Из отчёта по хвостам обогащения — в ранжированный портфель проверяемых гипотез.
С деньгами, трассировкой до ячейки исходного xlsx и воспроизводимым хешем.

---

Система читает реальный отчёт фабрики (xlsx), ставит диагноз потерь металла, достаёт механизмы из корпуса литературы и детерминированно собирает портфель гипотез: что изменить, сколько это даст в долларах за год, откуда это следует и как это проверить экспериментом.

Это не чат с ИИ. Диагноз ставит детерминированный парсер. Гипотезы находит детерминированный алгоритм на графе знаний. LLM работает только на чтении литературы — и может быть выключен целиком, демо от этого не сломается.

   xlsx хвостов  ──►  диагноз потерь   ──┐
   PDF корпус    ──►  claims + граф    ──┼──►  discovery engine  ──►  портфель гипотез
   YAML pack     ──►  доменная логика  ──┘     (Rust, 5 операторов)     $/год + trace + DOE

Почему это работает

Воспроизводимость	те же данные + KPI + pack → байт-в-байт тот же результат, подтверждённый snapshot-хешем
Объяснимость	каждое число кликается до ячейки исходного отчёта (cell_ref) или страницы учебника
LLM не решает	диагноз, гипотезы, ранжирование и экономика — детерминированный код, не генерация
Смена домена = смена YAML	движок не знает слов «флотация» и «гидроциклон»; есть flotation-v1 и metallurgy-v1
Встроенная валидация	27 гипотез реальных экспертных мозговых штурмов по 4 фабрикам используются как ground truth

Запуск за одну команду

docker compose up --build     # или: make up

Сервис	Адрес
Frontend	http://localhost
Backend API	http://localhost:8080
Sidecar API	http://localhost:8766

Стек поднимается без .env, без LLM-ключей и без Postgres — ровно для того, чтобы проверяющий не тратил время на конфигурацию. Live-режим включается отдельно: скопируйте agent-system/.env.example → agent-system/.env, задайте OPENAI_API_KEY или Yandex-credentials и SIDECAR_LLM_ENABLED=true. RAG на Postgres/pgvector — опциональный профиль rag в compose.yaml.

Команды

make up      поднять стек в фоне (с пересборкой)
make smoke   smoke-проверка API: прогон КГМК, benchmark, экспорт
make front   только UI в фикстурном режиме (:5173, без бэкенда)
make rag-up  стек вместе с Postgres/pgvector
make logs    хвост логов всех сервисов
make down    остановить, make clean — снести с volume'ами
make help    полный список

Проверить руками

# полный прогон по конфигу фабрики
curl -sS -XPOST http://localhost:8080/run \
  -H 'content-type: application/json' \
  -d '{"factory_id":"kgmk","pack_id":"flotation-v1"}'

# «скрытая» фабрика — система её не видела, подан только файл
curl -sS -XPOST http://localhost:8080/run \
  -H 'content-type: application/json' \
  -d '{"factory_id":"hidden_nof_med","pack_id":"flotation-v1","source_file":"norn-hack/Пример 3/Хвосты НОФ мед.xlsx"}'

Как устроен конвейер

1. Диагноз потерь — якорный парсер xlsx (Python, без LLM). Устойчив к плавающей структуре, битым ячейкам #REF! и секциям породных/пирротиновых хвостов; проверен на всех 4 фабриках кейса. Для каждой ячейки: тонны, извлекаемость и причина по правилам из pack — закрытые сростки в крупных классах → недоизмельчение, раскрытый минерал в −10 мкм → переизмельчение, силикаты → неизвлекаемо. Проблемы данных не прячутся, а выносятся в панель Data Readiness.

2. Извлечение знаний — корпус PDF режется на чанки с номерами страниц, LLM под строгим Pydantic-валидатором достаёт claims вида рычаг → механизм → эффект с полярностью и постраничной ссылкой. Entity Resolver сводит синонимы (гидроциклон = циклон = ГЦ-660) через словарь pack и fuzzy matching.

3. Граф знаний (Rust) — из claims строится рычаг → механизм → диагноз → KPI; диагноз-узлы получают тоннаж из шага 1, рычаги — признак доступности из конфига фабрики. Граф фиксируется снапшотом с хешем: это и есть граница воспроизводимости.

4. Discovery Engine (Rust, детерминированный) — пять операторов, не знающих о флотации: работают с типами рёбер и тегами.

Оператор	Что ищет	Пример гипотезы
mechanism_path	путь от KPI через диагноз с тоннажом до доступного рычага	«замени насадки ГЦ 12→8»
substitution	альтернативный рычаг с тем же механизмом	«грохот вместо гидроциклона»
gap	диагноз с тоннажом, но без доступного рычага	«нужна магнитная сепарация»
contradiction	claims с противоположным эффектом	«найди граничное условие»
analogy_transfer	механизм из смежного передела без переноса	«примени приём из Cu-цикла»

5. Оценка в деньгах, а не в баллах — адресуемые тонны × консервативный диапазон прироста извлечения (из литературы, с trace) × цена металла = $/год диапазоном, с раскрытыми допущениями. Поверх — скоринг по 6 осям (kpi_impact, evidence, plausibility, cost, risk, novelty), хард-фильтры по capex и доступности оборудования, skeptic-rules на слабые места.

6. Benchmark — сколько экспертных гипотез система воспроизвела и что нашла сверх них. Плюс live-прогон на фабрике, которой не было в конфигах: меняется один YAML.

7. Управление портфелем — структурированные действия (exclude_factor, change_weight, add_constraint, relax_constraint, change_price): исключить рычаг, поменять цену металла — пересчёт за секунды с подсветкой изменений, snapshot-hash при этом не плывёт.

Состав репозитория

Каталог	Что внутри
frontend/	React + Vite + TypeScript UI за nginx. Heatmap диагноза, портфель, карточка гипотезы, trace-view, benchmark. README
backend/	Rust: contracts (общие структуры), engine (discovery + scoring), platform (axum API). README
agent-system/	Python FastAPI-сайдкар: диагностика xlsx, извлечение, эмбеддинги, constraints. README
docs/	Контракты, фикстуры, packs, factories, демо-документы, презентация
norn-hack/	Кейс-файлы (xlsx/docx) четырёх фабрик для /diagnose

Источник правды по правилам разработки — docs/AGENTS.md, описание решения целиком — docs/SOLUTION.md, архитектура — docs/ARCHITECTURE.md.

API

Backend — :8080, Rust/axum

Метод	Путь	Назначение
POST	/run	полный прогон: диагноз → граф → портфель
POST	/rerun	пересчёт портфеля без повторного extraction
GET	/board	текущий портфель гипотез
GET	/hypothesis/:id	карточка гипотезы целиком
GET	/trace/:id	цепочка происхождения до источника
GET	/benchmark	сравнение с экспертными гипотезами
GET	/data_readiness	качество входных данных
GET	/expert_hypotheses	ground truth мозговых штурмов
GET	/factories, /library, /roadmap	конфиги фабрик, корпус, план
POST	/constraints/parse, /skeptic, /narrate, /novelty	вспомогательные операции
GET	/export/board.csv, /export/board.json	выгрузка портфеля

Sidecar — :8766, Python/FastAPI

Метод	Путь	Назначение
POST	/diagnose	якорный парсер xlsx → loss_cells с тоннажом и cell_ref
POST	/extract	claims по Pydantic-схеме (LLM или mock-фикстуры)
POST	/embed, /retrieve	эмбеддинги и поиск по корпусу
POST	/parse_constraints	естественный язык → структурные ограничения
POST	/skeptic, /narrate, /novelty	разбор рисков, нарратив, оценка новизны
GET	/health	статус и текущий режим (mock/live)

Стек

Rust (axum, petgraph) · Python 3 (FastAPI, Pydantic, openpyxl) · TypeScript (React, Vite, TanStack Query) · Docker Compose · опционально Postgres + pgvector и LLM-провайдер (OpenAI-совместимый или Yandex).

_{Сделано на хакатоне «Норникель». Большие PDF и лишние локальные данные намеренно вынесены из репозитория — закоммиченных фикстур и малых xlsx/docx хватает на полный демо-путь.}