Deep-Research платформа для внутреннего аудита банковских продуктов
Многоагентный pipeline + RAG + structured БД. Задаёшь вопрос на русском — получаешь аналитический отчёт со ссылками на первоисточники, графиками и PDF-экспортом за 1–3 минуты.
Быстрый старт · Онбординг разработчика · Документация · Архитектура · Troubleshooting
Аналитики и аудиторы банковского сектора, которым нужно регулярно сравнивать продукты разных банков, искать данные по ставкам/тарифам/жалобам клиентов и готовить отчёты для руководства. AuditLens заменяет ручной обзвон 5–10 сайтов банков, копирование цифр в Excel и склеивание в Word — на один запрос на русском языке.
Принцип, на котором построена система: числа считает детерминированный код, LLM только формулирует. Всё, что модель могла бы выдумать, сверяется с фактами — а графики и сравнительные таблицы строятся вообще без LLM.
|
Утренний выпуск для аудитора: передовица, «пульс дня» из 6 метрик, риск-карточки с механикой «Разобраться» и «Спросить ИИ». Все числа — детерминированный SQL. 3 LLM-вызова в сутки на всех — генерится раз в день и кэшируется. |
Многоагентный pipeline: Conductor (план) → волны агентов (researcher / regulatory / market / reviews / ranking) → Analyst → Critic → Repair. Агенты пишут находки не в чат, а в типизированный |
|
Эшелонированная защита:
|
Каждое утверждение в отчёте имеет ссылку Trust-классы: 🟢 регуляторы (cbr.ru, pravo.gov.ru — 0.98), 🟡 банки (0.95), 🟠 агрегаторы (0.65), 🔴 блоги (исключаются). |
|
Корпус ~390 тыс. негативных отзывов banki.ru, 21 тема / 145 regex-паттернов в классах риска compliance / conduct / ops. Спайк-детект на медиане + MAD (устойчиво к самому пику), гео-аномалии per-100k, Сбер vs рынок. |
Отдельный агент (nanobot-ai) ищет схемы, которыми клиенты и ИП обходят комиссии и лимиты. Доменная таксономия ~40 схем, маскировка ПД перед отправкой в LLM, находки сохраняются в таблицу с дедупом. |
|
Автоматическая визуализация числовых сравнений через Chart.js. PDF-экспорт через Playwright Chromium — A4, embedded шрифты, графики, источники. |
Работает с любым банковским продуктом без хардкода: Conductor сам определяет тему, синонимы, субъектов и нужны ли govt-источники (НПА, ЦБ). |
| Где взять | |
|---|---|
| Python 3.11+ | brew install python@3.12 (mac) · sudo apt install python3.12 (Linux/WSL) |
| Docker Desktop | Mac (Apple Silicon) · Mac (Intel) · Windows · Linux |
| Git | brew install git (mac) · sudo apt install git (Linux/WSL) |
| Ключ к LLM | любой OpenAI-совместимый эндпоинт. Для локального старта проще всего fireworks.ai (бесплатные $15). В проде — Foundation Models Cloud.ru |
# 1. Скачать
git clone https://github.com/SashaEee/auditLens.git
cd auditLens
# 2. Один скрипт = всё установлено (Docker, БД, Python deps, миграции)
bash scripts/setup.sh
# 3. Впиши ключ и эндпоинт в .env
open -e .env # mac (откроет TextEdit)
# или: nano .env # любая ОС (Ctrl+X для выхода)
# LLM_BASE_URL=... LLM_API_KEY=... LLM_MODEL_NAME=...
# 4. Запусти сервер
source .venv/bin/activate
uvicorn bank_audit.web.app:app --host 127.0.0.1 --port 8000Открой http://127.0.0.1:8000 → введи вопрос → готово.
📖 Не уверен в командах? → docs/SETUP.md — пошаговый гайд с разделением по mac/Windows/Linux 🔑 Где взять API-ключ? → docs/API_KEYS.md ☁️ Развернуть в облаке Cloud.ru? → docs/DEPLOY_UVA.md
Полный гайд с десятками примеров → docs/USAGE.md
Сравнительные исследования (включи 🔬 Deep Research):
Семейная ипотека: ставки, первый взнос, требования к доходу
в Сбер, ВТБ, Альфа-банк, ДомРФ
Сравни премиальные дебетовые карты Сбер Прайм, Тинькофф Premium,
Альфа Wealth по комиссиям, кешбэку, привилегиям
РКО для ИП с оборотом до 10 млн/год: тарифы, эквайринг, бесплатные
операции — Сбер, Тинькофф, Точка, Модульбанк
Быстрые запросы (без Deep Research):
Топ-10 жалоб клиентов Тинькофф за последний месяц
Покажи актуальные ставки по вкладам от 1 млн руб на 12 мес
Утренний выпуск: передовица с акцентом, «пульс дня» из 6 детерминированных метрик, риск-карточки с кнопками «Разобраться» и «Спросить ИИ», лента новостей для аудитора.
Чат с Deep Research: живой прогресс по стадиям, ход мысли модели, план отчёта, источники с trust-индикаторами.
|
|
|
|
|
|
Агент ищет схемы обхода комиссий и лимитов; найденное с вердиктом и trust-score попадает в таблицу.
|
|
|
|
flowchart LR
Q[Вопрос] --> C[Conductor<br/>план]
C --> W{Волны агентов}
W --> R[researcher xN]
W --> RG[regulatory]
W --> MK[market]
W --> RV[reviews]
W --> RK[ranking]
R --> B[(KnowledgeBundle)]
RG --> B
MK --> B
RV --> B
RK --> B
B --> A[Analyst<br/>отчёт]
A --> CR[Critic<br/>сверка чисел]
CR --> RP[Repair]
B --> CH[Графики и таблица<br/>БЕЗ LLM]
RP --> PDF[PDF export]
Полное описание — docs/ARCHITECTURE.md: тиры моделей, бюджеты времени, анти-галлюцинации, специфика Cloud.ru.
Стек:
- Python 3.11+, FastAPI, SQLAlchemy 2, asyncio, SSE
- PostgreSQL 17 + pgvector — семантический поиск (1024d, BGE-M3, HNSW)
- React 18 без бандлера — Babel-standalone компилирует JSX в браузере, ни npm, ни webpack
- Playwright Chromium — скрейп за антиботами и PDF-экспорт
- LLM — любой OpenAI-совместимый эндпоинт. В проде — Foundation Models Cloud.ru; пять тиров моделей (fast / smart / reasoning / analyst / insight) с деградационной цепочкой
- Web search — SearXNG (в контуре Cloud.ru живы
bing+dogpile, остальные под капчей)
Модели (прод):
| Тир | Модель | Где |
|---|---|---|
| fast / smart | google/gemini-2.5-flash |
навигация агентов, извлечение фактов |
| reasoning / analyst | google/gemini-3.1-pro-preview |
план, нарратив, критик |
| insight | anthropic/claude-sonnet-4.6 |
«Обзор», «Отзывы» (3 вызова/сутки) |
| — | openai/gpt-4.1 |
мозг агента «Лазейки» |
| фолбэк | openai/gpt-oss-120b |
внутренняя модель контура |
auditlens/
├── README.md ← ты здесь
├── LICENSE ← MIT
├── pyproject.toml ← зависимости
├── .env.example / .env.prod.example ← шаблоны конфига
├── docker-compose.yml ← Postgres + SearXNG
├── Dockerfile ← прод-образ (+ Playwright)
├── docs/
│ ├── SETUP.md ← детальная установка
│ ├── ONBOARDING.md ← онбординг разработчика
│ ├── API_KEYS.md ← где брать ключи
│ ├── USAGE.md ← примеры вопросов
│ ├── ARCHITECTURE.md ← как устроена система
│ ├── DEPLOY_UVA.md ← развёртывание в облаке
│ ├── TROUBLESHOOTING.md ← типовые проблемы
│ └── img/ ← скриншоты для README
├── migrations/ ← SQL миграции (001–013 + ensure_vector)
├── config/
│ ├── sources.yaml ← реестр источников (7 источников, 45 таргетов)
│ └── ca_bundle_combined.pem ← certifi + Russian Trusted Root
└── src/bank_audit/
├── ai/ ← LLM-утилиты, тиры моделей, clarify
├── research/v2/ ← Deep Research: conductor, агенты, critic
├── rag/ ← embedder, retriever, отзывы, trust
├── digest/ ← «Обзор» — ежедневный брифинг
├── loophole/ ← «Лазейки» — nanobot-агент
├── sources/ collectors/ ← адаптеры источников, Playwright
├── normalizer/ quality/ ← нормализация (SCD2), контроль качества
└── web/ ← FastAPI + React UI + PDF export
- Deep Research v2 — многоагентный pipeline с Conductor и Critic
- Claim-level verification (anti-hallucination)
- Universal product support (любой банковский продукт без хардкода)
- PDF export с графиками
- «Обзор» — ежедневный брифинг с детерминированным пульсом
- «Лазейки» — агент поиска схем обхода
- Развёртывание в облаке Cloud.ru + Foundation Models
- Загрузка собственных PDF из UI
- Excel-экспорт сравнительных таблиц
- Snapshot-based diff («что изменилось в условиях по вкладам за месяц»)
- Telegram/Slack бот-интерфейс
PR'ы welcome. Перед отправкой:
pip install -e ".[dev]"— поставит pytest + ruffruff check src/— линтерpytest tests/— тесты (если есть для твоей области)- Опиши зачем изменение, не только что сделано
MIT — свободное использование с указанием авторства.
- pgvector — векторный поиск в Postgres
- SearXNG — open-source мета-поисковик
- BGE-M3 — multilingual embeddings
- nanobot-ai — harness агента «Лазеек»
- Chart.js — графики в UI и PDF