Hermes + Qwen3.6-27B: как я собрал первую линию email-поддержки

Вот важная новость с фронта ИИ: gpugo_team 7 минут назад Hermes + Qwen3. 6-27B: как я собрал первую линию email-поддержки Средний 9 мин 101 Блог компании GPUGO Кейс Привет, Хабр! Локальные модели обычно сравнивают по скорости и длине контекста.

Мне хотелось проверить более приземлённый сценарий: сможет ли агент собрать и запустить первую линию технической поддержки, а не просто сгенерировать красивый README. Я дал Hermes Agentпустую директорию и подробную спецификацию. 6-27B на инфраструктуре GPUGO сначала выступила кодовым агентом, а затем стала отвечать на безопасные обращения через отдельный профиль Hermes.

Технические детали

Получился работающий MVP: почта по IMAP/SMTP, ответы по базе знаний из документации GPUGO, правила риска, ручная модерация и экспорт одобренных ответов в JSONL. Я собирал его как экспериментальное создание основы, которую можно масштабировать для собственного сервиса до привлечения дорогого SaaS. В статье расскажу, какая архитектура для MVP оказалась достаточной, где проходит граница автоматизации и почему не стал начинать с полноценного helpdesk или файн-тюнинга.

TL;DRКонтур выглядит так:письмо клиента -> IMAP gateway -> фильтрация и классификация -> Qwen + релевантные разделы KB -> автоответ или карточка модератору -> SQLite и JSONL для будущего обучения За первую сессию Hermes собрал Python-проект с IMAP/SMTP-шлюзом, хранилищем тикетов, маршрутизацией, защитными правилами, модерацией через email и 92 unit-тестами. Затем я добавил LLM-слой через профиль email-support, постоянный daemon, базу знаний из 56 секций документации и фильтрацию шумной почты. Это узкая первая линия для технического продукта: агент отвечает только в пределах подтверждённой базы знаний, а деньги, безопасность, персональные данные и неизвестные темы передаёт человеку.

Если сервис вырастет, такой контур можно расширять по мере появления нагрузки и реальных процессов, а не сразу покупать большой набор функций helpdesk-платформы. Что я хотел построитьЗадача была намеренно ограниченной. Мне не были нужны frontend, CRM, Redis, Celery, Kubernetes, векторная БД и файн-тюнинг на старте.

Отраслевые последствия

Нужен был следующий путь:Клиент пишет на выделенный адрес. Система забирает письмо по IMAP и создаёт тикет. Роутер определяет тему, риск и релевантные источники.

Безопасный вопрос получает ответ на основе базы знаний. Неоднозначный или чувствительный случай получает safe fallback и уходит модератору. Модератор может одобрить, исправить или эскалировать ответ.

Решения остаются в SQLite и позднее могут стать датасетом. У этой постановки была и экономическая причина. Крупные B2B AI support-платформы продают не только ответы модели, но и омниканальность, CRM-интеграции, действия во внешних системах, QA, аналитику, управление доступами и SLA.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.