Halyk TalentOS — карьерный навигатор Career Quest

Персональный карьерный навигатор для сотрудников, руководителей и HR. MVP для хакатона HackAlem AI, трек Halyk Bank.

Проект помогает сотруднику выбрать следующий шаг развития, понять причину рекомендации и увидеть ожидаемый результат. HR получает общую картину компетенций команды и инструмент для планирования обучения.

Демо работает без AI-ключей и внешних интеграций. Все сотрудники и истории в стартовом наборе данных вымышлены. Интерфейс приложения — на английском.

Архитектура за минуту: UI — apps/frontend; API и сценарии — apps/backend; правила — packages/domain; AI — packages/ai; контракты — packages/shared; хранение — data. Один модульный монолит, одна команда npm run dev, три роли. Обычный dashboard работает без LLM.

Краткое описание: проблема и аудитория

В большом каталоге обучения сложно понять, какой курс или проект поможет перейти на следующую роль. Самый слабый навык не всегда самый важный для карьерной цели, а одинаковые рекомендации не учитывают опыт и интересы человека.

TalentOS сопоставляет текущие навыки, требования целевой роли, историю участия и эффект доступных активностей:

• Сотруднику показывает приоритетные действия и объясняет их пользу для выбранной карьерной цели.
• HR и командам развития персонала показывает дефицит навыков, участие в обучении и возможности внутреннего развития.

Пример: у сотрудника Public Speaking — 1/5, а System Design — 2/5. Для перехода в Senior Backend Engineer важнее System Design, поэтому система рекомендует соответствующий практикум и объясняет, почему публичные выступления сейчас не в приоритете.

Что реализовано

Область	Возможности MVP
Кабинет сотрудника	Профиль, текущие навыки, готовность к целевой роли, рекомендации и история активностей
Карьерные траектории	Выбор целевой роли и пересчёт требований и рекомендаций
Объяснимые рекомендации	Топ-3 активности, факторы оценки, ожидаемый прирост навыков и сравнение с альтернативой
Работа с активностями	Каталог с фильтрами и учебное пространство: материалы, практика, тесты, проверка навыка
Пересчёт прогресса	После подтверждения mastery и доказательств обновляются навыки, готовность и следующий шаг
Внутренние миссии	Каталог из двух проектов с сопоставлением требований и личных навыков
Кабинет HR	Сводные показатели, дефицит компетенций, графики участия, карта сотрудников и просмотр профилей
Кадровые сценарии	Расчёт условных групп для дообучения, внутренней мобильности и внешнего найма
Импорт данных	Загрузка JSON/CSV, проверка структуры и связей, расчёт рекомендаций для новых профилей
Доступ и интерфейс	Две демонстрационные роли, серверная проверка доступа, адаптивная вёрстка

Как работает решение

1. Входные данные. Профиль сотрудника, уровни навыков от 0 до 5, текущая и целевая роли, требования к грейду, каталог активностей и история участия поступают из демоданных или импорта HR.
2. Определение дефицита. Система сравнивает навыки с требованиями выбранной цели и рассчитывает взвешенный процент готовности.
3. Выбор следующего шага. Алгоритм оценивает подходящие активности по значимости дефицита, релевантности цели, истории участия, ожидаемому приросту и бизнес-приоритету. Завершённые, отклонённые и не дающие полезного прироста активности исключаются.
4. Результат. Сотрудник получает до трёх рекомендаций с объяснением, деталями оценки и прогнозом «до → после».
5. Обратная связь. После прохождения учебной траектории, успешных оценок и проверки mastery система одной транзакцией сохраняет доказательства, применяет заданный прирост навыков и пересчитывает рекомендации. Повторная проверка не начисляет прирост повторно.
6. Представление для HR. Из тех же данных строятся сводные показатели и сценарии развития команды.

Учебное пространство и подтверждение навыка

Start activity открывает /employee/activities/[activityId]: обзор, учебный план, практику, оценивание и доказательства. Материалы и ответы сохраняются между сессиями. Прогресс прохождения и mastery отображаются отдельно.

Для Advanced System Design Workshop подготовлены семь модулей: основы распределённых систем, масштабирование БД, проектирование коротких ссылок, AI-практика уведомлений, тест из 15 вопросов, архитектурный проект и итоговая проверка. Задания адаптируются к текущему уровню и карьерной цели. Все банковские кейсы и наборы данных синтетические.

Основание	Баллы mastery
Изучение курса / статьи / видео	До 20 суммарно
Тест с результатом от 70%	До 20
AI-задача / задание с кодом с результатом от 70%	До 30
Успешная проверка проекта	До 20
Подтверждение наставника, если предусмотрено	10

Повторные попытки и дополнительные материалы не позволяют накопить баллы сверх лимита категории. Для повышения уровня нужны минимум 70 баллов, все обязательные модули, успешные практические и итоговые оценки для развиваемых навыков, а также согласование HR у траекторий, где оно предусмотрено. Простое открытие материала не изменяет навык. Применяется заданный прирост активности с ограничением maxLevel.

Оценивание использует явную рубрику: масштабируемость, надёжность, архитектура данных и обработка отказов — по 20 баллов; наблюдаемость и безопасность — по 10. Для других дисциплин применяются соответствующие критерии. Без LLM работает демонстрационная проверка по признакам ответа; это эвристика, а не независимая экспертная оценка.

После результата 85% и выше можно пропустить необязательную базовую практику; при 70–84% обучение продолжается; при менее 70% добавляются материалы для повторения слабых тем. После подтверждения создаются записи SkillEvidence, обновляются готовность, рекомендации и карьерный цифровой двойник.

HR в Development видит учебные траектории, фактические показатели прохождения и оценок, этапы остановки и очередь согласований. Create Learning Path формирует черновик по навыку, уровням и аудитории. Публикация возможна только после проверки и явного подтверждения HR.

Логика рекомендаций и роль AI

Рейтинг рассчитывается воспроизводимым алгоритмом:

Оценка = 0,30 × значимость дефицита навыка
       + 0,20 × соответствие требованиям целевого грейда
       + 0,15 × оценка вероятности завершения
       + 0,10 × соответствие карьерной цели
       + 0,10 × ожидаемый прирост готовности
       + 0,10 × бизнес-приоритет
       + 0,05 × разнообразие активностей
       − штраф за пропуски и отказы

Оценка вероятности завершения — эвристика по истории похожих активностей, стажу и текущей роли. Факторы и итоговая оценка ограничены диапазоном 0–1.

Готовность — взвешенная доля выполнения требований целевой роли:

Готовность = round(100 × Σ(вес × min(текущий уровень / требуемый, 1)) / Σ(вес))

LLM используется опционально для формулировки объяснения и оценки письменных работ по заданной рубрике. Рейтинг, применение прироста навыков и готовность рассчитываются кодом. При подключённом LLM оценки письменных работ формирует модель; сервер проверяет структуру, границы каждой оценки и сумму баллов по рубрике. Без ключа, при ошибке провайдера или тайм-ауте приложение показывает объяснение по шаблону с теми же исходными фактами.

Технологии

Компонент	Технологии и назначение
Языки	TypeScript, JavaScript, CSS
Веб-приложение и сервер	Next.js 16, App Router, React 19; серверные страницы и HTTP API
Интерфейс	Tailwind CSS 4, Radix UI и компоненты в стиле shadcn/ui
Визуализация	Recharts — графики; Lucide — иконки; Framer Motion — анимации
Хранение	SQLite, Prisma ORM 6, миграции и стартовое заполнение БД
Проверка и импорт	Zod — схемы и валидация; PapaParse — CSV
AI	Собственный алгоритм ранжирования; опциональный OpenAI-совместимый Chat Completions API
Модель по умолчанию	gpt-4.1-mini; модель и адрес провайдера настраиваются через окружение
Проверки и CI	Vitest, TypeScript, ESLint, HTTP smoke-тесты, Prettier, GitHub Actions

Подключение к реальным системам Halyk Bank не требуется и в MVP не реализовано. Для базового демо после установки зависимостей внешние API не нужны.

Структура репозитория (Repository Structure)

apps/
  frontend/                 Next.js: страницы, компоненты, API-клиент
    app/                    Тонкие страницы; единственный адаптер HTTP API
    components/             Общие элементы, кабинеты HR и Manager
    features/               Career, Activities, Skills, Analytics
    lib/                    API-клиент, сессия для страниц, форматирование
  backend/src/
    api/                    Контроллеры employee, manager, HR
    services/               Сценарии, оркестрация, транзакции
    repositories/           Интерфейсы и реализации Prisma
    middleware/             Сессия, RBAC, Origin, контекст действующего лица
    errors/                 Типизированные ошибки и единый формат ответа
packages/
  domain/                   Чистые правила career, skills, activities, workforce
  ai/                       Recommendation, explainability, assessment, learning
  shared/                   Общие DTO, Zod-схемы и константы
data/
  fixtures/                 Синтетические исходные данные
  prisma/                   Схема, миграции, seed и локальный dev.db
tests/
  unit/                     Правила, сервисы, AI, разрешения и границы слоёв
  integration/              Репозитории, транзакции и обучение в SQLite
  api/                      HTTP-контракты, роли и smoke-проверка приложения
docs/                       Оценка архитектуры и API-контракты

Файлы для быстрого знакомства: оценка исходной архитектуры, API-контракты, интерфейсы репозиториев, правила доступа.

Архитектура системы (System Architecture)

Модульный монолит: один процесс Next.js, одна SQLite-БД и одна команда запуска. Каталоги apps задают границы ответственности, а не отдельные развёртывания. Это упрощает запуск MVP и сохраняет возможность позже вынести рекомендации, оценивание или workforce-аналитику в отдельный сервис.

flowchart TB
    Employee["Employee UI"] --> Frontend["Frontend · Next.js / React"]
    Manager["Manager UI"] --> Frontend
    HR["HR UI"] --> Frontend
    Frontend --> API["Backend API · Request / Response"]
    API --> Services["Сервисы сценариев"]
    Services --> Career["Career / Skills"]
    Services --> Reco["Recommendation"]
    Services --> Activity["Activity / Learning"]
    Services --> Workforce["HR / Manager"]
    Career --> Domain["Чистые доменные правила"]
    Activity --> Domain
    Workforce --> Domain
    Reco --> AI["AI · ranking / explainability"]
    Activity --> Assessment["AI · assessment"]
    Services --> Repo["Интерфейсы репозиториев"]
    Repo --> Prisma["Prisma adapters"]
    Prisma --> DB[("SQLite")]
    API -.-> Governance["RBAC · Validation · Audit"]
    Services -.-> Governance

Направление зависимостей: UI → API-клиент; контроллеры → сервисы; сервисы → domain / AI / репозитории; Prisma-адаптеры → БД. Shared не зависит от других слоёв. Domain не импортирует React, Next.js, HTTP, Prisma или AI. AI не импортирует UI, backend или БД.

ESLint и tests/unit/architecture.test.ts проверяют границы импортов, включая относительные пути. Алиасы: @frontend/*, @backend/*, @domain/*, @ai/*, @shared/*, @data/*.

Архитектура интерфейса (Frontend Architecture)

Страницы собирают экран из feature-компонентов и получают готовые DTO через API. В браузере остаются навигация, формы, поиск, фильтры и форматирование. Готовность, дефицит навыков, рейтинг, прирост, mastery и кадровые сводки вычисляются сервером.

Клиентские запросы проходят через lib/api-client.ts; серверные страницы — через lib/server-api.ts, который передаёт cookie на локальный API того же процесса. Он использует доверенный порт окружения, а не входящий Host как адрес внешнего запроса. API возвращает возможности интерфейса (access.canEdit); окончательное решение о доступе всегда принимает backend.

Единственное исключение направления импортов — app/api/[...path]/route.ts: небольшой адаптер Next.js, экспортирующий backend-обработчик. Бизнес-логики в нём нет.

Архитектура backend (Backend Architecture)

Контроллеры разбирают запрос, вызывают централизованную авторизацию и сервис, затем возвращают JSON. Сервисы управляют сценариями; правила и расчёты вынесены в доменные модули.

Модуль	Ответственность
EmployeeService	Снимок профиля, готовые данные для dashboard и карьерного симулятора
CareerService / SkillService	Карьерная цель, требования, разрывы и доказательства навыков
RecommendationService	Подготовка кандидатов, расчёт рейтинга и аудит результата
ActivityService / Learning services	Старт, прохождение, проверка доказательств, подтверждение навыка
ManagerService	Команда руководителя, контекст развития, проверка работ
HRService	Агрегация workforce, дефициты, кадровые сценарии
AuditService	Событие, действующее лицо и явные метаданные
Репозитории	Предметные операции хранения и единица транзакции

EmployeeRepository, SkillRepository, ActivityRepository, HistoryRepository, EvidenceRepository и остальные интерфейсы не раскрывают Prisma-запросы. Сервисы получают обычные TypeScript-объекты. В тестах есть адаптер сотрудника в памяти; текущий runtime использует Prisma. Переход на PostgreSQL потребует настройки схемы и миграций, но не переписывания формул или UI.

Мутации и соответствующие audit-события сохраняются в общей транзакции. Ошибки проходят через AppError, ValidationError, NotFoundError, ForbiddenError и BusinessRuleError. Ответ предсказуем:

{ "error": { "code": "EMPLOYEE_NOT_FOUND", "message": "Employee not found." } }

Zod-схемы запросов, импортируемых данных и ответов LLM находятся в packages/shared/schemas. Доменные ограничения опубликованной траектории проверяются отдельно в domain.

Архитектура AI (AI Architecture)

packages/ai получает структурированные данные и возвращает результат. Сохранением кеша, оценок и доказательств управляют backend-сервисы.

• recommendation: кандидаты → факторы → scorer → ranker; все вычисления детерминированы.
• explainability: безопасный контекст → шаблон либо опциональный LLM → валидация ответа. Кеш на 24 часа находится за интерфейсом репозитория.
• assessment: рубрики, проверка тестов, оценка письменной работы; проверяются поля, пределы и сумма оценок.
• learning: генерация учебного контента и адаптивных заданий.
• copilot: обозначенная точка будущего расширения; отдельный чат в текущем MVP не реализован.

Обычный dashboard не вызывает LLM. Модель не записывает данные, не назначает уровень навыка, грейд, готовность, рейтинг или право на повышение. При оценке письменной работы модель может предложить баллы по рубрике; backend валидирует результат, а domain проверяет все условия подтверждения навыка. Объективность такой оценки не гарантируется.

Поток данных (Data Flow)

Сотрудник открывает dashboard → frontend запрашивает GET /api/employees/EMP001/dashboard → backend проверяет сессию и доступ → EmployeeService загружает профиль и каталог через репозитории → career/skills domain и RecommendationService готовят расчёты → API возвращает Snapshot → React отображает данные.

Запрос навыков использует SkillService; изменение цели — CareerService. API кадровой аналитики вызывает HRService, который сначала получает сотрудников разрешённой области, затем передаёт их чистому агрегатору. UI получает готовые метрики. Для Manager область задаётся сохранёнными связями команд, а не параметром браузера.

Поток рекомендаций (Recommendation Flow)

flowchart LR
    Service["RecommendationService"] --> Context["Профиль + требования + история + каталог"]
    Context --> Candidates["Candidate Generator"]
    Candidates --> Factors["Factor Calculator"]
    Factors --> Scorer["Deterministic Scorer"]
    Scorer --> Ranker["Ranker"]
    Ranker --> Template["Шаблон по рассчитанным фактам"]
    Template --> DTO["Структурированный ответ API"]
    Ranker -. "явный запрос объяснения" .-> Explain["Explainability Service"]
    Explain --> Cache["Кеш / опциональный LLM / валидация"]
    Cache --> DTO

Кандидаты исключают завершённые активности, неподходящий стаж и отсутствие достижимого прироста. Формула и веса приведены выше. Ответ содержит employeeId, список рекомендаций, активность, score, факторы, ожидаемое изменение и объяснение. Объяснение не меняет рассчитанный рейтинг.

Подтверждение активности

sequenceDiagram
    participant UI as Frontend
    participant API as Backend API
    participant AS as ActivityService
    participant Domain as Domain rules
    participant Repo as Repositories / SQLite
    participant Audit as AuditService
    participant ES as Employee / Recommendation services
    UI->>API: POST /employees/:id/activities/:activityId/complete
    API->>API: Проверить сессию и область доступа
    API->>AS: complete(employeeId, activityId)
    AS->>Repo: Начать транзакцию, прочитать enrollment и evidence
    AS->>Domain: Проверить обязательные модули, mastery, оценки и согласование
    Domain-->>AS: Допустимый прирост с maxLevel
    AS->>Repo: Навыки + история + evidence + milestone
    AS->>Audit: ACTIVITY_COMPLETED / SKILL_UPDATED
    Audit->>Repo: Записать события в ту же транзакцию
    AS->>Repo: Commit
    AS->>ES: Обновить готовность и рекомендации
    ES-->>AS: Готовое состояние
    AS-->>API: ActivityWorkspace
    API-->>UI: Результат и следующая рекомендация

При ошибке проверок изменения не сохраняются. Повторный запрос завершённой траектории возвращает текущее состояние без повторного начисления. Готовность в milestone рассчитывается по доменной формуле; свежие рекомендации после commit отражают сохранённые навыки.

Безопасность и роли (Security / RBAC)

Роль	Область и действия
EMPLOYEE	Собственный профиль, цель, учебные действия, рекомендации и доказательства
MANAGER	Только сотрудники назначенных команд: просмотр развития и согласование работ
HR	Вся демонстрационная организация: аналитика, чтение профилей, импорт, учебный контент, согласование и аудит

Разрешения централизованы в middleware/authorization.ts. Manager связан с подразделениями через ManagerTeam; seed назначает DEMO-MANAGER подразделение Aidar. Для HR разрешённая область MVP — одна демонстрационная организация. HR и Manager не выполняют учебные действия от имени сотрудника.

Сессия подписана HMAC и хранится в HttpOnly-cookie; срок и подпись проверяются сервером. Изменяющие запросы требуют допустимый Origin, JSON проверяется строгими схемами. Клиент не может передать другой employeeId или собственную оценку в учебном ответе. Ключи ответов тестов не выдаются в API. Демовход позволяет каждому посетителю выбрать любую роль: это проверка разграничения сценариев, не корпоративная аутентификация.

Аудит (Auditability)

AuditEvent хранит actorId, actorRole, action, entityType, entityId, timestamp и metadata. Действующее лицо берётся из серверной сессии и передаётся через контекст запроса.

События: ACTIVITY_STARTED, ACTIVITY_COMPLETED, SKILL_UPDATED, RECOMMENDATION_GENERATED, MANAGER_VALIDATION, DATA_IMPORTED; дополнительно — изменение карьерной цели и публикация траектории. При повторном открытии или подтверждении выполненного обучения события начисления не дублируются. Новое вычисление рекомендаций, включая dashboard, создаёт событие генерации.

HR может прочитать последние события через GET /api/hr/audit. Метаданные содержат выбранные идентификаторы и результаты, без токенов, исходных запросов и письменных ответов. Журнал дополняется приложением; защита от администратора БД, внешнее архивирование и политика хранения пока не реализованы.

Установка и запуск (How to Run)

Требования

• Node.js 24 и npm.
• Git и доступ к этому репозиторию.
• Для обычного демо API-ключ не нужен.

1. Получить проект

git clone https://github.com/BAITC-Hacks/hack-c273b2c0-adrenol1ne.git
cd hack-c273b2c0-adrenol1ne

Если проект уже скачан, откройте терминал в его корневом каталоге и переходите к следующему шагу.

2. Установить зависимости и подготовить БД

npm ci
npm run db:setup

db:setup создаёт .env из .env.example, генерирует секрет сессии, создаёт локальный файл SQLite, применяет миграции и заполняет пустую БД демоданными. Повторный запуск сохраняет существующих сотрудников и их прогресс.

3. Запустить приложение

npm run dev

Откройте http://127.0.0.1:3000. Вход выполняется кнопками Employee demo, Manager demo и HR demo, без логина и пароля. Между ролями можно переключаться в боковом меню.

В Windows PowerShell, если запуск npm.ps1 заблокирован политикой выполнения, используйте npm.cmd вместо npm.

Запуск production-сборки локально

Сначала остановите сервер разработки через Ctrl+C, затем выполните:

npm run build
npm start

Остановка особенно важна в Windows: работающий сервер может удерживать файл движка Prisma и мешать сборке.

Для другого порта: npm run dev -- --port 3001 или npm start -- --port 3001. Скрипт запуска передаёт тот же порт серверным API-запросам. Для контейнера с reverse proxy нужен отдельно настроенный публичный listener; локальный запуск привязан к 127.0.0.1.

Настройки окружения

Переменная в .env	Назначение
DATABASE_URL	По умолчанию file:./dev.db; файл находится в data/prisma/dev.db
SESSION_SECRET	Секрет подписи сессий, минимум 32 символа; создаётся автоматически
DEMO_LOGIN_ENABLED	true включает демонстрационный вход в три роли
LLM_API_KEY	Необязательный ключ провайдера; пустое значение включает шаблонные объяснения
LLM_BASE_URL	По умолчанию https://api.openai.com/v1
LLM_MODEL	По умолчанию gpt-4.1-mini

Для подключения модели заполните LLM_API_KEY, при необходимости измените провайдера и модель, затем перезапустите сервер. Настоящие ключи и .env не должны попадать в Git.

Как проверить решение: сценарий для жюри

Обзор интерфейса занимает 5–10 минут; полноценное выполнение практических заданий требует дополнительного времени. Числа ниже относятся к исходной демобазе до изменения карьерной цели или завершения активностей.

Сотрудник: обучение, практика и проверяемый прогресс

1. Нажмите Employee demo. В исходной базе у Aidar Sarsenov готовность к Senior Backend Engineer — 68%, System Design — 2/5.
2. В Dashboard → Why this activity? изучите объяснение Advanced System Design Workshop и сравнение с Public Speaking. Затем нажмите Start activity или Open learning workspace.
3. В Learning Path откройте Distributed Systems Fundamentals, начните модуль, изучите материал и подтвердите его прохождение. Повторите для Database Scaling. Убедитесь: прогресс растёт, но навык пока остаётся прежним.
4. В Practice выполните письменное задание. Для проверки отрицательного сценария отправьте слабое решение: должны появиться обратная связь и материалы для повторения, без повышения навыка. Пройдите повторение и отправьте исправленную работу.
5. Пройдите тест из 15 вопросов, архитектурный проект и итоговую оценку. Успешный ответ должен раскрывать требования задания и критерии рубрики: масштабирование, данные, отказоустойчивость, обработку ошибок, мониторинг и безопасность.
6. После выполнения обязательных требований используйте кнопку подтверждения навыка. Для Advanced System Design Workshop ожидаемый результат — System Design 2 → 3 и готовность 68% → 76%. На экране результата появится следующая рассчитанная рекомендация.
7. Обновите страницу и откройте My skills → Evidence: прогресс и подтверждающие записи должны сохраниться. Повторная проверка завершённой траектории не начисляет прирост снова.

Проценты рассчитаны из весов требований: Python — 14%, Databases — 14%, System Design — 32%, Leadership — 24%, Cloud — 16%. Рост System Design с 2/4 до 3/4 даёт +8 процентных пунктов. Это демонстрация расчёта, а не обещание повышения.

Руководитель: своя команда

1. Вернитесь на главную и нажмите Manager demo. Откройте список команды и профиль Aidar: доступны навыки, карьерный контекст и рекомендации; учебные действия от его имени недоступны.
2. Проверьте очередь согласований. Она содержит только работы своей команды, готовые к проверке. Если таких работ ещё нет, очередь пуста.
3. Проверка доступа к сотруднику другого подразделения возвращает 403; этот сценарий также покрыт API-тестом.

HR: аналитика, сценарий и новый профиль

1. Нажмите Switch to HR demo в боковом меню. Проверьте Overview, Skill intelligence и Employees.
2. В Workforce scenarios выберите Applied AI, потребность в 50 дополнительных сотрудниках, горизонт 9 месяцев, затем Run scenario. Система покажет группы дообучения, внутренней мобильности и остаточную потребность во внешнем найме. Уже готовые сотрудники отображаются отдельно.
3. В Import data скачайте Download a sample profile и загрузите полученный employees.json. Откройте добавленный профиль Samira Alimova из результата импорта. Для него должна появиться рассчитанная рекомендация по System Design.
4. Дополнительно загрузите apps/frontend/public/samples/dataset.json. Этот пример добавляет новую компетенцию, активность, требования к роли AI Engineer и сотрудника Askar Seitov. В его профиле должна появиться рекомендация Model Evaluation Lab.

Прогресс сохраняется между запусками. Для точного повтора начального сценария используйте новую копию проекта с пустой БД; повторный db:setup не сбрасывает результаты проверки.

В Development дополнительно проверьте карточку траектории и Create Learning Path: задайте навык и уровни, создайте черновик, изучите модули и опубликуйте после подтверждения. У траекторий с обязательным наставником завершение блокируется до одобрения в этом разделе.

Как запускать проверки (How to Test)

npm run lint
npm run check
npm run build

check запускает проверку TypeScript и тесты. В проекте 128 автоматических тестов: ранжирование, готовность, импорт и откат, сессии, mastery, тесты и пороги оценки, адаптация и повторение, защита от преждевременного или повторного прироста, SkillEvidence, согласование HR и резервные AI-объяснения.

При запущенном приложении в другом терминале выполните:

npm run test:http

Тесты разделены на tests/unit, tests/integration и tests/api. Изолированные SQLite-базы создаются во временном каталоге; основная база не сбрасывается. Покрыты CareerService, SkillService, ActivityService, scorer, HR-агрегация, RBAC, атомарность аудита и границы импортов.

HTTP-проверки охватывают доступ к страницам и API, три роли, ограничения команды и защиту изменяющих запросов. Они читают текущую базу, создают сессии и audit-события, но не завершают учебные активности. Для другого порта задайте APP_URL, например $env:APP_URL="http://127.0.0.1:3001" в PowerShell. GitHub Actions устанавливает зависимости, подготавливает БД, запускает ESLint, проверяет типы, выполняет тесты и собирает приложение.

Данные и интеграции

Стартовый набор: 48 синтетических сотрудников, 24 навыка, 20 активностей, 2 внутренние миссии и шесть месяцев истории. Источник — data/fixtures/seed-data.ts; реальные персональные данные банка не используются.

Импорт: через кабинет HR можно передать до пяти JSON/CSV-файлов, до 2 МБ каждый и до 8 МБ суммарно.

Файл	Содержимое
employees.json	Профили, роли, цели и текущие уровни навыков
skills.json	Справочник компетенций
events.json	Активности и заданный прирост навыков
requirements.json	Требования и веса навыков для целевой роли и грейда
activity_history.csv	История участия и статусы активностей
Объединённый JSON	Массивы employees, skills, events, history, requirements в одном объекте

Готовые примеры находятся в apps/frontend/public/samples/ и доступны для скачивания в Import data. Можно также загрузить отдельный JSON-объект сотрудника.

Правила импорта:

• Уровни навыков — целые числа 0–5; отсутствующий навык считается равным нулю.
• Связанные сотрудники, навыки и активности должны существовать в БД или поступить в том же импорте.
• Поле employeeId в истории ссылается на внутренний id сотрудника, а не на его внешний employeeId.
• Даты — ISO 8601 с часовым поясом; для COMPLETED требуется дата завершения.
• Данные проверяются и сохраняются одной транзакцией. Записи с существующими ID обновляются; массив навыков заменяет текущий снимок навыков сотрудника.
• Исторические завершения при импорте не начисляют прирост повторно: источником текущих уровней служит импортированный профиль.
• Если требований для новой карьерной цели нет, рекомендации не формируются до добавления требований.

Внешняя интеграция: опциональный OpenAI-совместимый API получает роль, цель, данные о навыках, сведения об активности и агрегаты истории. Имена, ID сотрудников и исходные записи истории не отправляются при объяснении рекомендаций. При оценивании в настроенный API передаются задание, рубрика и текст учебного ответа; в демо используйте только синтетические данные. Ответ проверяется по JSON-схеме и допустимым числам; при ошибке или превышении пяти секунд используется шаблон.

Ограничения текущей версии

• Демонстрационная авторизация. Есть разделение ролей на сервере, но любой участник демо может переключиться в HR. Корпоративные SSO и управление правами не подключены.
• Условная оценка компетенций. Веса, прирост от обучения, вероятность завершения и уверенность заданы демонстрационными правилами и не откалиброваны на реальных данных. Уровень меняется только после заданных оценок и проверки mastery; для части траекторий есть имитация подтверждения HR. Реальная аттестация и интеграция с LMS не подключены.
• Упрощённое кадровое планирование. Группы определяются уровнем навыка и сроком 3/6/9 месяцев. Не учитываются бюджет, загрузка, желание сотрудников и фактическая эффективность обучения.
• SQLite и один экземпляр приложения. Для масштабирования нужны серверная БД, отдельная настройка развёртывания и постоянное хранилище. Статическая публикация без Node.js-сервера не поддерживается.
• Ограниченный контур интеграций. Нет подключения к HRIS, LMS и системам банка, полноценного процесса назначения на миссии и уведомлений. Согласование наставником демонстрационное; внешний LMS можно описать через URL, имя провайдера и ID курса, но синхронизация с ним не реализована.
• Ограничения LLM. Работа с живым провайдером требует ключа и отдельно настроенного доступа. Проверка JSON, границ и суммы баллов не гарантирует объективность оценки или правильность всех формулировок; расчёты и карточки исходных данных остаются основой объяснения.
• Готовность к эксплуатации. Реализован базовый аудит бизнес-действий. Внешний защищённый журнал, производственный мониторинг, политика хранения персональных данных и русская локализация интерфейса пока не реализованы. Чат-copilot и специальный редактор планов one-on-one не добавлены; руководитель использует существующий контекст развития сотрудника.

Опубликованная версия

Публичная версия приложения на момент подготовки README не опубликована.

Доступен локальный запуск по инструкции выше: http://127.0.0.1:3000. Это адрес приложения на вашем компьютере, а не публичная ссылка.

Исходный код: BAITC-Hacks/hack-c273b2c0-adrenol1ne.