HackAlem — от бизнес-проблемы к студенческому проекту

HackAlem помогает бизнесу превратить неполное описание проблемы в понятную задачу, а студенческим командам — найти проект по навыкам и предложить решение. Рейтинг отражает готовность задачи, а не известность компании. Исполнителей всегда выбирает бизнес.

1. Что реализовано

• Конструктор с десятью полями, извлечением фактов, оценкой полноты и редактированием.
• Агент 1 структурирует описание без выдумывания пропусков. Агент 2 исследует компанию и после проверки полей задаёт 3–5 технических вопросов.
• Из ответов агент формирует дополнения к карточке: бизнес видит прежний и предлагаемый текст, выбирает изменения и подтверждает их. После применения пересчитывается рейтинг; существующий текст сохраняется.
• Предложения IT-направлений, специалистов и навыков с ручным согласованием.
• Каталог всех опубликованных задач, сортировка по готовности, сочетание фильтров темы, навыков, дат, формата, готовности и совместимости.
• Отклики с идеей, планом, сроком и URL; ручной выбор одной, нескольких или ни одной команды.
• Сдача этапа выбранной командой и начисление +10 после подтверждения бизнесом, без повторного начисления.
• Демо-аккаунты бизнеса и студентов, профили, объяснения совместимости, импорт публичных GitHub-репозиториев и предоставленного текста профилей.
• Постоянный AI-ассистент с историей, контекстом карточек и медиа. Команда «Покажи задачи с готовностью 90+» применяет фильтр каталога.
• Агенты 3–5: демонстрационный анализ навыков, сложности задач и персональная группировка рекомендаций по прозрачным правилам.

2. Как работает решение

Описание бизнеса → извлечение 10 полей → ручные правки и оценка → вопросы → ответы → предложенные дополнения карточки и требования к команде → ручное подтверждение → публикация → отклик студентов → решение бизнеса → подтверждённый результат этапа.

Поля: название, контекст, проблема, пользователи, данные и материалы, ограничения, ожидаемый результат, критерии успеха, контакт, формат взаимодействия. Неизвестные сведения можно оставить пустыми.

3. Технологии

• Python 3.9+, стандартная библиотека: HTTP-сервер, SQLite, JSON, urllib, threading, unittest.
• HTML, CSS, JavaScript ES modules; без frontend-фреймворка и обязательной сборки.
• Node.js нужен только для JavaScript-тестов.
• OpenAI API: Chat Completions для структурированных ответов, Responses с web search для публичного контекста, Audio Transcriptions для аудио. Модель по умолчанию: gpt-4.1-mini; распознавание: gpt-4o-mini-transcribe.
• GitHub API для открытых репозиториев. Docker и Render используются для опубликованного демо.

4. Архитектура

Браузер (static/) → HTTP API (server.py) → SQLite (app/store.py)
                                  ├─ app/auth.py: сессии и роли
                                  ├─ app/domain.py: рейтинг и валидация
                                  ├─ app/brief_workflow.py: карточка, вопросы, источники
                                  ├─ app/agents.py: AI-провайдер и резервный режим
                                  ├─ app/matching.py + talent_agents.py: подбор
                                  └─ app/assistant.py + profiles.py: помощник и профили

ИИ предлагает текст и требования, сервер проверяет структуру и источники, человек подтверждает изменения. Модель не публикует задачи и не выбирает команды. Промпты и форматы JSON находятся в app/brief_workflow.py, app/intelligence.py, app/profiles.py, app/agents.py.

Рейтинг: контекст 10 + проблема 10 + данные 20 + результат 15 + критерии 15 + ограничения 10 + пользователи 10 + контакт 5 + взаимодействие 5. Баллы начисляются только за содержательные подтверждённые поля. Уровни: 0–39 — черновик, 40–69 — рабочая, 70–89 — готовая, 90–100 — приоритетная. Даже опубликованная задача с низким рейтингом доступна для отклика.

Совместимость = round(100 × вес совпавших навыков / вес подтверждённых требований). Университет, возраст и популярность GitHub не участвуют в расчёте. AI-процент качества описания отделён от рейтинга подтверждённых сведений.

5. Установка и локальный запуск — без деплоя

Облако, Render, Docker и API-ключ для локального запуска не требуются. Нужен Python 3.9 или новее.

1. Скачайте исходники через GitHub → Code → Download ZIP и распакуйте либо клонируйте репозиторий, если у вас есть доступ:

git clone https://github.com/BAITC-Hacks/hack-a6c63efe-ratisho.git
cd hack-a6c63efe-ratisho

При скачивании ZIP откройте терминал в распакованной папке, где находится server.py.

2. Проверьте Python и запустите приложение:

python3 --version
python3 server.py --port 8001

На Windows:

py --version
py server.py --port 8001

3. Откройте http://127.0.0.1:8001. Терминал оставьте открытым. Остановка — Ctrl+C. Если порт занят, используйте --port 8002 и адрес http://127.0.0.1:8002.

pip install и npm install не нужны: у приложения нет обязательных сторонних зависимостей. При первом запуске база SQLite и синтетические данные создаются автоматически. Не удаляйте data/, если нужно сохранить изменения.

Для отдельной чистой базы проверки:

python3 server.py --port 8002 --db data/jury-demo.sqlite3

Необязательное подключение OpenAI

Без ключа конструктор работает по обозначенным локальным правилам. Для реальных ответов модели скопируйте .env.example в .env рядом с server.py:

cp .env.example .env

На Windows: Copy-Item .env.example .env.

Отредактируйте файл:

AI_MODE=auto
AI_API_KEY=ваш_ключ
AI_MODEL=gpt-4.1-mini
AI_BASE_URL=https://api.openai.com/v1
AI_TIMEOUT_SECONDS=30
AI_TRANSCRIBE_MODEL=gpt-4o-mini-transcribe

Перезапустите сервер. Для принудительного режима без API установите AI_MODE=local. Реальный ключ нельзя добавлять в GitHub или frontend; .env исключён из Git. При недоступности модели отображается предупреждение о резервном режиме.

6. Как проверить решение

Общий пароль демо-аккаунтов: hackalem2026.

Роль	Логин
Бизнес	[email protected]
Студент / Data Sprout	[email protected]

1. Войдите как бизнес и создайте задачу с описанием: «Название: План закупок кофейни. В кофейне остаётся выпечка после закрытия. Хотим снизить списания».
2. Проверьте извлечённые поля. Укажите название, пользователей и доступные материалы; отметьте «Сведения проверены», сохраните и оцените. Покажите рост рейтинга после подтверждения.
3. Нажмите «Карточка проверена — получить вопросы». Ответьте по смыслу каждого вопроса. Например, для объёма данных: «CSV продаж содержит 5000 строк за месяц».
4. Нажмите «Дополнить карточку и подобрать специалистов». В блоке «Проверьте дополненную карточку» проверьте цитаты, выберите нужные поля и примените их. Сведения попадут в карточку, рейтинг пересчитается.
5. Подтвердите нужные навыки и публикацию. Если дополнения не подходят, оставьте карточку без изменений и исправьте поля вручную.
6. Выйдите и войдите как студент. Найдите задачу в каталоге, отправьте идею, план, срок и доступную HTTP(S)-ссылку на учебный прототип.
7. Войдите как бизнес, откройте предложения и вручную выберите либо отклоните команду. Можно выбрать несколько.
8. Для проверки баллов выбранная команда отправляет этап со ссылкой, бизнес подтверждает результат: начисляется +10 один раз.

Сценарий репетиции — docs/DEMO.md. Для короткой защиты заранее подготовьте текст, ответы и ссылку на прототип; обязательно покажите рост рейтинга, публикацию, отклик и ручное решение.

Проверки:

python3 -m unittest discover -s tests -v
node --test tests/catalog.test.js
node --check static/app.js
node --check static/brief-ui.js

7. Данные и интеграции

Начальный набор: 11 черновиков, 29 опубликованных задач, 15 команд, 77 откликов, 21 демо-аккаунт. Это синтетические данные. Есть 6 отраслевых CSV по 300 строк в static/demo-data/.

SQLite хранит карточки, отклики, подтверждённые этапы, профили и историю диалогов. GitHub импортирует публичные данные. LinkedIn используется как ссылка и предоставленный пользователем текст; автоматического обхода закрытых страниц нет. Публичные сведения компании сопровождаются источниками и не подменяют ответы бизнеса. Примеры ссылок example.com в синтетических предложениях иллюстративные.

8. Ограничения

• Демо-аккаунты общие; полноценная регистрация и восстановление пароля не реализованы. Используйте учебные данные.
• Резервный режим работает по правилам и не заменяет свободное рассуждение LLM. Если для подробного описания не удаётся получить три новых безопасных вопроса, продолжение конструктора может потребовать повторного запроса к модели.
• Предложения дополнений состоят из цитат; противоречащие формулировки пользователь должен проверить и отредактировать. Правки основных полей сбрасывают зависимые вопросы и требования, чтобы не использовать устаревшие рекомендации.
• Агенты 3–5 — демонстрационные правила, а не обученные модели и не независимая оценка квалификации. Сложность, опыт и доступность оцениваются ограниченно.
• Команды фильтрации ассистента распознаются по поддержанным фразам; произвольное управление интерфейсом не реализовано.
• Видео анализируется как 6 кадров без звука, а не все кадры. Фото и транскрибация аудио требуют поддерживаемого внешнего API. Исходные медиафайлы не сохраняются в базе.
• Качество и доступность внешних AI/API зависят от провайдера, ключа и лимитов. Проверка цитат не гарантирует идеальную смысловую классификацию.
• Это MVP с одной SQLite-базой; производственная инфраструктура и полный проектный трекер не реализованы.

9. Опубликованная версия

https://hackalem-cloud.onrender.com

Демо работает на Render независимо от компьютера команды. После простоя бесплатный сервер может запускаться около минуты или дольше. На Render Free SQLite размещена на временном диске: введённые записи могут сброситься после перезапуска, исходные примеры и аккаунты восстановятся. Локальная база в data/ сохраняется между обычными перезапусками.

Render развёрнут из отдельного архива исходников в приватном Secret File. Автоматического деплоя после Git push нет. Секрет OpenAI хранится в серверных переменных.

Официальный репозиторий: https://github.com/BAITC-Hacks/hack-a6c63efe-ratisho