Career Quest — AI-навигатор развития сотрудника

Русский · English · Қазақша

HackAlem AI 2026 · Track 03 · Management · кейс Career Quest (Halyk Bank) — «платформа геймификации жизненного цикла сотрудника». Команда Nyanachi.

Краткое описание

Сотрудник получает карьерные события разрозненными уведомлениями и не видит, куда ведёт каждая активность, поэтому обучение проходится формально. Career Quest показывает сотруднику путь к следующему грейду и предлагает 1–3 следующих шага с объяснением «почему именно это», опираясь на несколько факторов сразу: разрывы в навыках относительно требований следующего грейда, критичность навыка для повышения, историю участия (неявки, отказы, брошенные активности по форматам) и ожидаемый прирост навыка. HR видит, какие навыки отстают чаще всего, у кого нет доступного следующего шага и как проходят активности.

Пользователи: сотрудник со стажем 1–5 лет (основной) и HR / руководитель.

Быстрый старт

git clone https://github.com/BAITC-Hacks/hack-34398b15-nyanachi.git
cd hack-34398b15-nyanachi
./run.sh                 # Python 3.12+; открыть http://127.0.0.1:8000

• Без API-ключа всё работает в режиме правил; для AI-обоснований — cp .env.example .env и указать OPENAI_API_KEY.
• Интерфейс открывается на английском; язык KZ / RU / EN переключается справа вверху. Названия кнопок ниже даны по-английски (в RU-интерфейсе: «Подобрать шаги», «Отметить завершённым»).
• Экран сотрудника: выбрать E0001 → «Recommend next steps» → «Mark as done». Обоснования пишутся на языке сотрудника (preferred_language): у E0001 это казахский, у E0002 — русский.
• Экран HR: переключатель «View» → «HR», пароль hr-demo (переменная HR_PASSWORD).
• Проверка: .venv/bin/python -m pytest -q (26 тестов) и .venv/bin/python -m eval.run_benchmark (9/9).

Скриншоты

Мобильная версия: сотрудник и HR:

Что реализовано

Обязательные требования кейса:

Требование	Где смотреть
Профиль и траектория: роль, грейд, навыки, пройденные активности, доступные шаги	Экран сотрудника: карточка «Career readiness» (процент готовности к цели), «Skills for target» — шкалы «текущий / требуемый», критичные навыки подсвечены
AI-рекомендация 1–3 следующих шагов	Кнопка «Recommend next steps» (POST /api/employees/{id}/recommend)
Объяснение минимум по 3 факторам	Текст обоснования + теги факторов + чипы с числами (разрыв, критичность, прирост, «завершено X из Y в этом формате»)
Обновление прогресса	«Mark as done» → прирост навыка с учётом max_level, пересчёт готовности к грейду и рекомендаций
Простой HR-экран	Отстающие навыки, сотрудники без рекомендуемого шага (с причиной), участие по активностям
Загрузка дополнительных профилей и истории в формате датасета (минимальный профиль как в примере кейса — employee_id, role, grade, tenure_months, skills — тоже принимается)	HR-экран → загрузка employees.json / activity_history.csv (POST /api/data/upload)
Доступные следующие шаги на профиле	Список «Available next steps» с форматом, ближайшей сессией и приростом навыков

Сверх обязательного:

• AI-навигатор (чат с агентом) — сотрудник спрашивает «почему этот шаг первый?», «кто может быть моим ментором?», «что нужно для Lead?». Агент (gpt-6-sol, function calling) сам вызывает инструменты движка — обзор профиля, рекомендации, варианты по навыку, объяснение активности, моделирование пути, менторы — и отвечает только по их результатам. Инструменты ограничены данными одного вошедшего сотрудника; в интерфейсе видно, какие инструменты использовались.
• Как считается готовность — раскрывающийся расчёт: засчитанные уровни / требуемые уровни и список недостающих уровней по навыкам.
• «Не сейчас» с причиной — «неудобный формат», «нет времени», «не интересно». Активность скрывается; причина «формат» снижает вес этого формата в следующих рекомендациях. Без штрафов — участие добровольное.
• «Почему не очевидный выбор» — объяснение, почему не выбран самый слабый навык (например, «вы трижды пропустили похожие активности, и навык не критичен для Senior»).
• Цепочки пререквизитов — если ценная активность закрыта пререквизитом, система рекомендует шаг, который её открывает («открывает доступ к Designing High-Load Systems»).
• Разрывы, которые нечем закрыть — критичные навыки, для которых в каталоге нет доступной активности; сотруднику предлагается обсудить менторство, HR видит пробел в каталоге.
• Бенчмарк на ловушках — 9 профилей, на которых правило «самый низкий навык» ошибается: базовое правило 0/9, Career Quest 9/9.
• Обоснования на языке сотрудника (kk / ru / en по preferred_language), интерфейс на KZ / RU / EN; названия 60 навыков, 40 активностей и 8 ролей переведены на казахский и русский (web/i18n_names.json, данные датасета не меняются).

Опциональные пункты кейса:

• Моделирование перехода на грейд — «Что если»: система берёт лучший шаг, применяет прирост навыков и планирует заново (до 5 шагов) с датами ближайших сессий по порядку. Пример: E0001 — готовность 54.5% → 75.8% к декабрю. Ничего не сохраняется.
• Расширенный HR-дашборд — фильтр по подразделению и «пробелы каталога»: навыки, нужные сотрудникам для цели, которые не может поднять ни одна доступная активность (например, Leadership нужен 39 сотрудникам и критичен для повышения 37, а курса нет).
• Менторство — для самых больших разрывов подбираются коллеги того же подразделения уровня Senior/Lead, сильные в этом навыке и готовые менторить (Mentoring ≥ 3 или пройден Mentor Track). Показываются только имя и роль, уровни навыков коллег не раскрываются.
• Внутренняя валюта и награды — баллы только за добровольные активности (+10 за активность, +10 за каждый поднятый уровень навыка), обязательные обучения баллов не дают; каталог наград и обмен баллов. Баланс видит только сам сотрудник.
• Личные челленджи — добровольная цель из смоделированного пути («достичь API Design 3 к 23 ноября»), +50 баллов при выполнении.
• Конструктор активностей для HR — в таблице «пробелы каталога» кнопка «Создать активность»: система заполняет черновик под роли и грейды заблокированных сотрудников (например, Leadership — 39 человек), HR правит и публикует, активность сразу попадает в рекомендации, пробел закрывается.
• Кому нужна поддержка (вместо «риска увольнения») — HR видит понятные сигналы без скрытого балла: пропуски за год, просроченные обязательные обучения, нет завершённых активностей 6 месяцев, нет карьерной цели, долго Junior — и предложенное действие (спросить о формате, проверить нагрузку, предложить ментора, поговорить о целях). Только для HR.
• Признание коллег — «Поблагодарить» ментора из своего подразделения: получатель видит благодарность и +15 баллов; не больше 3 благодарностей в день и одной одному и тому же коллеге в неделю; ничего не публикуется.
• Цель команды — общий прогресс подразделения (завершённые добровольные активности за 90 дней против одной на человека), анонимно и без сравнения людей.
• Скорость — рекомендации сначала мгновенно в режиме правил, затем заменяются AI-версией; AI-ответ кэшируется по состоянию профиля и заранее подгружается при открытии профиля.
• Сад навыков и уровень — каждый навык цели показан растением, стадия роста = реальный уровень навыка (0–5); личный уровень (Seedling → Forest keeper) растёт с баллами. Сад можно показать коллегам своего подразделения только по взаимному согласию; рейтингов нет. Изображения растений сгенерированы gpt-image-2.5 во время хакатона.
• Работа без API-ключа (режим правил) с шаблонными обоснованиями.

Как работает решение

1. Загрузка стартового датасета (data/) и, при необходимости, дополнительных профилей и истории; схема проверяется Pydantic-моделями.
2. Эффективные навыки. Уровни навыков отражают последнюю аттестацию, поэтому к ним добавляется прирост от активностей, завершённых после last_review_date (с ограничением max_level).
3. Цель. career_goal, если задана (в том числе в другой роли), иначе следующий грейд текущей роли; у Lead без цели — критичные навыки текущего грейда.
4. Фильтры доступности. Исключаются обязательные активности, уже пройденные (кроме повторяемой EV_036), активности в процессе, не подходящие по роли/грейду, с невыполненными пререквизитами, без будущих сессий и без оставшегося прироста навыка.
5. Скоринг каждой доступной активности по прозрачной формуле (ниже) + бонус за открытие ценной активности через пререквизит.
6. AI-слой. gpt-6-sol получает 6 лучших кандидатов с посчитанными факторами и выбирает 1–3 шага, формулируя обоснование на языке сотрудника (Structured Outputs, строгая JSON-схема). Валидатор проверяет: 1–3 шага, только ID из списка кандидатов, ≥3 фактора на шаг. gpt-6-luna запускается параллельно как запасной вариант; если ни одна модель не ответила корректно за 8.5 с — используются шаблонные обоснования. Типичное время ответа 5–7 с (требование кейса ≤10 с).
7. Прогресс. «Mark as done» добавляет запись в историю, навыки и готовность пересчитываются.

Надёжность рекомендаций

• Рекомендуются только полезные шаги — закрывающие разрыв к цели или открывающие такую активность; «1–3» означает до трёх, без заполнения мест бесполезным. Если полезных шагов нет, сотрудник видит «поговорите о менторстве», а HR — этого сотрудника с причиной.
• Активность, от которой сотрудник дважды отказался, больше не предлагается; повторяемый клуб (EV_036) засчитывается не чаще раза в день.
• Прирост от завершённых активностей учитывается один раз: отметка «выполнено» не переписывает дату аттестации, поэтому прирост не удваивается.
• AI может заявлять только факторы, которые действительно верны для активности (например, «критично для грейда» — только если шаг закрывает критичный разрыв). Неподтверждённые факторы отбрасываются; если осталось меньше трёх — используется шаблонное обоснование.
• Для смены роли (цель в другой роли) подходят базовые активности целевой роли до целевого грейда включительно.
• AI не может ухудшить выбор движка: в ответе обязан быть шаг с наибольшим score, нельзя выбирать избегаемый формат при наличии альтернативы, и хотя бы один фактор должен быть не производным от разрыва (история, формат, сроки, цель, критичность). Иначе — шаблонное обоснование.
• «Отметить выполненным» принимает только допустимые активности: повтор пройденной, обязательная, не своя роль/грейд или невыполненные пререквизиты — 422.
• Активности «в процессе» не рекомендуются заново, а показываются как «завершите начатое».
• На каждой карточке раскрывается «Why this ranking» — вклад каждой части формулы в итоговый score.
• 26 тестов; один из них проверяет всех 200 сотрудников и профили-ловушки: шаги допустимы, не обязательные, не повторные, детерминированы и имеют ≥3 подтверждённых фактора.

Формула скоринга

полезный_прирост(навык) = min(новый_уровень, требуемый) − текущий        # новый_уровень = min(текущий + gain, max_level)
очки_разрыва = Σ полезный_прирост × (2, если навык критичен для цели, иначе 1)
надёжность   = 0.7 × доля_завершений(формат) + 0.3 × доля_завершений(тип)   # доля = (завершено+1)/(завершено+пропущено+2)
score = (очки_разрыва + 0.2 × прирост_сверх_требования) × (0.2 + 0.8 × надёжность)
        × 0.6, если формат избегается (≥3 пропуска и 0 завершений)
        × 0.9 / 1.05, если средняя оценка сотрудником такого типа активностей ≤2.5 / ≥4.5
        − 0.25 × max(0, пропуски_похожих − 1) − 0.01 × часы − 0.15, если ближайшая сессия дальше 90 дней
        + 0.5 × score_заблокированной_активности, если шаг открывает её пререквизит
готовность к цели, % = Σ min(уровень, требуемый) / Σ требуемый

Технологии

• Python 3.12, FastAPI, Pydantic, Uvicorn
• OpenAI API: gpt-6-sol (основная модель), gpt-6-luna (быстрый запасной вариант), Responses API со Structured Outputs
• Интерфейс: один файл HTML/CSS/JS без сборки и внешних CDN (работает во внутреннем контуре)
• pytest

Стоимость AI (оценка)

Токены измерены на реальных вызовах: одна AI-рекомендация ≈ 2 050 входных и ≈ 300 выходных токенов (gpt-6-sol + параллельный запасной gpt-6-luna), один вопрос навигатору ≈ 2 050 / 170 токенов (2–3 вызова модели в цикле инструментов). Цены: gpt-6-sol $2 / $10, gpt-6-luna $0.10 / $0.50 за 1 млн токенов.

	На сотрудника в месяц	40 сотрудников	1 000	15 000
Обычное использование: 8 новых AI-рекомендаций + 10 вопросов навигатору	≈ $0.12	≈ $5	≈ $117	≈ $1 760
Активное использование (×3)	≈ $0.35	≈ $14	≈ $350	≈ $5 270
Только gpt-6-luna (OPENAI_MODEL=gpt-6-luna)	≈ $0.006	< $1	≈ $6	≈ $87
Режим правил (без ключа)	$0	$0	$0	$0

• На HR-экране блок «AI budget» пересчитывает эти суммы для любой численности и показывает реально потраченные на этом сервере токены.
• Повторные просмотры не стоят денег: AI-ответ кэшируется по состоянию профиля, новый вызов — только после «выполнено», «не сейчас» или новой активности.
• Для закрытого контура: OPENAI_BASE_URL указывает на Qwen в vLLM внутри банка — фиксированная стоимость GPU вместо оплаты за токены, данные не покидают банк.

Архитектура

flowchart LR
    D[data/*.json, *.csv<br/>+ загрузка HR/жюри] --> L[app/data.py<br/>загрузка и валидация]
    L --> E[app/engine.py<br/>эффективные навыки · цель · фильтры · скоринг · цепочки · HR-статистика]
    E --> A[app/agent.py<br/>gpt-6-sol ‖ gpt-6-luna → валидатор → шаблоны]
    E --> API
    A --> API[app/main.py<br/>FastAPI, роли employee / HR]
    API --> W[web/index.html<br/>экран сотрудника · экран HR]

app/config.py   настройки из окружения
app/data.py     модели данных, загрузка и слияние датасета
app/engine.py   детерминированное ядро: все числа, на которые опирается AI; путь к грейду, менторы, баллы, сад
app/agent.py    AI-выбор и обоснование, валидация, запасные варианты
app/chat.py     AI-навигатор: агент с инструментами поверх движка
app/main.py     REST API и разделение прав employee / HR
AGENTS.md       инструкция для AI-агентов (Codex, Claude Code): запуск, проверка, инварианты
web/index.html  интерфейс; web/garden/ — изображения стадий роста растений
eval/           профили-ловушки в формате датасета и бенчмарк
tests/          тесты ядра
data/           стартовый датасет организаторов

Права: POST /api/login выдаёт токен, подписанный HMAC (APP_SECRET). Сотрудник входит по своему ID (в рабочей системе — через SSO банка), HR — по паролю HR_PASSWORD (по умолчанию hr-demo). Каждый персональный эндпоинт требует токен в заголовке Authorization: Bearer <токен> или X-Auth-Token: <токен> (интерфейс использует второй, чтобы не конфликтовать с basic-auth прокси): без токена или с подделанным токеном — 401, сотрудник с чужим профилем или HR-данными — 403. Открыты только каталог (навыки, активности, .ics) и метаданные. Публичных рейтингов нет.

Установка и запуск

Требования: Python 3.12+, Linux/macOS (или WSL), доступ в интернет для установки пакетов.

git clone https://github.com/BAITC-Hacks/hack-34398b15-nyanachi.git
cd hack-34398b15-nyanachi
./run.sh                 # создаёт .venv, ставит зависимости, запускает http://127.0.0.1:8000

Интерфейс: http://127.0.0.1:8000 · документация API: http://127.0.0.1:8000/docs

Экран HR открывается паролем hr-demo (меняется переменной HR_PASSWORD).

Без API-ключа приложение работает в режиме правил. Чтобы включить AI-обоснования:

cp .env.example .env     # и указать OPENAI_API_KEY
./run.sh

Порт и адрес можно поменять: PORT=8080 HOST=0.0.0.0 ./run.sh.

Переменные окружения

Переменная	По умолчанию	Назначение
OPENAI_API_KEY	пусто	Ключ OpenAI. Пусто — режим правил без AI
OPENAI_MODEL	gpt-6-sol	Основная модель
OPENAI_FAST_MODEL	gpt-6-luna	Запасная быстрая модель
AI_TIMEOUT_S	8.5	Бюджет времени на AI-ответ
DATA_DIR	./data	Папка с датасетом
HR_PASSWORD	hr-demo	Пароль HR-экрана
APP_SECRET	случайный при запуске	Ключ подписи токенов (задайте, чтобы токены переживали перезапуск)
OPENAI_BASE_URL	пусто	Любой OpenAI-совместимый сервер: OpenRouter или vLLM внутри контура банка. Пусто — api.openai.com
AI_REASONING	none	Уровень рассуждений модели (скорость ответа)
CHAT_TIMEOUT_S	20	Бюджет времени на ответ навигатора

Зависимости

requirements.txt: fastapi, uvicorn, python-multipart, pydantic, openai, python-dotenv, pytest (версии закреплены).

Как проверить решение

1. Тесты и бенчмарк (без ключа):

.venv/bin/python -m pytest -q                 # 26 тестов
.venv/bin/python -m eval.run_benchmark        # режим правил: Baseline 0/9 · Career Quest 9/9
.venv/bin/python -m eval.run_benchmark --ai   # с AI (нужен ключ): тоже 9/9

2. Сценарий сотрудника в интерфейсе (числа ниже — для только что запущенного сервера: отметки «выполнено» и загрузки хранятся в памяти до перезапуска):

1. Открыть http://127.0.0.1:8000, режим «Employee», выбрать E0001 (Backend Engineer, Junior → Middle, готовность 54.5%).
2. Нажать «Recommend next steps». В режиме правил ожидаются System Design Fundamentals (с чипом «Closes a critical gap» и «Unlocks Designing High-Load Systems»), Cloud Certification Prep, Public Speaking Club. С ключом — выбор и формулировки от gpt-6-sol.
3. Нажать «Mark as done» у первого шага — шкалы System Design и API Design и процент готовности в карточке «Career readiness» растут.

3. Загрузка профилей, как на защите: режим «HR» (пароль hr-demo) → загрузить eval/trap_employees.json и eval/trap_history.csv → выбрать сотрудника E9103 (пропускает офлайн-занятия). Ожидается первым шагом онлайн-активность Architecture Review Circle, а не офлайн-воркшоп по той же теме. Быстрее: HR → «Upload data» → «Load example data» загружает эти же файлы одной кнопкой и показывает кнопки открытия добавленных профилей; там же ссылки на файлы-примеры (GET /api/data/examples/employees.json, .../activity_history.csv).

Форматы загрузки, чтобы файлы жюри принимались как есть: профили — файл стартового набора {"employees": [...]}, список профилей или один объект профиля, как в примере кейса; навыки — по ID (SK_SYSTEM_DESIGN) или по названию (System Design). История — CSV с разделителем , или ;, с BOM из Excel или без; обязательны только employee_id, event_id, date, status. Если загружен изменённый профиль с уже существующим ID (например, E0028 из примера кейса), его история из стартового датасета больше не учитывается — профиль оценивается по загруженной истории (порядок загрузки файлов не важен). Ошибки (неизвестная роль, навык или активность) возвращаются понятным сообщением 422.

Принимается и минимальный профиль, как в примере кейса (остальные поля заполняются значениями по умолчанию), — JSON-список или {"employees": [...]}:

[{"employee_id": "E9999", "role": "Backend Engineer", "grade": "Junior",
  "tenure_months": 14, "skills": {"SK_PYTHON": 2, "SK_SQL": 1}}]

4. Опциональные функции (без ключа): на экране сотрудника E0001 пункты левого меню и вкладки внизу страницы — «What if» (путь к грейду: 54.5% → 75.8% к декабрю), «Mentors», «Points» (принять челлендж, обменять баллы), «Garden» (после «Mark as done» растения растут). На HR-экране (пароль hr-demo) — фильтр подразделения, «Catalogue gaps» с кнопкой «Create activity» и блок «Who may need support». У ментора — «Say thanks».

5. Навигатор (нужен OPENAI_API_KEY): вкладка «Navigator» («Ask your navigator») → «Why is this my first step?». В ответе — ссылки на реальные активности и строка «Checked: …» с вызванными инструментами. Без ключа эндпоинт возвращает 503 с понятным сообщением, остальное приложение работает.

6. Через API (сначала получить токены):

login() { curl -s -X POST http://127.0.0.1:8000/api/login -H "Content-Type: application/json" -d "$1" \
          | python3 -c "import json,sys; print(json.load(sys.stdin)['token'])"; }
EMP=$(login '{"role":"employee","employee_id":"E0001"}')
HR=$(login '{"role":"hr","password":"hr-demo"}')

curl -X POST "http://127.0.0.1:8000/api/employees/E0001/recommend?ai=false" -H "Authorization: Bearer $EMP"
curl -X POST http://127.0.0.1:8000/api/employees/E0001/complete -H "Authorization: Bearer $EMP" \
     -H "Content-Type: application/json" -d '{"event_id":"EV_005"}'
curl http://127.0.0.1:8000/api/employees/E0001/path    -H "Authorization: Bearer $EMP"
curl http://127.0.0.1:8000/api/employees/E0001/mentors -H "Authorization: Bearer $EMP"
curl http://127.0.0.1:8000/api/employees/E0001/wallet  -H "Authorization: Bearer $EMP"
curl http://127.0.0.1:8000/api/employees/E0001/garden  -H "Authorization: Bearer $EMP"
curl -X POST http://127.0.0.1:8000/api/employees/E0001/chat -H "Authorization: Bearer $EMP" \
     -H "Content-Type: application/json" -d '{"message":"Why is this my first step?"}'
curl http://127.0.0.1:8000/api/hr/summary -H "Authorization: Bearer $HR"
curl "http://127.0.0.1:8000/api/hr/summary?department=Sales" -H "Authorization: Bearer $HR"
curl -X POST http://127.0.0.1:8000/api/data/upload -H "Authorization: Bearer $HR" \
     -F employees=@eval/trap_employees.json -F history=@eval/trap_history.csv
curl -o /dev/null -w "%{http_code}\n" http://127.0.0.1:8000/api/hr/summary   # 401 без токена

Бенчмарк на профилях-ловушках

Ловушка	Правило «самый низкий навык»	Career Quest
Самый слабый навык (Public Speaking) трижды пропущен, критичен System Design	❌ Public Speaking Club	✅ шаг по System Design
Уровень Cloud устарел: сертификация пройдена после аттестации	❌ Cloud Certification Prep	✅ не тратит шаг на уже закрытый навык
Критичный разрыв в System Design, сотрудник не ходит офлайн	❌	✅ онлайн Architecture Review Circle
Цель — Data Analyst, а не Senior Backend	❌	✅ навыки аналитика
Ценные активности закрыты пререквизитом	❌	✅ System Design Fundamentals как открывающий шаг
Курс упирается в max_level, уровень уже максимальный	❌	✅ курс без прироста не рекомендуется
Устаревший навык и избегание офлайна одновременно	❌	✅ онлайн-шаг по System Design, не Cloud
Lead с целью Data Analyst Senior (смена роли)	❌	✅ Applied Statistics — основа критичного навыка
Нет истории участия вообще	❌	✅ шаг по критичному разрыву
Итого	0/9	9/9 (и в режиме правил, и с AI)

Данные и интеграции

• data/ — синтетический стартовый датасет организаторов (200 сотрудников, 40 активностей, 60 навыков, 2 743 записи истории, дата среза 2026-10-01). Включён только для проверки решения, не для распространения.
• eval/ — наши синтетические профили-ловушки в той же схеме.
• Внешний сервис: OpenAI API (только для формулировки рекомендаций; модель получает профиль одного сотрудника без ФИО и уже посчитанные факторы). Без ключа не используется.
• Реальные персональные данные не используются.

Deployed-версия (демо)

Демо с настроенным AI-ключом: https://kitan-a.com/careerquest/ — закрыто паролем, так как содержит данные кейса.

Вход на страницу (окно браузера)	логин judge, пароль [скрыто]
Экран HR внутри приложения	пароль hr-demo

Ссылки в один клик (логин уже в ссылке; если браузер всё же спросит — judge / [скрыто]):

• Сотрудник E0002, интерфейс на русском: https://judge:[скрыто]@kitan-a.com/careerquest/?employee=E0002&lang=ru
• Сотрудник E0001 (сценарий из раздела проверки): https://judge:[скрыто]@kitan-a.com/careerquest/?employee=E0001
• Экран HR сразу с входом: https://judge:[скрыто]@kitan-a.com/careerquest/?view=hr&hr=hr-demo&lang=ru

Те же параметры работают и локально, например http://127.0.0.1:8000/?view=hr&hr=hr-demo. После открытия они убираются из адресной строки.

Демо работает на последнем коммите этого репозитория и перезапускается с чистыми данными датасета; загрузки и отметки «выполнено» хранятся до перезапуска. Для самостоятельной проверки без наших учётных записей достаточно ./run.sh (режим правил) или собственного OPENAI_API_KEY.

Ограничения

• Вход демо-уровня: сотрудник выбирает свой ID, HR вводит пароль; токены подписаны HMAC. Подключение к SSO банка (Azure AD / Keycloak) — замена эндпоинта /api/login, остальная проверка прав не меняется.
• Данные хранятся в памяти процесса: загрузки и отметки «выполнено» сбрасываются при перезапуске.
• Отметка «выполнено» делается самим сотрудником (как требует сценарий кейса); в рабочей системе факт завершения должен приходить из LMS или подтверждаться руководителем, прежде чем начислять баллы.
• Баллы, челленджи, обмены и настройки «поделиться садом» хранятся в памяти процесса и сбрасываются при перезапуске.
• Каталог наград и пороги уровней заданы в коде как пример; в реальной системе их настраивает HR.
• Веса формулы скоринга подобраны вручную на датасете и профилях-ловушках, без обучения на реальных исходах.
• Интеграций с HRIS и мессенджерами нет; календарь — только экспорт .ics (кнопка «Add to calendar»), без синхронизации.

Использованные компоненты и AI-инструменты

• Открытые библиотеки из requirements.txt (лицензии MIT/BSD/Apache-2.0).
• До 13:00 в репозиторий были отправлены только проверка доступа (.gitignore, .env.example), небольшой шаблон-заготовка (Streamlit + пример вызова OpenAI, ~200 строк) и примеры вызова API. Они не относятся к кейсу и удалены после 13:00; вся логика Career Quest (движок, AI-слой, API, интерфейс, тесты) написана во время соревновательной части — это видно по истории коммитов.
• Разработка с помощью AI-агентов: Claude Code (Anthropic) и Codex (OpenAI); Codex также использовался для черновика интерфейса и тестирования страницы. Иллюстрации (иконки, растения сада, схема пайплайна) сгенерированы gpt-image-2.5 во время хакатона.