс, компоненты, валидация формы, поиск альтернатив.

Как это устроено

1. React получает исходный каталог и базовый результат через FastAPI.
2. Браузер отправляет только ID пяти мер и районов; сервер повторно проверяет все правила.
3. Python считает бюджет, эффекты, синергии, районные показатели и Score из неизменного исходного города.
4. Сервер перебирает допустимые замены одной меры и отдельно оценивает вклад решений удалением каждого из них.
5. AI выбирает ID из подготовленных фактов; Structured Outputs ограничивает допустимые значения, сервер проверяет их категории и отсутствие повторов.
6. Текст и числа формирует сервер. Обязательные риски и проверенные рекомендации включаются независимо от выбора модели; ошибочный ответ заменяется шаблоном.

flowchart LR
    UI[React: пять решений] --> API[FastAPI: проверка]
    DATA[Исходный каталог] --> CALC[Детерминированный расчёт]
    API --> CALC
    CALC --> FACTS[Факты и альтернативы]
    FACTS --> AI[OpenAI / кэш / шаблон]
    AI --> CHECK[Проверка ID и сборка объяснения]
    CALC --> RESULT[Результат и объяснение]
    CHECK --> RESULT
    RESULT --> UI

Модель не получает инструментов для исполнения команд. Адрес провайдера фиксирован, store=false; перед отправкой текст проходит маскирование email, типовых телефонов и ИИН. В журнал ошибок выводится фиксированный код причины, без ключа и исходного ответа провайдера. Реализация: ai/agent.py, ai/evidence.py, ai/privacy.py.

Модель расчёта

Источник правил — data/city.json; реализация — simulation.py.

• Ровно 5 разных мероприятий, стоимость ≤100, не больше 2 мер на направление: минимум 3 направления. Остаток бюджета не увеличивает Score.
• M1/M3 несовместимы при любом выборе районов. M4/M7 и M5/M13 несовместимы в одном районе.
• Горизонт — 8 кварталов. Реализованный эффект меры с лагом L: эффект × (8 − L) / 8. Городская мера действует на все пять районов.
• Синергии из каталога добавляются при наличии соответствующих пар мер; их бонусы не умножаются повторно на долю лага.
• После всех эффектов и синергий каждый показатель ограничивается диапазоном [0, 100].
• Районный балл Dᵢ = Σⱼ wⱼ × xᵢⱼ; средний балл города A = Σᵢ pᵢ × Dᵢ, где веса показателей w и доли населения p заданы в каталоге.
• Score = 0.7 × A + 0.3 × min(Dᵢ) − N, где N — число пар «район, показатель» со значением строго ниже 40. Сам итоговый Score дополнительно не ограничивается диапазоном 0–100.

Порядок решений не влияет на результат. Промежуточные значения не округляются; API возвращает итоговые числа до 6 знаков, интерфейс показывает 2. Вклады отдельных мер учитывают потерю синергий и штрафов; их нельзя просто сложить для получения общего прироста.

Соответствие критериям задания

В main есть отдельный набор backend/tests/test_criteria.py. Ссылка закреплена на исследованной версии; тесты входят в общую команду проверки.

Критерий	Как реализован	Реальный тест
Одинаковые бюджет и данные на старте	Бюджет 100, неизменный каталог, повторный расчёт из базы	backend/tests/test_criteria.py::test_criterion_1
Нельзя превысить бюджет	Проверки формы и API; сервер возвращает 422 без Score	backend/tests/test_criteria.py::test_criterion_2
Решения влияют на показатели	Лаг, эффекты и синергии изменяют показатели районов	backend/tests/test_criteria.py::test_criterion_3
AI объясняет результат и компромиссы	Проверенные факты, сильные стороны, обязательные риски, альтернативы и notice	backend/tests/test_criteria.py::test_criterion_4; test_ai.py проверяет адаптер и защиту обязательных рисков
Другой набор даёт другой Score	Перенос M7 меняет 56.54307 на 55.29777	backend/tests/test_criteria.py::test_criterion_5

Тест четвёртого критерия проверяет структуру и содержание шаблонного fallback; проверки SDK используют подменённый транспорт. Новый ответ реального провайдера подтверждается отдельно по live/provider. Понятность объяснения для человека оценивается при ручном контрольном сценарии.

Тесты

Установите Python- и frontend-зависимости по разделу локального запуска. Серверы для общей проверки не нужны. Все команды ниже — из корня клона.

Windows PowerShell:

.\.venv\Scripts\python.exe scripts/check.py --require-frontend

Linux/macOS:

.venv/bin/python scripts/check.py --require-frontend

Команда проверяет контракт и backend, импорт приложения, OPS в mock и fallback, frontend unit-тесты и production-сборку. Ожидаемый финал — OK: checks passed. Автоматические сценарии изолируют личный ключ; провайдер подменяется или отключается.

Набор	Покрытие
contracts/tests	Схемы и JSON-примеры API
backend/tests	Формула, бюджет, лаги, синергии, конфликты, рекомендации, AI, кэш и пять критериев
tests/e2e	API, валидация, offline/fallback, безопасность и упаковка
frontend/src/scenario.test.js, frontend/tests	Проверка формы, применение альтернатив, устаревшие советы и переводы

Для исследованного main f3be8b5 состав наборов: 89 основных, 80 OPS mock, 32 fallback и 10 frontend unit. 32 fallback-проверки повторяют часть API-набора в другом режиме; это не дополнительные уникальные тесты. OPS-ветка содержит дополнительные проверки, поэтому её числа отличаются. Источники результатов и границы проверки: отчёт README, журнал команды.

Проверку установки из пустой папки на Windows и Linux/macOS нужно выполнять буквальным копированием команд быстрого старта. Автоматический прогон на уже подготовленном компьютере не подтверждает установку из чистого клона.

API

Метод	Путь	Назначение
GET	/api/health	Готовность сервиса, версия данных, состояние AI-конфигурации
GET	/api/catalog	Районы, показатели, меры, стоимости, правила и синергии
GET	/api/baseline	Исходный город до решений; Score 52.55768
POST	/api/simulations/evaluate	Валидация и детерминированный расчёт пяти решений
POST	/api/simulations/analyze	Расчёт, объяснение, вклады и допустимые альтернативы

Интерактивная документация — Swagger UI; также доступны ReDoc и OpenAPI JSON. Адрес одинаков для обоих способов запуска. Примеры запросов и ответов: contracts/examples; контракт: contracts/api.md; маршруты: backend/app/main.py.

Неверный сценарий получает HTTP 422 с причинами и без Score. Fallback AI возвращает HTTP 200 с рассчитанным результатом и явным объяснением причины.

Структура репозитория

backend/       FastAPI, каталог, детерминированный расчёт и тесты
frontend/      React/Vite, форма, результаты, анализ и локальное сравнение
ai/            адаптер OpenAI, проверенные факты, промпты и кэш
contracts/     Pydantic-схемы, описание API, JSON-примеры и тесты
data/          синтетические данные и воспроизводимые сценарии
scripts/       конечные проверки, экспорт примеров и прогрев демо-кэша
tests/e2e/     сквозные проверки OPS
deploy/        Dockerfile, совместная раздача UI/API и служебные проверки
docs/          отчёты, архитектура, материалы демонстрации и скриншоты
.githooks/     проверка зон ответственности участников перед коммитом

Решение проблем

Симптом	Что сделать
Git сообщает Repository not found или Permission denied	Войти в GitHub-аккаунт с доступом к командному репозиторию. Организаторы должны иметь доступ до клонирования.
Docker не соединяется с daemon	Запустить Docker Desktop/Engine, дождаться готовности и включить Linux-контейнеры.
Порт 8000 или 5173 занят	Остановить свой предыдущий экземпляр приложения через Ctrl+C. Не запускать оба способа одновременно. --strictPort предотвращает незаметную смену порта frontend.
Docker сообщает, что имя akim-city занято	Остановить предыдущий контейнер командой ниже и повторить запуск.
После --env-file страница не открывается	Использовать команду из этого README с -e PORT=8000: в .env.example указан другой порт.
py / python3.12 не найдены	Установить Python 3.12; на Windows включить Python Launcher. Затем открыть новый терминал.
На Linux создание venv недоступно	Установить пакет поддержки venv для Python 3.12 средствами своего дистрибутива либо использовать Docker.
PowerShell запрещает npm.ps1 или активацию venv	Здесь используются npm.cmd и прямой путь к Python; менять execution policy и активировать окружение не требуется.
npm сообщает неподдерживаемую версию Node	Использовать Node.js 22.12+ и заново выполнить npm ci из инструкции.
«Не удалось загрузить город», ошибка соединения или CORS	Для локальной разработки держать оба терминала открытыми; проверить /api/health, VITE_API_URL=http://localhost:8000 и разрешённые адреса 5173 в CORS_ORIGINS. После изменения конфигурации перезапустить соответствующий процесс.
missing_api_key	Расчёт работает; для нового AI-ответа добавить свой ключ в корневой .env и перезапустить backend или пересоздать контейнер с --env-file.
invalid_configuration	Проверить непустой OPENAI_MODEL, корректность таймаутов и AI_CACHE_ENABLED по таблице выше.
authentication_error, permission_error, rate_limit	Проверить собственный API-ключ, доступ проекта к модели и API-биллинг/квоту. Ключ не отправлять в переписку.
timeout, connection_error, provider_error, invalid_output	Посмотреть показанный шаблон и повторить анализ; причина относится к AI, рассчитанные показатели сохраняются.
После ввода ключа всё ещё показан сохранённый ответ	Это нормальная работа кэша. Для проверки нового запроса используйте инструкции с AI_CACHE_ENABLED=false выше.
Настройки .env не применились	Переменные терминала приоритетнее файла; использовать новый терминал. Контейнер получает окружение только при создании.
Сохранённый сценарий не появился на другом адресе	Сравнение хранится в localStorage конкретного браузера и адреса; localhost и 127.0.0.1 имеют разное хранилище.

При конфликте имени контейнера, из корня клона, в любой ОС:

docker stop akim-city

Диагностика Docker, из корня клона, в любой ОС, пока контейнер работает:

docker logs akim-city

Старые инструкции публичного хостинга в deploy/ и исторические отчёты docs/ не являются шагами запуска для жюри. Известные расхождения служебных проверок перечислены в отчёте README.

Ограничения

• Данные синтетические, модель учебная; это не описание реальной Астаны и не прогноз для принятия управленческих решений.
• Пять решений моделируют эффекты на горизонте восьми кварталов; «5 часов» — название проекта.
• AI выбирает проверенные утверждения, а итоговый текст собирает сервер. Без ключа новый ответ провайдера недоступен.
• Сравнение сохраняет один сценарий локально. Общего хранилища команд, неожиданных городских событий и автоматической генерации презентаций нет.
• Альтернативы улучшают набор заменой одной меры; глобальный оптимум не гарантируется.

Использованные инструменты и раскрытие

Весь проект создан 23.09.2026 во время хакатона с помощью OpenAI Codex. Кода, подготовленного до хакатона, не было — подтверждено участником команды при подготовке README.

• OpenAI Codex — помощь в разработке каркаса, backend, frontend, проверок, конфигурации запуска и документации. Фактические записи: AI_USAGE.md и журнал OPS.
• OpenAI API / Python SDK — выбор проверенных фактов для AI-разбора при запросе к провайдеру.
• Python: FastAPI 0.141.1, Uvicorn 0.53.0, Pydantic 2.13.5, OpenAI SDK 2.54.0, python-dotenv 1.2.3; тесты — pytest 9.1.1 и HTTPX 0.28.1. Версии, включая транзитивные зависимости, закреплены в requirements.txt.
• JavaScript: React/React DOM 19.3.0, Vite 7.3.6, React-плагин 5.2.0 — разрешённые версии из package-lock.json; установка через npm ci.
• Docker — локальная сборка и запуск на официальных образах Python и Node.js.
• Данные перенесены из предоставленных PDF задания и датасета; оригиналы PDF в репозитории отсутствуют. Сверка данных.

Команда

Astana IT University

Участник	Роль и ответственность	Ветка
Kunnur Soltanbay	Лид команды, backend: архитектура, движок Score, валидация, API, AI-слой и интеграция	main
Dinmukhamed Sabituly	Frontend: интерфейс, UX, адаптивность, переключение языков	feat/frontend
Akylbek Ongarbekov	Docker и запуск, README, проверка воспроизводимости	feat/ops

Распределение зон закреплено в AGENTS.md; авторство изменений сохранено в истории Git.

Потенциал развития

Возможные направления дальнейшей работы:

• Общее хранилище сценариев и сравнение нескольких команд на одной версии данных.
• Городские события с фиксированным seed для воспроизводимых условий.
• Экспорт результатов и объяснений в презентацию.
• Расширение поиска альтернатив на несколько одновременных замен с оценкой времени перебора.