Infinity AI — Agentic AI для прогноза выработки ВЭС

HackAlem AI 2026, трек «Энергетика». Команда Infinity AI.

Система сама выполняет полный цикл прогноза почасовой выработки ветроэлектростанции на 24–48 часов: получает архивный прогноз погоды на момент выпуска → готовит признаки → (пере)обучает модель → строит почасовой прогноз → анализирует результат → пересчитывает при обновлении входных данных. Процесс воспроизводится «как в прошлом»: выпуски 31.01, 01.02, … 27.02.2026.

Вход в систему (для проверки)

Логин: expert · Пароль: infinity-demo — задаётся в .env (APP_LOGIN, APP_PASSWORD, см. .env.example), одинаково для локального запуска (http://localhost:5180) и Docker (http://localhost:3000).

Главное правило: никакой утечки будущего

Погода берётся из Open-Meteo Previous Model Runs API — только переменные *_previous_day1/2, то есть значения из прогонов метеомодели, сделанных за 1–2 суток до целевого часа. Для выпуска D (00:00 UTC) час +h ≤ 24 берётся из прогона за сутки, +h ≤ 48 — за двое суток: оба прогона выпущены не позже D. «Текущие» (близкие к факту) переменные не запрашиваются вообще. Обучение идёт на том же типе данных (архивные прогнозы за прошлое), модель обучается только на фактах строго раньше момента выпуска. Проверка вшита в агент (all_runs_before_issue).

Объект: ВЭС «Нурлы» (паспорт)

Источник: Samruk-Green Energy, проект ВЭС 5 МВт; в системе — таблица wind_objects.

Параметр	Значение
Станция	ВЭС 5 МВт, п. Нурлы, Енбекшиказахский район, Алматинская область
Оператор	ТОО «Samruk-Green Energy»
Ввод в эксплуатацию	20 июля 2020 (строительство март–ноябрь 2018)
Плановая годовая выработка	около 16 млн кВт·ч
Турбины	2 × Goldwind GW109/2500 (XINJIANG GOLDWIND Science & Technology), класс IEC IIA/IIIA
Мощность одной турбины	2,5 МВт
Ротор	3 лопасти, диаметр 109 м; лопасти — стеклопластик (Sinoma)
Башня	трубчатая коническая стальная, 80 м
Стартовая / номинальная / максимальная скорость ветра	3 / 10,3 / 25 м/с
Координаты	T1: 43.645139, 78.535611 · T2: 43.643194, 78.538833

Как паспорт используется в системе: номинал 2,5 МВт переводит нормализованную мощность в МВт·ч; высота ступицы 80 м обосновывает ветер на 100 м из метеомодели (ближайший уровень к ступице); диапазон 3–25 м/с — ориентир для кривой мощности (нижняя граница в модели 1,5 м/с, потому что прогнозный ветер занижен относительно измеренного на гондоле; отсечка 25 м/с совпадает с паспортом); данные о пропусках (wind_actuals_gaps) — 245 пропусков, самый длинный 999 ч у T1 (май–июнь 2024).

Архитектура

React UI (Vite, TS)  ──/api──►  FastAPI  ──►  ForecastAgent (цикл + политика пересчёта)
                                   │              ├─ fetch_forecast   Open-Meteo previous runs (+кеш data/cache)
                                   │              ├─ prepare_features плотность воздуха, v_eq, направление, порывы
                                   │              ├─ train_model      кривая мощности + бустинг остатков
                                   │              ├─ predict          48 ч × {T1, T2, станция}
                                   │              ├─ analyze          sanity-check, сравнение с прошлым выпуском
                                   │              ├─ evaluate         MAE/RMSE/skill к персистентности
                                   │              ├─ replan           пересчёт / переобучение по правилам
                                   │              └─ report           сводка LLM (OpenAI / vLLM на NVIDIA / mock)
                                   ├─ Chat-агент: LLM сам вызывает инструменты (function calling), SSE-поток
                                   └─ Store: ClickHouse (основное) | SQLite (запасное)

Политика перепланирования: новый прогон погоды (изменилась сигнатура) → пересчёт; разница ветра с прошлым выпуском > 1.5 м/с → пометка ревизии; пропуск факта > 3 ч → пониженная достоверность; MAE выпуска > 2× среднего → переобучение; ≥ 7 суток новых фактов → переобучение. Каждое действие и его причина пишутся в журнал агента и видны в UI.

Модель: эмпирическая кривая мощности (медианы по бинам 0.25 м/с от прогнозного v_eq с поправкой на плотность воздуха, монотонность через изотоническую регрессию) + HistGradientBoostingRegressor на остатках (направление, порывы, сезон, час суток, горизонт). Отдельно для T1 и T2, станция = среднее.

Агент: цикл, уведомления, диалог, база знаний

• Цикл агента (страница «Агент»): для каждого выпуска — получение погоды → подготовка данных (с учётом пропусков wind_actuals_gaps) → обучение по политике → прогноз → анализ → оценка → перепланирование → отчёт. Каждый шаг с причиной пишется в agent_log и показывается в UI.
• Уведомления (/api/alerts): резкие изменения выработки по ΔP̂ₕ = P̂ₕ₊₁ − P̂ₕ (порог 15 % Pном за час, 30 % за 3 ч, задаётся под оператора), штиль, риск остановки по ветру (> 22 м/с), обледенение (< −10 °C), пониженная достоверность. Для окна события проверяется расхождение с прошлым выпуском («сценарии заметно расходятся»). Пример: «Днём ожидается снижение мощности на 1,9 МВт (38 % Pном). Наиболее вероятное окно — 17:00–20:00. В этом интервале сценарии заметно расходятся с прошлым выпуском».
• Диалог (/api/agent, SSE): LLM сама выбирает инструменты — get_forecast, get_alerts, get_period_summary, get_metrics, get_agent_log, find_analogs, search_knowledge, run_forecast. Режимы Быстрый/Средний/Думающий, память диалога, понимание опечаток, вложения (docx, doc, pdf, xlsx, csv, изображения), выгрузка ответа в Word/Excel. Ответ на языке вопроса. Провайдеры: vLLM (Qwen3.8-27B на NVIDIA H200) → OpenAI → правила с автоматическим переходом.
• База знаний (python -m app.cli train-embeddings): эмбеддинги обучаются на корпусе проекта (паспорт станции, методика, данные, метрики, README): TF-IDF по символьным n-граммам + SVD (LSA), индекс в ClickHouse (knowledge_chunks, cosineDistance) и в памяти. Никаких внешних сервисов.
• Машина времени: режим «Доступно тогда / Факт для оценки» и паспорт выпуска (/api/passport): момент выпуска, до какого часа был факт, окно публикации прогонов погоды, контрольная сумма входа, версия модели, отличие от прошлого выпуска.

Интерфейс

Вход по логину/паролю (для проверки: expert / infinity-demo). Страницы в сайдбаре:

• Прогноз — фильтры (объект, горизонт 24/48 ч, дата выпуска, «Доступно тогда / Факт для оценки», график/таблица), полоса ключевых чисел (формулы — во всплывающей подсказке), график прогноз/факт/прошлый выпуск, погода на горизонте, автоматический ИИ-анализ выпуска (/api/insight), уведомления агента, почасовая таблица, экспорт CSV.
• Исторический прогон — воспроизведение февраля по дням «как в прошлом»: шкала выпусков 31.01–27.02, «Продолжить» / «Следующий день», цепочка шагов цикла, текущий выпуск против предыдущего, решения системы, таблица запусков.
• Карта и 3D — спутниковая карта с турбинами; клик — паспорт объекта с живыми данными и мини-3D; 3D-сцена площадки: рельеф, подстанция, лопасти вращаются по прогнозному ветру, поток частиц по направлению ветра.
• Данные и источники — параметры турбин, реестр источников (история, архив прогнозов Open-Meteo, справочник, пропуски, отсутствующий факт февраля), аномалии, найденные системой в истории (простои, залипание датчика, мощность без ветра, пропуски wind_actuals_gaps), сверка таблиц ClickHouse, пропуски по месяцам.
• Агент — чаты как в ChatGPT (история, режимы Быстрый/Средний/Думающий), вложения документов, ответы с таблицами, выгрузка в Word/Excel, живая лента «Как агент построил этот прогноз», похожие дни. Русский/казахский, светлая/тёмная тема.

Технологии

Бэкенд: Python 3.12, FastAPI, pandas, numpy, scikit-learn (HistGradientBoosting, квантильная регрессия, TF-IDF + SVD), ClickHouse (clickhouse-connect) / SQLite, OpenAI SDK (совместим с vLLM), python-docx, openpyxl, pypdf, matplotlib, pytest. Фронтенд: React 19 + TypeScript + Vite, Tailwind CSS 4, Recharts, react-markdown + remark-gfm, Leaflet, three.js, lucide-react. Инфраструктура: Docker Compose; опционально vLLM на NVIDIA H200 (Brev).

Структура

backend/app/
  core/       конфиг, логирование
  api/        роутеры FastAPI (health, forecasts, metrics, agent), зависимости
  schemas/    pydantic-схемы ответов
  db/         Store: clickhouse.py, sqlite.py, factory.py
  ml/         data, weather, features, model, metrics, pipeline
  services/   agent (цикл), chat (function calling), llm, export
  cli.py      fetch-weather | backtest | forecast | ensure | export
frontend/     React + TS (Vite), nginx.conf для docker
data/raw/     исходные CSV организаторов (10 мин) + wind_actuals.csv (выгрузка дата-инженера)
data/cache/   ответы Open-Meteo — проверка работает без сети
outputs/      forecasts.csv, forecasts_test_period.csv, metrics.json

Быстрая проверка для жюри (Windows / Linux / macOS)

Нужен только Docker Desktop (Windows, macOS) или Docker Engine + Compose (Linux). Ключи, GPU и интернет-API не нужны.

git clone https://github.com/BAITC-Hacks/hack-9a8fb661-infinity-ai.git
cd hack-9a8fb661-infinity-ai
docker compose up --build

Через 2–4 минуты (первый старт сам прогоняет бэктест и обучает базу знаний) открыть http://localhost:3000, войти expert / infinity-demo. Остановить: Ctrl+C, затем docker compose down. Что проверить — раздел «Проверка основного сценария». Свободными должны быть порты 3000, 8010, 8123, 9000.

Без Docker — вариант 1 ниже. Отличия для Windows (PowerShell): py -3.12 -m venv .venv, .venv\Scripts\activate, copy .env.example .env.

Запуск

Нужно: Python 3.12, Node.js 20+, git. ClickHouse, GPU и ключи не нужны: по умолчанию — SQLite, погода из кеша data/cache, агент отвечает по правилам на реальных данных. Проверено на чистой копии.

Вариант 1 — локально (≈ 3 минуты)

git clone https://github.com/BAITC-Hacks/hack-9a8fb661-infinity-ai.git   # или: git pull origin main
cd hack-9a8fb661-infinity-ai
python3.12 -m venv .venv && source .venv/bin/activate
pip install -r backend/requirements.txt
cp .env.example .env                       # SQLite, офлайн-погода, вход expert / infinity-demo

cd backend
python -m app.cli backtest                 # ~1 мин: 58 выпусков (январь — бэктест, 31.01–27.02 — тест)
python -m app.cli train-embeddings         # база знаний агента (эмбеддинги)
uvicorn app.main:app --port 8010           # API; оставить запущенным

Во втором терминале:

cd hack-9a8fb661-infinity-ai/frontend
npm ci
npm run dev                                # http://localhost:5180  (вход: expert / infinity-demo)

Проверка: cd backend && pytest -q — 31 тест; cd frontend && npm test — 3 теста.

Вариант 2 — Docker (одна команда, с ClickHouse)

docker compose up --build                  # UI: http://localhost:3000 (expert / infinity-demo)

При первом старте бэкенд сам прогоняет бэктест и обучает базу знаний.

По желанию

• Живая LLM: в .env — USE_MOCK_LLM=false и OPENAI_API_KEY=sk-… (или LLM_BASE_URL для своей модели на vLLM, см. gpu/README.md). Без этого агент работает по правилам.
• ClickHouse вместо SQLite: docker compose up -d clickhouse, в .env — DB_BACKEND=clickhouse и пароль CLICKHOUSE_PASSWORD. Таблицы wind_objects, wind_actuals, wind_actuals_gaps создаются и заполняются при старте.
• Свежая погода из сети: WEATHER_OFFLINE=false (иначе только кеш из репозитория).
• Показ команде в локальной сети: cd frontend && npm run serve:lan → http://<IP>:5180 (в Wi-Fi хакатона может мешать изоляция клиентов).

LLM агента: правила, OpenAI API, NVIDIA H200

Прогноз от LLM не зависит; LLM нужна только для диалога, ИИ-анализа выпуска и сводок. Три режима, переключение через .env:

Режим	Что нужно	Настройка
Правила (по умолчанию, для проверки)	ничего	USE_MOCK_LLM=true — агент отвечает по тем же инструментам на реальных данных
OpenAI API	свой ключ	USE_MOCK_LLM=false, OPENAI_API_KEY=sk-… (модели: gpt-4o-mini / gpt-4o / o4-mini для режима «Думающий»)
Своя модель на NVIDIA H200	GPU в NVIDIA Brev	USE_MOCK_LLM=false, LLM_BASE_URL=http://localhost:8001/v1, VLLM_MODEL=qwen

Во время хакатона агент работал на Qwen3.8-27B (bf16) на NVIDIA H200 141 GB в NVIDIA Brev: vLLM в Docker (gpu/serve_vllm.sh), OpenAI-совместимый API, вызов инструментов qwen3_xml, режимы размышления через reasoning_effort, туннель brev port-forward / ssh -L 8001:localhost:8000. Скрипт сам выбирает полную или FP8-версию по объёму видеопамяти (L40S 48 GB — FP8). При недоступности модели цепочка переходит vLLM → OpenAI → правила автоматически, без ошибки для пользователя. Подробно — gpu/README.md.

Вход и безопасность

Интерфейс и API закрыты входом: логин/пароль из .env (APP_LOGIN, APP_PASSWORD), сессия — подписанная HMAC-SHA256 cookie (HttpOnly, SameSite=Strict, 12 ч). Защита от перебора: 5 попыток в минуту с IP. Заголовки X-Frame-Options: DENY, nosniff. Документация API скрыта при включённом входе. Доступ для команды в локальной сети: cd frontend && npm run serve:lan — наружу открыт только порт 5180 (собранная минифицированная версия без исходников и source maps); API на 127.0.0.1:8010 доступен только через прокси и только после входа. Для проверки экспертами: в .env.example и docker-compose.yml — expert / infinity-demo. Пустой APP_PASSWORD отключает вход (локальная разработка, тесты). Пароль ClickHouse — только в .env.

Параметры окружения (.env)

Переменная	По умолчанию	Смысл
USE_MOCK_LLM	true	сохранённые/шаблонные ответы LLM, ключ не нужен
OPENAI_API_KEY	пусто	ключ OpenAI (только для живого LLM)
LLM_BASE_URL	пусто	OpenAI-совместимый endpoint (vLLM на NVIDIA Brev), напр. http://localhost:8001/v1
LLM_PROVIDER	auto	vllm / openai / mock; auto = vLLM → OpenAI → mock, при сбое переход к следующему
VLLM_MODEL	qwen	имя модели на vLLM (Qwen3.8-27B)
OPENAI_MODEL_FAST / _STRONG	gpt-4o-mini / gpt-4o	маршрутизация: сводки / диалог
LLM_MAX_TOKENS	600	лимит вывода
DB_BACKEND	sqlite	clickhouse или sqlite; если ClickHouse недоступен — автоматически SQLite
CLICKHOUSE_*	см. .env.example	подключение к ClickHouse
WEATHER_OFFLINE	true	true = только кеш data/cache, без сети
APP_LOGIN / APP_PASSWORD	expert / infinity-demo (пример)	вход в интерфейс; пустой пароль — без входа
APP_SECRET	случайный	ключ подписи сессий
SOURCE_UTC_OFFSET	5	часовой пояс исходных CSV (проверено корреляцией с Open-Meteo)

Проверка основного сценария

После запуска открыть http://localhost:5180 (или :3000 в Docker), войти expert / infinity-demo.

1. Прогноз: выпуск 31.01 → почасовой прогноз на 48 ч, факт (январь), ключевые числа, погода, уведомления агента. Переключить «Доступно тогда» — факт скрывается: видно только то, что было известно на момент выпуска.
2. Исторический прогон: «Продолжить» — система последовательно воспроизводит выпуски 31.01 → 27.02, для каждого показаны шаги цикла, отличие от прошлого выпуска и решения агента (например, 25.02: пересчёт, ветер изменился на 2,4 м/с при пороге 1,5 м/с).
3. Данные и источники: что загружено и откуда, аномалии в истории, сверка данных. Точность на январе — в разделе «Результаты» ниже и в outputs/metrics.json (лучше «как вчера» на 62 % / 51 %).
4. Агент: «Прогноз на 12.02», «прогназ на завтро скок будет» (опечатки), «какой день в феврале лучший для ремонта»; прикрепить examples/agent_docs/01_reglament_dispetchera.docx и спросить про пороги регламента; выгрузить ответ в Word/Excel. Список проверочных вопросов — examples/agent_questions.md.
5. Пересчёт: кнопка «Пересчитать выпуск» в сайдбаре или python -m app.cli forecast 2026-02-10 --force.

Готовые результаты: outputs/forecasts.csv, outputs/forecasts_test_period.csv (выпуски 31.01–27.02), outputs/metrics.json, outputs/experiments.json.

Тесты

После обновления правил агрегации факта нужно пересчитать сохранённые выпуски: cd backend && python -m app.cli backtest --force, затем перезапустить API. Команда переобучает модели и обновляет выгрузки; старые запуски в БД сохраняются. Обычный ensure не пересчитывает уже заполненное хранилище.

Факт часа использует только шесть уникальных валидных 10-минутных точек центрированного окна [H−30 мин, H+30 мин). Факт станции требует обе турбины. Неполные часы не подменяются нулями и не участвуют в оценке.

cd backend && pytest -q        # 20 тестов, без сети и ключей (SQLite + кеш погоды)

Проверяют: отсутствие утечки будущего (все прогоны погоды выпущены до момента прогноза, модель не обучена на данных позже выпуска), UTC-конвертацию и флаг простоя, монотонность кривой мощности, метрики, API (валидация входа, агентный цикл, пропуск пересчёта без изменений, SSE-диалог в mock-режиме), справочник объектов.

Проверка без API-ключей

USE_MOCK_LLM=true (по умолчанию). Прогноз от LLM не зависит; сводки и ответы чата строятся правилами по тем же инструментам агента на реальных данных (понимает опечатки, «завтра/вчера», казахский). Погода берётся из data/cache (в Docker WEATHER_OFFLINE=true), поэтому сеть тоже не нужна.

Результаты (январский бэктест, выпуски 01.01–30.01.2026)

Объект	Горизонт	MAE	RMSE	MAE персистентности	Skill
Станция	1–24 ч	0.145	0.194	0.385	+62%
Станция	25–48 ч	0.170	0.228	0.343	+51%
T1	1–24 ч / 25–48 ч	0.152 / 0.174			+61% / +50%
T2	1–24 ч / 25–48 ч	0.144 / 0.171			+63% / +49%

MAE — в долях номинальной мощности. Факт по февралю организаторы не предоставили (данные до 31.01.2026 23:50), поэтому февральские выпуски — прогноз без оценки.

Таблица доказательств (что улучшает прогноз, а что нет)

python -m app.cli experiments → outputs/experiments.json, страница «Аналитика». Январь 2026, одинаковые условия: обучение только до выпуска, переобучение раз в 7 суток, архивные прогнозы погоды. MAE станции (доля Pном):

Вариант	1–24 ч	25–48 ч	Решение
Кривая мощности по прогнозному ветру 100 м	0,149	0,170	база модели
+ бустинг остатков	0,145	0,170	в работе
+ погодный контекст ±1–3 ч (Landry et al., 2016, GEFCom2014)	0,155	0,183	отклонено: хуже
Analog Ensemble — среднее факта 8 похожих дней (Alessandrini et al., 2015)	0,210	0,224	как прогноз — отклонено
Смесь 0,7 × бустинг + 0,3 × аналоги	0,166	0,189	отклонено: хуже

Персистентность «как вчера»: 0,385 / 0,343. Гипотезы из литературы проверены, а не перенесены на веру.

Диапазон прогноза Q10–Q90 — квантильный бустинг остатков (Landry et al., 2016). На январе в диапазон попало 78 % фактов на горизонте 1–24 ч и 74 % на 25–48 ч при цели 80 % (станция; ширина ≈ 2,2–2,5 МВт). Диапазон станции — среднее квантилей турбин: ошибки турбин почти полностью коррелированы общей погодой. Аналоги оставлены там, где они полезны: память агента (/api/analogs, инструмент find_analogs) — похожие прошлые дни по 48-часовому прогнозу погоды (только до даты выпуска), их фактическая выработка и разброс Q10–Q90, чтобы объяснить, насколько можно доверять текущему прогнозу.

Вклад команды: модель дата-инженера (contrib/wind_hackathon_handoff/)

Отдельный пакет коллеги по команде: прогноз с 10-минутной детализацией (288 точек на 48 ч) и часовыми агрегатами, физическая кривая по паспорту + residual HistGradientBoostingRegressor, обучение только по полным часам (6 валидных 10-минуток), CLI train / predict / replay, DDL таблиц wind_objects, wind_actuals, wind_actuals_gaps, wind_weather_forecasts, wind_power_forecasts. Вторая версия пакета добавляет загрузчик архивных прогнозов погоды (Open-Meteo, опционально NOAA GFS через eccodes), агентный workflow, миграцию схемы wind_hackathon_upgrade.sql. Тесты: cd contrib/wind_hackathon_handoff && python -m unittest discover -s backend/tests -t . (18 тестов). Основной сервис (backend/) использует те же таблицы данных; модель пакета — альтернативный вариант с 10-минутной детализацией. backend/app/config.py пакета взят из инфраструктуры проекта KEGOC (переиспользование конфигурации, не решения задачи). Пароли — только в [скрыто] (не в git).

Использованные внешние материалы

• Данные: исторические CSV организаторов HackAlem AI (две турбины, 10-минутный шаг); выгрузки wind_actuals, wind_actuals_gaps и справочник wind_objects подготовлены дата-инженером команды; паспорт станции — Samruk-Green Energy, ВЭС «Нурлы».
• Погода: Open-Meteo Previous Model Runs API (CC BY 4.0), без ключа; ответы закешированы в data/cache.
• Карта: спутниковые тайлы Esri World Imagery, схема CARTO Voyager / © OpenStreetMap (ODbL); Leaflet (BSD-2), three.js (MIT).
• LLM (опционально): Qwen/Qwen3.8-27B (Apache 2.0) через vLLM на NVIDIA H200 (Brev) — gpu/README.md; OpenAI API как резерв. Без ключей агент работает по правилам.
• Методы из литературы (проверены на наших данных, см. таблицу доказательств): Landry et al., 2016 (GEFCom2014, квантильный бустинг и погодный контекст), Alessandrini et al., 2015 (Analog Ensemble).
• Переиспользование: contrib/wind_hackathon_handoff/backend/app/config.py — конфигурация из инфраструктуры проекта KEGOC (не решение задачи). Остальной код написан в рамках соревновательной части.
• Библиотеки: полный список с версиями — backend/requirements.txt, frontend/package.json.
• AI-инструменты разработки: Claude Code, Codex.
• Учебные документы в examples/agent_docs/ созданы командой для проверки агента и не являются документами организаций.

Известные ограничения

• Архив Open-Meteo previous runs доступен с 16.02.2024 — обучение на 2024-02…2026-01.
• Обе турбины попадают в одну ячейку сетки метеомодели — погодный ряд общий.
• Время в CSV интерпретируется как UTC+5 (подтверждено корреляцией с погодой; скачка в марте 2024 нет).
• Час факта — среднее 10-минутных значений в окне [H−30, H+30) мин; учитываются только полные часы из 6 валидных точек (неполные часы не заменяются нулём); факт станции — только при валидном факте обеих турбин.
• Факта за февраль нет: точность оценивается на январе, февраль — прогноз без оценки.
• Без LLM ответы агента строятся правилами (шаблонный текст); тексты уведомлений — на русском.

Потенциал развития

Кластер ClickHouse для сотен станций; ансамбль метеомоделей (ICON/GFS/ECMWF) и совместные сценарии для диапазона станции; модели по ветровым режимам; нейросетевой соперник (N-HiTS/TFT); self-hosted LLM на NVIDIA GPU как стандартный режим.

Почасовой прогресс

• 13–14: разбор ТЗ; данные (часовой пояс UTC+5 проверен корреляцией с погодой); архив прогнозов погоды без утечки будущего; модель «кривая мощности + бустинг остатков»; агент прогноза с политикой пересчёта; FastAPI, ClickHouse/SQLite; первый UI; Docker.
• 14–15: тесты (утечка будущего, данные, модель, API); LLM Qwen3.8 на NVIDIA H200; таблицы дата-инженера wind_objects, wind_actuals; страница прогноза (ключевые числа, график/таблица); карта и 3D; машина времени; паспорт станции в README.
• 15–16: отдельные страницы; уведомления агента по ΔP; база знаний на эмбеддингах; вход в систему; сверка данных дата-инженера; пакет дата-инженера в contrib/; агент: три режима, память диалога, опечатки, вложения документов, выгрузка в Word/Excel.
• 16–17: страница агента как ChatGPT; проверка запуска с нуля по README; память агента (Analog Ensemble); таблица доказательств (погодный контекст и аналоги проверены и отклонены как прогноз); диапазон 80 % с проверкой покрытия; сводка за период; страница «Исторический прогон»; упрощение интерфейса; русский/казахский.
• 17–18: финальная проверка запуска с нуля на чистой копии, актуализация README.