Для технологических партнёров и грантодателей

Tsalkin AI как технология

AI-система развития предпринимателей на реальном опыте практика. Продукт уровня, который по индустриальным меркам требует команды и лет, построен одним человеком — и продолжает расти экосистемой.

Ниша и масштаб

Качественные инструменты развития бизнеса сегодня либо дороги, либо недоступны массово. Задача — сделать их доступными и помочь пройти «первую милю»: этап, где закрывается заметная доля молодых бизнесов. Это и социальный масштаб, и незанятый рынок.

Снимок проекта

Все числа сняты 17 августа 2026 — прямым запросом к проду и репозиторию, не из документов.

22 747
фрагментов знаний в индексе
356
релизов с 24 марта 2026
2 831
автотеста, 60 миграций БД
2 507
коммитов, один разработчик
257
источника расшифровок · 533 часа
6
production-хранилищ

Экосистема

Один «мозг» — и органы вокруг него. Каждый берёт свой контур заботы: часть уже работает, часть на подходе.

Мозг · Ментор
tsalkin.ai
Профиль и доступы клиента — в одном месте.
Консьерж
app.tsalkin.ai

Забота о клиентах программ: личный кабинет, боты и запись на встречи в одной системе.

Ещё один орган экосистемы. Скоро.
Ещё один орган экосистемы. Скоро.
Мозг · Ментор
tsalkin.ai
Профиль и доступы клиента — в одном месте.
Консьерж
app.tsalkin.ai

Забота о клиентах программ: личный кабинет, боты и запись на встречи в одной системе.

Ещё один орган экосистемы. Скоро.
Ещё один орган экосистемы. Скоро.
Уже работает Скоро

Tsalkin AI в цифрах

Динамика ядра: 18 мая → 16 июня → 11 июля → 17 августа 2026
Показатель 11 июля 17 августа Δ к прошлой точке
Фрагментов знаний в проде ~22 400 22 747 +347
Источников расшифровок (реестр VTT) 199 257 +58
Production-сторов 6 6
Дней активной разработки 109 146 +37
Коммитов 2 166 2 507 +341
Релизов в CHANGELOG 299 356 +57
Автотестов (определений в tests/) 2 028 2 831 +803
Строк Python — весь код, с тестами 105 955 125 952 +19 997
Разработчиков 1 1

18 мая 16 июня 11 июля 17 августа

Экосистема · коммитов +659
3 553
729 → 1 879 → 2 894 → 3 553
Экосистема · коммитов: 729 → 3 553
22 747
+383
Фрагментов знаний в проде
Фрагментов знаний в проде: 17 700 → 22 747
было 17 700 сейчас 22 747
2 507
+341
Коммитов
Коммитов: 729 → 2 507
было 729 сейчас 2 507
2 831
+803
Автотестов (определений в tests/)
Автотестов (определений в tests/): 337 → 2 831
было 337 сейчас 2 831
125 952
+19 997
Строк Python — весь код, с тестами
Строк Python — весь код, с тестами: 52 912 → 125 952
было 52 912 сейчас 125 952
356
+57
Релизов в CHANGELOG
Релизов в CHANGELOG: 204 → 356
было 204 сейчас 356
257
+58
Источников расшифровок (реестр VTT)
Источников расшифровок (реестр VTT): 125 → 257
было 125 сейчас 257

Экосистема · рост по месяцам

Коммиты. Консьерж и новые проекты вливаются с июня — экосистема прирастает органами.

Компонент 11 июля 17 августа Δ к прошлой точке
Мозг · Ментор 2 166 2 507 +341
Консьерж 374 682 +308
Ещё 2 проекта в разработке 354 364 +10
Ещё один элемент экосистемы. Скоро.
Экосистема · итого 2 894 3 553 +659

А в строках кода это ~205 000 строк Python · 1 разработчик. Масштаб, который по индустриальным меркам требует команды и лет, — построен одним человеком.

Оценка по индустриальным меркам: повторить такой продукт за один год потребовало бы 12–20 человеко-лет труда — то есть команды из 12–20 инженеров (backend, ML/AI, DevOps, QA, продукт). Реализован одним человеком за 4,8 месяца — и продолжает расти.

Оценка трудозатрат

Оценка по индустриальным меркам (упрощённая модель на базе COCOMO II, адаптированная под AI/ML): текущий инженерный объём кода (~126 KLOC ядра, ~205 KLOC вместе с экосистемой) соответствует 12–20 человеко-годам труда. Чтобы повторить проект за один год, понадобилась бы команда из 12–20 человек: backend, ML/AI-инженер, DevOps, QA, продукт. Реализовано одним человеком за 4,8 месяца — эффективность относительно индустриального baseline порядка 60–80×: AI-augmented coding, отсутствие enterprise-overhead и предельно сфокусированный домен.

Путь

Где мы сейчас. Слева — то, что уже работает, справа — то, что впереди. Экосистема растёт сразу двумя органами: мозг-ментор и консьерж.

Консьерж — забота о клиентах программ: личный веб-кабинет, Telegram-боты и запись на встречи в одной системе.

Уже сделано

  1. Мозг-Ментор

    Ответы звучат голосом Максима — его манера, прямота и конкретика без воды.

  2. Мозг-Ментор

    Развёрнутый ответ появляется прямо на глазах, по мере того как складывается, — без долгого молчания в ожидании.

  3. Мозг-Ментор

    Даже в часы пиковой нагрузки ментор остаётся на связи и доводит ответ, а не бросает на полуслове.

  4. Мозг-Ментор

    Ценный ответ сохраняется в личную библиотеку одним нажатием — ничего важного больше не теряется в переписке.

  5. Мозг-Ментор

    Оглавление твоей программы всегда под рукой — карта курса: где ты сейчас и что уже пройдено.

  6. Мозг-Ментор

    Ответ приходит аккуратно оформленным — акценты, списки и цитаты доходят в целости, а не сплошным текстом.

  7. Консьерж

    Личный кабинет клиента на app.tsalkin.ai — вход по ссылке из письма, без пароля и без мессенджера.

  8. Консьерж

    Несколько программ — Ядро, Практикум СЕО, Практикум ВИП — работают на одном движке, у каждой свой фирменный вид.

  9. Консьерж

    Запись на встречу с наставником в пару кликов: свободные слоты в календаре, а после подтверждения — ссылка на Zoom и приглашение в календарь прямо на почту.

  10. Консьерж

    Вся картина участника одной страницей: что сдано и до какой даты оплачено, расписание в вашем часовом поясе и все записи уроков в одном месте.

  11. Консьерж

    Диагностика «Код собственника»: собственник отвечает на вопросы и получает карту зрелости своей компании — и может разобрать её на личной встрече.

  12. Консьерж

    Кабинет можно установить на телефон как приложение и получать напоминания пушем — даже на iPhone и даже когда мессенджер недоступен; письмо на почту дублирует важное как страховка.

  13. Консьерж

    Кабинет знает своего клиента: профиль и доступы он берёт из «мозга» tsalkin.ai — общего профиля клиента в экосистеме.

17 августа 2026 сегодня

Впереди

  1. в разработке

    Ментор, который не только отвечает, но и сам вовремя напоминает, спрашивает и возвращает к договорённостям.

  2. в разработке

    Единая память о тебе: чем бы ты ни пользовался в экосистеме, ментор знает тебя как одного человека, а не собирает заново.

  3. в разработке

    Всё более ясная картина твоего роста — не оценки, а честные вехи движения к твоим целям.

  4. в разработке

    Ментор не только в Telegram — тот же голос и та же память приходят в веб.

  5. Скоро

Память ментора, граф знаний и витрина роста — уже в активной разработке.

Развитие проекта

Куда движется Tsalkin AI дальше — планируемый функционал из рабочего бэклога продукта.

01

Самостоятельный путь к доступу

От бесплатных вопросов к программам без ручной модерации: исчерпал лимит — получаешь персональное предложение и можешь сразу оставить заявку.

02

AI-диагностика как точка входа

Бесплатный инструмент самодиагностики собственника — быстрый срез по бизнесу и приоритетам ещё до первого диалога с ботом.

03

Возвращающие сценарии

Умные напоминания на сигналах вовлечённости: когда вопрос остался без хорошего ответа или упёрся в лимит — бот сам предложит следующий шаг.

04

Композиционные профили ответа

Длина, стиль и пресет — отдельными ручками. Три тона ответа (стандартный, жёстче, бережнее) уже работают; профили соберут их в одну настройку.

05

Сквозная воронка и метрики

Аналитика всего пути: переход по ссылке → первый вопрос → возврат → апгрейд. Чтобы видеть, что реально работает, а не угадывать.

06

Качество под нагрузкой

Eval-гейт перед каждым релизом, контроль точности цитат и многоходовый диалог — ответы не деградируют с ростом аудитории.

Планы, не обещания: приоритеты двигаются по мере работы с реальными пользователями.

Под капотом

Архитектура, принятые решения и принципы, на которых построен Tsalkin AI.

01

Стек

Python 3.11, uv. FastAPI для admin API и внутренних эндпоинтов, aiogram 3.22 для Telegram. SQLAlchemy 2.0 + Alembic (async ORM, 60 миграций). SQLite: bot.db (пользователи, запросы, сессии, enrollments) и content.db (видео-ссылки). Gemini File Search v2 как основной knowledge-бэкенд. APScheduler для крон-задач. structlog в JSON. Docker Compose + deploy.sh. Админка — Jinja2 + Alpine.js + Tippy.js: три скрипт-тега вместо build-pipeline.

02

Адаптеры под бэкенды знаний

KnowledgeBaseAdapter — общий протокол с методами query() и health_check(). Реализации: NotebookLMAdapter и GeminiFileSearchAdapter. Подмена бэкенда через одну env-переменную. Когда внешний API начал плыть, миграция заняла 2 дня вместо 2 недель — потому что бизнес-логика Q&A не знала, какой бэкенд под ней.

03

Render-слой против галлюцинаций имён

Личные сессии хранятся под кодами PART_XXXX. Перед каждой LLM-стадией коды подменяются на реальные имена только в памяти, после ответа — обратная подмена. Хранилище нейтрально, LLM видит человеческие имена, наружу не утекает ничего лишнего. Так закрывается риск, что модель «придумает» имя в чужой сессии.

04

Pre-retrieval metadata filter

Privacy-критичный паттерн: фильтр client_id применяется на этапе ретривала (нативная фича Gemini File Search), а не после. LLM физически не получает чужие чанки — изоляция не зависит от добросовестности промпта. Мета-запросы вроде «какие у меня сессии?» отвечает не LLM, а структурированный запрос к реестру — без галлюцинаций фактов.

05

Repository pattern: миграция YAML → БД

Обобщённый CachedRepo с TTL+LRU-кешем и async-фетчем из БД. Конкретные репозитории для грантов доступа, оверрайдов параметров тиров, аудит-лога, документов корпуса. Сигнатура совпадает с будущим RedisCache — переключение в одну строку. Старые YAML-читатели не ломаются: миграция идёт ридер за ридером с 30-дневным fallback. Эволюция вместо большого rewrite.

06

Multi-program enrollments

Тир (плоскость биллинга и квоты) и program enrollment (плоскость доступа к контенту) разнесены. Раньше «MENTEE» означал и то и другое. Теперь пользователь может быть CLIENT по тиру с enrollment'ами в нескольких программах. Это даёт линейную масштабируемость к 50+ программам без правок кода.

07

Почему Gemini File Search, а не Pinecone/Weaviate

Один SDK: embeddings и retrieval внутри одного клиента. Нативный custom_metadata + фильтрация на ретривале — на этом построена privacy-изоляция личных сессий. Для одного разработчика отдельный векторный сервис = лишний билл, лишний SDK, лишний источник ночных алертов. Vendor lock-in закрыт абстракцией KnowledgeBaseAdapter: переезд = новая реализация интерфейса, а не переписывание бота.

08

В цифрах

Динамика разработки: 18 мая → 17 августа 2026.

82 280
+38 969
Строк Python — прод-код бота, без тестов
было 43 311 сейчас 82 280
20 378
+1 199
HTML/Jinja2 (админка)
было 19 179 сейчас 20 378
2 831 / 351
+2 494 / +305
Тестов / тестовых файлов
было 337 / 46 2 831 / 351
60
+33
Alembic-миграций
было 27 сейчас 60
7
Внешних интеграций
было 7 7
106
+62
Настроек в Settings
было 44 сейчас 106
134
+36
Обработчиков команд
было 98 сейчас 134
32
+2
Прямых зависимостей
было 30 сейчас 32
09

Solo-dev принципы

Watchdog с marker-pattern вместо PagerDuty: деплой ставит маркер — алерт молчит, OOM маркер игнорирует — алерт уходит всегда. 0 ложных срабатываний за шесть деплоев в день. CHANGELOG синхронно с каждым коммитом — компенсирует отсутствие code review. Все мутации источника истины — через явный admin-клик: показать + заставить нажать + записать важнее, чем сделать молча. Платный eval-харнесс запускается только с явного одобрения.

Открытый код

Открытие ядра движка — направление проекта (open-core): то, что не составляет проприетарной ценности, может быть открыто сообществу. Это инженерный вклад и прозрачность для партнёров. Точная граница открытого и закрытого — в проработке.

AI-продукт такой сложности — RAG, мульти-тир, админка, eval-харнесс — по индустриальным меркам потребовал бы команды из 12–20 инженеров, чтобы повторить его за год: backend, ML/AI, DevOps, QA, продукт. Tsalkin AI построен одним человеком за 146 дней.

Это и есть моя суперсила и моя миссия: давать сегодня то, что массово станет доступно завтра. Эффективные решения, кратно меньшими ресурсами чем вчера — используя знания, опыт и технологии.

2 507 коммитов. 356 релизов. 2 831 автотест. 125 952 строки Python во всём репозитории — из них 82 280 прод-кода бота, остальное тесты и подготовка данных. Один человек, менее пяти месяцев. Это не теория — это уже сделано. Числа сняты 17 августа 2026.

— Максим Цалкин

Гранты и партнёрства

Проект открыт к грантовой поддержке и технологическим партнёрствам: совместные пилоты, интеграции, доступ к инфраструктуре. В основе — редкое пересечение бизнес-практики, менторинга и собственной технологии.

Обсудить сотрудничество

Если вы представляете фонд, акселератор, банк для МСБ или технологическую компанию — напишите напрямую.