Career Quest — понятный следующий шаг в карьере

Не ещё один каталог курсов: сотрудник видит, почему нужен именно этот шаг и что изменится после него.

HackAlem AI · Halyk Bank · кейс 1. Веб-приложение связывает навыки и историю участия с требованиями целевого грейда, предлагает до трёх добровольных активностей и пересчитывает прогресс после выполнения. HR видит дефициты компетенций и пробелы в доступных программах развития.

Работает без API-ключа. С ключом появляется ИИ-объяснение с реальными вызовами инструментов; решение и числовой прогноз остаются проверяемыми.

Запуск · Пример решения · Проверка · Критерии ТЗ · AI и архитектура · Ограничения

Проверено на данных репозитория	Результат
200 сотрудников, 40 событий, 60 навыков	439 рекомендованных шагов; все доступны и дают прирост нужного навыка
Выполнение первого шага у каждого из 179 сотрудников с рекомендациями	179 из 179 прогнозов совпали с результатом; навыки не уменьшились
Автотесты в Docker без сети и API-ключа	42 passed
Проверка интерфейса	RU / KK / EN, ширина 390 px, вход сотрудника и HR

Это проверки корректности на синтетических данных, не доказательство роста вовлечённости. Машиночитаемый результат генерируется открытым скриптом, а не прописан в движке. 21 профиль без рекомендаций не считается автоматически успешным: HR отдельно показывает отсутствие подходящего шага и неизвестные требования.

Запуск за одну команду

Из корня клонированного репозитория, при установленном Docker с Compose:

docker compose up --build

Открыть http://localhost:8000. Для первой сборки нужен интернет, после сборки основной сценарий не требует внешних сервисов. Python, Node.js и ключи на машине проверяющего не нужны; CSS и синтетический датасет находятся в репозитории.

Роль	Логин	Пароль	Доступ
Сотрудник	E0028	employee-demo	Только свой профиль и действия
HR / проверка решения	hr	hr-demo	Все профили, HR-сводка, загрузка JSON/CSV

Это публичные учебные учётные записи, не защита реальных данных. Проверка состояния: http://localhost:8000/health. Развёрнутого публичного сервиса нет; воспроизводимый артефакт — этот репозиторий.

Почему не просто курс по самому слабому навыку

Один проверяемый пример вместо обещания «персонализации». Дополнительный профиль DEMO_TRAP: Backend Engineer, Middle → Senior.

Фактор	Public Speaking	System Design
Уровень → требование Senior	0 → 2	3 → 4
Критичность для перехода	Нет	Да
История по навыку в этом примере	Три отказа/пропуска	Нет записей
Правило «самый низкий уровень»	Выбрало бы этот навык	Пропустило бы
Career Quest	Не первый приоритет	Первый шаг — EV_006

Разрывы имеют одинаковый взвешенный балл: 2 × 1 = 1 × 2. При равенстве приоритет получает критичный навык. История затем влияет на выбор конкретной активности и явно присутствует в объяснении — не выдаём её за скрытый множитель ранжирования навыков.

До выполнения: 88% готовности. Прогноз первого шага: System Design 3 → 4, готовность 88% → 94%. После отметки выполнения получаются именно эти значения. Готовность — доля выполненных требований, а не вероятность повышения.

Посмотреть реальную карточку с факторами и прогнозом

Проверить самостоятельно за 3 минуты

1. Войти как HR и на /hr загрузить одновременно employees.json и activity_history.csv.
2. Открыть http://localhost:8000/employee/DEMO_TRAP — проверить первый шаг, факторы, описание, сессию и прогноз 88% → 94%.
3. Отметить первый шаг выполненным — увидеть фактическое изменение навыка и готовности.
4. Открыть /employee/DEMO_HISTORY: завершение после последней оценки уже учтено, готовность 100%, лишних рекомендаций нет.
5. Открыть /employee/DEMO_UNKNOWN: «недостаточно данных», а не ложные 100%; профиль выделен на HR-панели.

Это наши демонстрационные профили, не неизвестные заранее профили жюри. Новые профили проходят тот же код: ветвлений по DEMO_* в приложении нет. Подробности сценария · Проверка через JSON API

Воспроизвести результат

Команды выполняются из корня репозитория после сборки образа. Они создают отдельное хранилище в процессе и не меняют данные работающего демо.

Все тесты, без ключа:

docker compose run --rm --no-deps -e OPENAI_API_KEY= \
  -v "$PWD:/submission:ro" -w /submission/backend \
  career-quest pytest tests -q -p no:cacheprovider

Проверки всех 200 профилей и JSON-отчёт, без сторонних Python-пакетов:

python3 scripts/evaluate.py

Если Python не установлен:

docker compose run --rm --no-deps -e OPENAI_API_KEY= \
  -v "$PWD:/submission:ro" career-quest python /submission/scripts/evaluate.py

Скрипт возвращает код 0 только при успешных проверках, иначе 1. JSON содержит результаты проверок, ожидаемый/фактический прогресс и SHA-256 входных файлов. Сохранённый отчёт можно сравнить с новым запуском. Это дополняет, а не заменяет HTTP-тесты авторизации, импорта и обработки ошибок.

Соответствие критериям

Баллы ниже — веса из ТЗ, не самостоятельно выставленная оценка.

Критерий	Вес	Что проверять в репозитории
Соответствие задаче и работоспособность	25	Сквозной тест: импорт → рекомендация → выполнение → HR; профиль сотрудника
Техническая реализация	25	Движок, AI tools и дедлайн, права и CSRF, тесты AI
README и воспроизводимость	25	Один Docker-запуск, учебные учётные записи, фикстуры, JSON-отчёт, API-инструкция
Ценность и применимость	15	Видимый результат шага до выполнения, добровольность, HR-срез; план проверки эффекта ниже
Потенциал и оригинальность	10	Проверяемый прогноз + история после оценки + ИИ с инструментами и независимым от модели расчётом; развитие без смены схемы навыков

Подробная матрица обязательных требований и границы проверки · Контрольный разбор: возможные причины снижения оценки

Как работает AI

Используется гибридный подход, а не рекомендация по одному полю и не непроверяемое решение языковой модели:

1. store.py загружает последнюю оценку и применяет завершения после last_review_date по порядку дат. Повторный импорт не начисляет прирост дважды.
2. engine.py определяет цель: career_goal или следующий грейд; считает gap = required − current, score = gap × (2, если критичен, иначе 1). При равенстве баллов идут критичность, затем стабильный ID.
3. Из каталога исключаются обязательные, неподходящие по роли/грейду/предпосылкам, уже завершённые неповторяемые и не дающие прироста активности. Среди кандидатов предпочитаются ранее не отклонённые, затем больший реальный прирост.
4. До трёх выбранных шагов получают факторы и прогноз по тем же правилам gain / max_level, что используются при фактическом выполнении.
5. По кнопке модель через function calling запрашивает get_skill_history и при необходимости get_alternative_events, после чего формулирует объяснение. Интерфейс показывает реально вызванные инструменты.

Граница ответственности модели: объяснить, а не менять рейтинг, навыки или историю. Вызов истории обязателен для каждого навыка шага; без него AI-текст не принимается. При отказах/пропусках обязателен и вызов альтернатив — это контролирует код, а не только инструкция модели. Если по навыку нет истории, используется базовый текст без API-вызова: модель не должна выводить отсутствие опыта из отсутствия записей. Это проверяет использование инструментов, не гарантирует истинность каждой фразы: числовые факторы остаются видимыми отдельно.

Реальный пример: E0005, System Design 2 → требуется 4, одно завершение и один пропуск. Модель проверила историю и альтернативы, затем объяснила выбор и назвала онлайн-альтернативу. Скриншоты и инструкция · Ответы приложения в JSON.

Сетевой цикл имеет общий дедлайн 8 секунд, без повторов SDK; при ошибке остаётся шаблонное объяснение. Страница вообще не ждёт API. Успешные ответы кэшируются на 5 минут по фактам и языку; лимит — 12 новых запросов в минуту, 4 одновременно на процесс.

Для реального AI скопировать .env.example в .env, указать OPENAI_API_KEY и выполнить docker compose up -d --force-recreate. Модель по умолчанию — gpt-4o-mini; переменная OPENAI_MODEL позволяет заменить её. Не публикуйте ключ. Имя сотрудника модели не передаётся; факты о навыках и участии передаются провайдеру при запросе объяснения.

Без ключа: рекомендации, три фактора, прогноз, выполнение, HR и импорт работают; генеративное объяснение заменяется локальным шаблоном. Это не имитация ответа модели: в API явно различаются source: template и source: llm-agentic.

Ценность и следующий этап

Проблема	Механизм в прототипе	Как проверить пользу на пилоте
«Не понимаю, зачем мне курс»	Связь с целевым грейдом и прогноз изменения навыка	Доля добровольно начатых и завершённых рекомендаций
Повторные приглашения на нежелательные активности	История отказов при выборе события, видимое объяснение	Повторные пропуски относительно текущей рассылки
HR не видит пробелы в программе развития	Разрывы навыков и сотрудники без доступного шага	Доля сотрудников с разрывами, для которых есть подходящая активность

Эффект на реальных сотрудниках не измерен. Для пилота: сравнить текущую рассылку и рекомендации на сопоставимых группах, учитывать исходные грейды/разрывы, измерять добровольное участие и закрытие критичных требований; не превращать эти метрики в публичный рейтинг сотрудников.

Отличие прототипа — не заявление о новой категории HR-продуктов, а связка «объяснимый выбор → проверяемый прогноз → подтверждённое изменение». Следующие этапы: постоянная БД и корпоративный вход; обратная связь «подходит / не подходит»; интеграция с LMS и календарём для подтверждения участия. Это план, не готовые функции. Ядро использует справочники роли/грейда/навыков; расширение на другую организацию потребует её матрицы компетенций и проверки правил доступности.

Архитектура и данные

Python 3.13 · FastAPI · Jinja2 · локальный Tailwind CSS · OpenAI SDK · pytest. Серверный HTML не требует сборки фронтенда при запуске.

Компонент	Ответственность
store.py	Данные, история, применение прироста и атомарный импорт
engine.py	Ранжирование, доступность, прогноз и HR-агрегаты
explain.py	Локальные объяснения и асинхронный AI-цикл
auth.py / main.py	Сессии, права, CSRF, HTML/JSON API
templates / static	Интерфейс RU/KK/EN, мобильная версия, запрос AI по кнопке
tests	Регрессии, маршруты, права, импорт, таймауты и сценарии
seed	Синтетический стартовый датасет и его правила

Дата сценария — 2026-10-01, из датасета, не из часов компьютера. Импорт поддерживает JSON-профили и CSV-историю, UTF-8 с BOM, до 5 МБ на файл. Если last_review_date не задана, уровни считаются текущими: исторические завершения не начисляются повторно. Неизвестная роль/цель даёт неопределённую готовность, а не ложные 100%. Lead без явной цели сравнивается с требованиями текущего грейда.

Границы прототипа

• Данные в памяти одного процесса. Перезапуск сбрасывает импорт и отметки выполнения.
• Демодоступ публичен. Есть серверные проверки ролей/владельца и CSRF, но нет SSO, MFA, аудита и защиты уровня production. Для пилота отключить DEMO_MODE, настроить учётные данные, SESSION_SECRET и HTTPS. Параметры.
• AI-текст может ошибаться. Тесты не являются оценкой лингвистического качества; вычисленные факторы служат отдельным источником проверки.
• Готовность — не аттестация. Выполнение в демо подтверждается самим пользователем, а рост навыка следует условному правилу датасета, не результату экзамена.
• Сигнал вовлечённости — эвристика, а не обученная модель вероятности увольнения.
• Награды, внутренняя валюта и геймификация не реализованы: по ТЗ они опциональны. Обязательные активности не входят в добровольный рекомендательный контур.
• Локальные замеры скорости не доказывают SLA под нагрузкой; промышленный масштаб не проверен.

Интерфейс и дополнительные материалы

Сотрудник	HR

Казахский интерфейс · Английский интерфейс · Экран входа · Сценарий проверки · API · Сверка с ТЗ

Разработка без Docker: cd backend, создать окружение Python 3.13, установить pip install -r requirements.txt, запустить uvicorn app.main:app --reload. Локальные проверки: pytest tests -q, ruff check app tests (Ruff установить отдельно). Пересборка CSS нужна только при изменении классов: cd backend && npx --yes --package [email protected] tailwindcss --input styles/tailwind.css --output app/static/tailwind.css --content './app/templates/*.html' --minify.