Публикация была переведена автоматически. Исходный язык: Русский
🔥 Как я создал AI-агента для мониторинга недвижимости Грузии: Кейс на стыке RAG, Low-code, Python и Go
Введение Рынок недвижимости в Грузии (особенно в Батуми и Кобулети) — это хаос из сотен Telegram-каналов и Facebook-групп. Информация в них не структурирована, зашумлена рекламой и быстро устаревает. Я поставил цель: создать MVP интеллектуального агента, который в реальном времени собирает данные из двух платформ, анализирует их с помощью LLM и предоставляет точную выжимку без «галлюцинаций». В этом проекте я выступил в роли AI Solutions Architect, используя агента Antigravity для ускорения сборки инфраструктуры, что позволило мне сфокусироваться на логике RAG-цепочек.
Сердце проекта — архитектура Dynamic RAG (Retrieval-Augmented Generation). В отличие от обычных чат-ботов, мой агент не берет данные из головы. Он строит свои ответы на основе свежего «сырья» из социальных сетей.
Технологический стек: • Сбор данных: Python (Telethon для Telegram API и Playwright для Facebook Scraping). • Мозг системы: Gemini 1.5 Flash (обработка неструктурированного текста). • Бэкенд: Go (Gin) для высокопроизводительной работы с данными. • Интерфейс: Streamlit (интерактивный дашборд с фильтрацией). • Оркестрация: Docker Compose (микросервисная архитектура).
Схема работы RAG AI Agent: Сбор данных → Интеллектуальный парсинг → Структурированная база → RAG-фильтрация → Финальный ответ
Я реализовал полный цикл превращения хаоса сообщений в структурированную базу знаний:
1. Data Ingestion (Захват): Система подключается к Telegram-сокетам и скрапит публичные FB-группы Кобулети и Батуми.
2. Extraction (Интеллектуальный парсинг): Каждое сообщение улетает в Gemini. ИИ извлекает сущности: город, цену, количество комнат и тип автора (собственник или риелтор).
3. Vectorization & Storage: Данные сохраняются в SQL-базу с метаданными.
4. Augmented Generation: Когда пользователь запрашивает выжимку (например, "Что сдается в Кобулети до $500?"), система: ◦ Делает Retrieval (извлекает подходящие записи из базы). ◦ Делает Augmentation (добавляет эти записи в контекст промпта). ◦ Выдает Generation (финальный ответ, основанный только на фактах).
Ключевая фишка: Агент не придумывает цены. Его ответы на 100% верифицированы ссылками на реальные посты в Telegram и Facebook.
Путь данных в моем проекте: Telegram/FB ➔ Gemini (Parsing) ➔ SQL Database ➔ RAG Search ➔ User Dashboard
Разработка в региональных условиях (Батуми/Кобулети) заставила учесть риски перебоев со светом и интернетом.
Чтобы MVP не требовал ручного перезапуска, я реализовал механизмы Self-healing: • Docker Restart Policies: Автоматический подъем контейнеров при критических сбоях. • Network Resilience: В Python-сервисах внедрена логика переподключения с экспоненциальной задержкой. Если интернет пропадает, система «ждет» его появления и бесшовно продолжает работу.
Этот проект демонстрирует, как связка AI-инструментов (Antigravity) и грамотной архитектуры позволяет одному инженеру за считанные дни собрать продукт уровня Enterprise.
Что умеет MVP сейчас: • Мониторит 2 города: Батуми, Кобулети. • Объединяет Telegram и Facebook в единую ленту. • Отсекает до 80% нерелевантных объявлений (спам, риелторы). • Предоставляет мгновенную аналитику по рынку через RAG-интерфейс.
💡 Этот кейс подтверждает: будущее разработки — не в написании строк кода, а в управлении интеллектуальными потоками данных и архитектурой ИИ.
🔥 Как я создал AI-агента для мониторинга недвижимости Грузии: Кейс на стыке RAG, Low-code, Python и Go
Введение Рынок недвижимости в Грузии (особенно в Батуми и Кобулети) — это хаос из сотен Telegram-каналов и Facebook-групп. Информация в них не структурирована, зашумлена рекламой и быстро устаревает. Я поставил цель: создать MVP интеллектуального агента, который в реальном времени собирает данные из двух платформ, анализирует их с помощью LLM и предоставляет точную выжимку без «галлюцинаций». В этом проекте я выступил в роли AI Solutions Architect, используя агента Antigravity для ускорения сборки инфраструктуры, что позволило мне сфокусироваться на логике RAG-цепочек.
Сердце проекта — архитектура Dynamic RAG (Retrieval-Augmented Generation). В отличие от обычных чат-ботов, мой агент не берет данные из головы. Он строит свои ответы на основе свежего «сырья» из социальных сетей.
Технологический стек: • Сбор данных: Python (Telethon для Telegram API и Playwright для Facebook Scraping). • Мозг системы: Gemini 1.5 Flash (обработка неструктурированного текста). • Бэкенд: Go (Gin) для высокопроизводительной работы с данными. • Интерфейс: Streamlit (интерактивный дашборд с фильтрацией). • Оркестрация: Docker Compose (микросервисная архитектура).
Схема работы RAG AI Agent: Сбор данных → Интеллектуальный парсинг → Структурированная база → RAG-фильтрация → Финальный ответ
Я реализовал полный цикл превращения хаоса сообщений в структурированную базу знаний:
1. Data Ingestion (Захват): Система подключается к Telegram-сокетам и скрапит публичные FB-группы Кобулети и Батуми.
2. Extraction (Интеллектуальный парсинг): Каждое сообщение улетает в Gemini. ИИ извлекает сущности: город, цену, количество комнат и тип автора (собственник или риелтор).
3. Vectorization & Storage: Данные сохраняются в SQL-базу с метаданными.
4. Augmented Generation: Когда пользователь запрашивает выжимку (например, "Что сдается в Кобулети до $500?"), система: ◦ Делает Retrieval (извлекает подходящие записи из базы). ◦ Делает Augmentation (добавляет эти записи в контекст промпта). ◦ Выдает Generation (финальный ответ, основанный только на фактах).
Ключевая фишка: Агент не придумывает цены. Его ответы на 100% верифицированы ссылками на реальные посты в Telegram и Facebook.
Путь данных в моем проекте: Telegram/FB ➔ Gemini (Parsing) ➔ SQL Database ➔ RAG Search ➔ User Dashboard
Разработка в региональных условиях (Батуми/Кобулети) заставила учесть риски перебоев со светом и интернетом.
Чтобы MVP не требовал ручного перезапуска, я реализовал механизмы Self-healing: • Docker Restart Policies: Автоматический подъем контейнеров при критических сбоях. • Network Resilience: В Python-сервисах внедрена логика переподключения с экспоненциальной задержкой. Если интернет пропадает, система «ждет» его появления и бесшовно продолжает работу.
Этот проект демонстрирует, как связка AI-инструментов (Antigravity) и грамотной архитектуры позволяет одному инженеру за считанные дни собрать продукт уровня Enterprise.
Что умеет MVP сейчас: • Мониторит 2 города: Батуми, Кобулети. • Объединяет Telegram и Facebook в единую ленту. • Отсекает до 80% нерелевантных объявлений (спам, риелторы). • Предоставляет мгновенную аналитику по рынку через RAG-интерфейс.
💡 Этот кейс подтверждает: будущее разработки — не в написании строк кода, а в управлении интеллектуальными потоками данных и архитектурой ИИ.
Поделиться
