Как я построил SaaS-платформу из 31 подсистемы в одиночку

AICPO начался как чат-бот для продуктовых исследований. Через месяц это была платформа из 31 подсистемы с Knowledge Graph, CRM, SSO, мониторингом бизнес-метрик и системой, которая сама генерирует roadmap из фидбека пользователей.

Один разработчик. Ноль строк кода, написанных руками. Вот как это устроено.

Проблема, которую я решал

Продуктовое исследование — это месяцы работы. Интервью, анализ конкурентов, сегментация, unit economics, PRD. В крупных компаниях этим занимается целый отдел. Solo-фаундер делает это на коленке или не делает вовсе.

Я хотел платформу, где ты приходишь с идеей, разговариваешь с AI, а он постепенно строит полную картину: кто твой клиент, какая у него боль, кто конкуренты, какая экономика — и генерирует готовые документы.

Архитектура: почему 31, а не 3

Наивный подход — один LLM-чат с большим промптом. Проблема: на 10-м сообщении модель забывает начало разговора. На 20-м — галлюцинирует. На 50-м — каждый запрос стоит $0.15 из-за раздутого контекста.

Решение — разделение ответственности. Каждая подсистема решает одну задачу:

Подсистема	Задача	Почему отдельная
Dual-Brain Chat	Быстрый ответ на простое, умный — на сложное	Экономия 90% токенов
Semantic Memory	Помнить всё по смыслу, не по ключевым словам	LLM не может искать по базе
Knowledge Graph	Связи между фактами	LLM не видит неявные зависимости
Artifact Pipeline	Генерация документов с проверкой качества	Одна модель генерирует, другая проверяет
Evolution Pipeline	Автоматический roadmap из фидбека	Система должна развиваться без ручного управления

И так далее — 31 подсистема. Каждая изолирована, каждая тестируется отдельно, каждая может быть заменена.

Dual-Brain: как сэкономить 90% на AI

Главный инсайт: 80% вопросов в чате — простые. “Что такое JTBD?”, “Расскажи подробнее”, “Понял, давай дальше”. На них не нужен Claude за $15 на миллион токенов.

Архитектура:

Быстрый мозг (Groq, бесплатно, 0.5 секунды) — стандартные вопросы
Умный мозг (Claude через OpenRouter) — сложные ситуации

Переключение автоматическое. Пять триггеров: негативный тон, стагнация (нет новых фактов 4+ сообщений), повторы (>60% совпадение слов), явный запрос, техническая сложность. Когда разговор нормализуется — обратная деэскалация.

Результат: средняя стоимость сессии упала с $0.12 до $0.01.

Knowledge Graph: AI видит связи, которые не видит человек

Самая амбициозная подсистема. 14 типов узлов: боль, задача, сегмент, конкурент, фича, тренд, метрика, ограничение, персона, канал, решение, триггер, эмоция, критерий.

Каждый факт из разговора автоматически превращается в узлы и связи. “Мои пользователи жалуются, что зарядка долгая” — это узел pain:долгая_зарядка, связанный с segment:ev_owners и trigger:низкий_заряд.

Через 20 сообщений граф показывает картину, которую ни человек, ни LLM не увидят из сырого текста: какие боли связаны, какие сегменты пересекаются, где конкуренты слабы.

Ключевое — traceability. Каждая рекомендация системы прослеживается до конкретных слов пользователя. Не “AI так считает”, а “на основании факта X из сообщения #14 и факта Y из сообщения #23”.

Self-Evolving: система учится без меня

Самая необычная подсистема. Каждую неделю AI анализирует негативные отзывы пользователей и предлагает улучшения промптов. Каждый промпт версионируется с замерами качества — можно откатить, если стало хуже.

Параллельно работает Chat Audit: AI читает все диалоги за неделю, находит паттерны (где бот был бесполезен, где пользователь застрял) и генерирует задачи в backlog.

Это замкнутый цикл: использование → фидбек → анализ → улучшение → использование. Продукт буквально развивается без моего участия.

Competitive Intelligence: мониторинг конкурентов

Система автоматически определяет конкурентов из данных проекта. Каждые 6 часов проверяет их сайты и новости. Оценивает угрозы, интегрирует сигналы в Knowledge Graph.

Если конкурент выпустил фичу, которая угрожает вашему продукту — вы узнаете в дайджесте, а не через полгода.

Как всё это было построено

Ни одна строка не была написана руками. Factory OS — моя система AI-агентов — генерировала, тестировала и деплоила каждую подсистему.

Типичная сессия:

Я формулирую задачу (“добавить мониторинг конкурентов”)
CEO-агент декомпозирует на подзадачи
Builder-агент пишет код и тесты
Quality-агент ревьюит
Я утверждаю коммит
DevOps-агент деплоит

8500 строк кода за сессию. 7 фаз (от проектирования до деплоя). 0 ручного кода. Каждая подсистема — отдельный коммит, который можно откатить.

Что это значит для бизнеса

Один человек с правильной AI-архитектурой может построить продукт, на который раньше нужна была команда из 10-15 инженеров, аналитиков и PM.

Это не теория. AICPO работает в продакшене. 31 подсистема. Живые пользователи. Мониторинг, CRM, SSO — всё как у взрослых.

Разница — в скорости. То, что корпоративная команда делает за квартал, AI-фабрика делает за неделю. И не потому что AI умнее людей, а потому что нет координационных издержек: стендапов, согласований, ожидания ревью.