Эти примеры и снимки — из предыдущего README. Они показывают локальный API на 23.09.2026, не текущий публичный сервер; новая запись текущего интерфейса размещена выше.

Для корпоратива в Алматы 10 октября карточки показывают разные основания выбора:

• Куррапика: если важна специализация на корпоративных и деловых мероприятиях; рядом точная цитата о специализации.
• Аня Форджер: если в приоритете развлечения и танцы; основание — «Только развлечения и танцы».
• Сон Гоку: если важна подача с юмором; основание — описание стиля ведущего.

Это отличительные факты профилей, а не приписанные заказчику пожелания или гарантии результата. В AI-режиме модель выбирает цитату из описания, код превращает её в краткое объяснение; в local выбор делает код. Интерфейс отдельно показывает вывод и исходную цитату; без модели явно указано «Без AI · факт из каталога». Бюджет, язык, длительность и календарь видны в раскрытых фактах. При слабом описании система честно показывает ограниченность оснований.

Материалы Бекзат: настоящий локальный API и исходный каталог, ENABLE_AI=false, UI-фикстуры выключены. Снимки сделаны 23.09.2026 при ширине 1280 px до уточнения выбора цитат в 4e99e87: отдельные тексты объяснений в текущей версии могут отличаться. Это не снимки публичного сервера и не доказательство проверки на телефоне.

Алматы · ведущий · корпоратив · 11.10.2026 · 1 000 000 ₸ · русский · 4 часа. Три карточки и раскрытые факты:

Пустая выдача: тот же сценарий с бюджетом 1 000 ₸

1. Выполните подбор и нажмите «Выбрать в смету» на карточке.
2. Выберите следующую категорию для того же города, даты и формата, выполните подбор и добавьте подрядчика.
3. «Посмотреть смету» справа сверху открывает окно с выбранными услугами и суммой начальных цен. «Заменить» закрывает окно и возвращает исходные условия этой позиции в форму; старая позиция остаётся до выбора новой. Окно закрывается кнопкой, Escape или нажатием на затемнённый фон.
4. «Скачать PDF» сохраняет оформленный документ A4 с событием, позициями, условиями, отметками данных и итогом. Кириллические шрифты встроены в PDF; длинные сметы продолжаются на следующих страницах. PDF создаётся в браузере без AI и отправки сметы на сервер. Черновик также хранится локально в браузере; при запрете хранилища интерфейс сообщает об этом.

Пример: Аня Форджер от 700 000 ₸ + Шикамару Нара от 150 000 ₸ = от 850 000 ₸. Цены за мероприятие, на часы не умножаются. Один ID учитывается один раз; разрешено несколько разных подрядчиков одной категории. Смешение событий исключено: для другого города/даты/формата предлагается явно начать новую смету.

Смета относится только к выбранным услугам, не является полной стоимостью мероприятия, заявкой или бронированием. Сохранённые цены и занятость автоматически не обновляются; перед решением нужно повторить подбор и подтвердить условия у подрядчиков. Функция не меняет исходные данные, API, фильтры и порядок выдачи, не вызывает AI дополнительно. UI-демо хранит смету только в памяти и не перезаписывает реальный черновик. Под результатами закреплён раскрывающийся блок причин отсева: он остаётся в пределах раздела «Ваш подбор» и уходит вместе с ним при переходе к футеру команды.

Проверка интеграции и сметы.

Таблица и объём проверок восстановлены из README версии 80dd068; эта правка не запускает весь набор проверок заново.

HTTP-команды приведены для Bash; в PowerShell используйте curl.exe.

curl http://127.0.0.1:8000/api/health
curl http://127.0.0.1:8000/api/options
curl -X POST http://127.0.0.1:8000/api/match \
  -H 'Content-Type: application/json' \
  -d '{"city":"Алматы","date":"2026-10-10","event_format":"корпоратив","category":"Ведущий","budget_kzt":1000000,"language":"русский","duration_hours":4}'

1. Валидация: известные справочники, календарное окно, положительный целый бюджет, положительные часы. Числа-строки, булевы числа, лишние поля и некорректные даты не принимаются.
2. Город + категория определяют исходный список. Отсутствующая категория — отдельный исход category_missing.
3. Последовательные фильтры: занятость → формат → бюджет → язык → длительность. Язык/часы проверяются только если заданы. max_hours=null — ограничение неприменимо.
4. Порядок: прямое упоминание формата в описании (1 перед 0), цена по возрастанию, ID по возрастанию. Упоминания определяются фиксированными словесными шаблонами из плана, а не моделью. Это эвристика приоритета, НЕ рейтинг качества или вероятность успеха.
5. Возвращаем первые три карточки. eligible_count — число подходящих до ограничения тремя, returned_count — число показанных.
6. Каждый исключённый кандидат учитывается ровно один раз — по первому проваленному фильтру. Сумма исключённых + подходящих равна исходному списку. Funnel можно восстановить из этих счётчиков без повторного подсчёта на frontend.

Три исхода: matches_found, category_missing, no_matches. Отсутствие результата не является серверной ошибкой. Пустая/короткая выдача сопровождается причинами и предложением изменить ограничения, но система не меняет их сама. Исходный API-контракт сохранён; фактическую реализацию см. в backend/app/main.py.

При no_matches дополнительный POST /api/suggestions проверяет ближайшую успешную дату и минимальный достаточный бюджет, не меняя остальные условия. Он возвращает максимум две независимые подсказки и не вызывает AI. Кнопка подсказки подставляет значение в форму и фокусирует нужное поле; повторный подбор пользователь запускает сам. Например, для указанного выше бюджета 1 000 ₸ предлагается 500 000 ₸. Совпадение с учебным каталогом не подтверждает доступность или бронь.

Автотесты проверяют целостность каталога и его SHA-256, граничные значения, все фильтры, занятость площадок, три исхода, детерминизм, изменение даты, API-контракт, ошибки ввода, точность цитат и отказы AI. acceptance_check.py проверяет все города × категории × форматы × даты при бюджете 10 млн ₸ без опциональных условий: 30 600 запросов, 12 452 показанные карточки. Это структурная проверка ядра, не HTTP-нагрузочный тест и не экспертная оценка рекомендаций. Тесты не требуют внешней сети. Frontend: cd frontend, npm test, npm run build.

Воспроизводимые запросы:

Смена даты не обязана менять выдачу для любого запроса: в таблице дана конкретная воспроизводимая пара. Подробности — в приёмке.

Замеры и расчётная стоимость ниже относятся к пробам 23.09.2026. Это историческая оценка токенов, не счёт провайдера и не текущий прайс; команда --live при наличии ключа запускает новое платное сравнение.

Каждая карточка содержит структурированные факты и точную цитату описания, если есть подходящий фрагмент. Явные упоминания цен, языков и часов в свободном тексте исключаются из цитат: для этих ограничений авторитетны структурированные поля.

Локальный режим выбирает фрагмент детерминированно: сначала специализация под запрошенный формат, затем конкретные особенности (оборудование, стиль, состав, кухня и т. п.) приоритетнее приветствий и повторения категории. Казахская кухня/музыка не считаются заявлением о рабочем языке. Фрагменты об иной работе «помимо/кроме» запрошенного формата исключаются при наличии альтернативы. Это лексическая эвристика, а не доказательство качества услуги. AI-режим отправляет уже отобранных кандидатов и ограниченный список пронумерованных цитат в OpenAI Responses API. Модель выбирает индекс цитаты для каждого кандидата. Сервер проверяет полноту, ID, диапазон индексов и дубликаты; финальный текст строит код из проверенных фактов и исходной цитаты. Произвольный текст модели не попадает в рекомендации. AI не меняет порядок карточек и не вызывает инструменты.

explanation_mode=ai означает, что цитату выбрала модель (включая кеш успешного выбора); local — что использован локальный алгоритм. Синтаксическая валидность ответа AI не доказывает качество выбора: оценку релевантности проверяем отдельно на демо. Тексты описаний — утверждения исходного каталога, не независимо проверенные рекомендации.

Реальные AI-пробы и выбор модели

23.09.2026 сравнили две модели на одних и тех же 6 запросах / 13 карточках: ведущие, фотографы, флорист, лайв-бэнд, рестораны и банкетные залы. Перед вызовами зафиксировали внутреннюю рубрику: 0 — общий/неуместный факт, 1 — слабый косвенный, 2 — конкретный факт для сравнения. Оценка считается по заранее заданным признакам цитат. Это не баллы организатора и не независимая экспертная оценка.

Оставили GPT-4.1 mini: на этой небольшой выборке та же оценка выбора фактов при стоимости в 5 раз ниже; обе модели уложились в ориентир 10 секунд. GPT-4.1 здесь была быстрее — преимущество mini в скорости мы не заявляем. Офлайн-алгоритм тоже получил 25/26: эта серия не доказывает превосходство AI над локальным выбором. AI остаётся дополнительным способом выбора доказательства, а не основанием ослабить проверки или скрыть запасной режим.

Полный протокол содержит параметры, реальные snapshots, токены, задержки, цитаты, ответы и хеши исходников. Это историческая запись: после неё исправлена одна формулировка кода — «панорамные окна» больше не превращаются в «панорамный вид»; исходные выбранные цитаты и результаты модельной серии не переписаны. Детали и replay. У обоих моделей повтор каждого запроса совпал и обошёлся без сетевого вызова. У одного профиля недостаточно конкретных фактов для максимальной оценки. Уникальность цитаты — необходимый, но недостаточный признак полезности объяснения. Выборка ручная, одна попытка на запрос/модель: это не p95, нагрузочный тест или слепое сравнение людьми.

Расчёт по опубликованным тарифам за 1 млн токенов вход/выход: mini — $0,40/$1,60, 4.1 — $2/$8. Это оценка стоимости токенов, не выписка биллинга. В работе сделаны две серии по 12 вызовов; таблица относится к финальной версии. Счётчик расходов не сбрасывали.

Воспроизвести офлайн без ключа (включая проверку записанных AI-цитат):

python backend/scripts/evaluate_explanations.py
python -m pytest -q backend/tests/test_recorded_ai_eval.py

Необязательное новое платное сравнение, только после настройки .env и в пределах общего лимита (до 12 вызовов):

python backend/scripts/evaluate_explanations.py --live --models gpt-4.1-mini gpt-4.1 --output /tmp/qnt-new-ai-eval.json

Включение OpenAI

Создайте локальный игнорируемый .env по .env.example, заполните ключ только локально и перезапустите сервер. Либо задайте переменные окружения серверного процесса:

• ENABLE_AI=true — разрешить реальные запросы.
• OPENAI_API_KEY — серверный ключ (не передавайте его в общий чат).
• OPENAI_MODEL=gpt-4.1-mini — проверено реальными запросами 23.09.2026 (ответивший snapshot: gpt-4.1-mini-2025-04-14).
• AI_MAX_CALLS=100 — общий лимит попыток обращения к модели, без автоматического сброса.
• AI_USAGE_DB — путь к SQLite-счётчику; по умолчанию .state/ai_usage.sqlite3. При размещении контейнера используйте постоянное хранилище, чтобы перезапуск не сбрасывал счётчик.

Модель поддерживает Structured Outputs согласно официальной странице; формат запроса проверен по документации Structured Outputs. Успешный запрос подтверждает доступ текущего ключа, но не размер/наличие рекламного баланса.

Один запрос на выдачу, общий AI-таймаут 6 секунд, без повторных сетевых попыток. Не более двух одновременных запросов и 12 запросов в минуту на процесс; при превышении — local. После ошибки 30 секунд локального режима. Кеш до 128 успешных запросов. При пустом ключе/ошибке/отказе/невалидном ответе модель не блокирует подбор. store=false; отправляются только параметры события и анонимизированные фрагменты каталога. Ключ не присутствует в health, ответах API, браузере и репозитории.

Дополнительно сохраняемый счётчик ограничивает демостенд 100 попытками OpenAI, включая ошибки. При исчерпании/недоступности счётчика новые платные вызовы запрещены, подбор работает локально. Кеш не тратит квоту. Это не денежный лимит всего OpenAI-проекта: настройте отдельный hard spend limit у провайдера. Частные инструкции публикации хранятся локально вне репозитория.

Сведения о VPS и CI ниже воспроизведены из README версии 80dd068 на 23.09.2026; состояние публичного сервера в этой правке заново не проверялось.

Бекзат владеет frontend/** и docs/UI_QA.md; Естай — сервером, каталогом и деплоем. Общий контракт не меняется односторонне. Клиент использует относительный /api и dev-прокси на порт 8000. Промпт Бекзат не изменён. Новый дизайн Бекзат feat/contractor-ui (5edd5f4) интегрирован merge-коммитом 8a87e2b с сохранением её авторства и наших объяснений.

Полная production-сборка проверена на VPS (Node 22 / Python 3.12), контейнер запущен. Отдельный API-only Dockerfile подготовлен, но отдельно не собирался:

# Только API, из корня репозитория:
docker build -f backend/Dockerfile -t qnt-api .
docker run --rm -p 8000:8000 qnt-api
# Полный интерфейс + API:
docker build -f Dockerfile.prod -t qnt-firebird .
docker run --rm -p 8000:8000 -e ENABLE_AI=false qnt-firebird

Основной локальный запуск нативный, Docker не требуется. Полный контейнер обслуживает frontend и API с одного адреса. При production-сборке UI-моки выключены. Push в GitHub не выполняет деплой автоматически. CI настроен на тесты/сборку frontend и тесты backend после сборки UI без секретов; успешная локальная проверка не заменяет результат CI и публичную проверку.

• Бекзат · AbaevnaBeka: интерфейс, доступность, карточки, тесты и визуальные материалы.
• Естай · Adventkz: каталог, алгоритм, объяснения, сервер, интеграция и развёртывание.

Код — MIT; права на каталог определяются его источником отдельно. Для сборки использованы подходы из agent-kit (MIT, commit a510551); подробности — в материалах о проекте. Результаты AI-проб содержат границы оценки.