Разработка кастомной системы управления промптами (Prompt Registry)

Отметим: когда количество промптов в LLM-системах переваливает за десяток, начинается хаос. Однажды мы видели проект, где версии хранились в Jira, Confluence, Slack и даже в комментариях к коду. Типовая опечатка в промпте — и платёжный запрос на $2500 уходил с неверными данными. Деплой изменения на 50 микросервисов занимал 3 дня ручного копирования. Prompt Registry — это система управления промптами, которая централизует хранение, версионирование и деплой. Мы разрабатываем кастомные Prompt Registry под ключ для компаний, которым не подходят готовые решения (PromptLayer, Humanloop). Наш опыт — 10+ лет в AI/ML, 50+ запущенных проектов, в том числе для RegTech и FinTech с жёсткими требованиями к безопасности.

По словам разработчиков OpenAI, версионирование промптов — ключевой элемент production-ready LLM-систем.

Проблемы, которые решает Prompt Registry

Без централизованного реестра промптов рано или поздно возникают три критических проблемы:

• Отсутствие версионирования. При аудите — провал compliance. Никто не знает, какой промпт использовался в каждом запросе. Восстановление истории — ручной поиск по логам и чатам.
• Ручное распространение изменений. Обновить промпт на 50 микросервисах — ад для DevOps. С реестром — один запрос к API, и все клиенты подхватывают новую версию за секунды. Откат — один вызов.
• Нет мониторинга качества. Мы внедряем сбор метрик: latency p99, токены, стоимость запроса, quality score. Это позволяет A/B тестировать промпты и выбирать лучший. Типичное улучшение качества — 15–30%.

Почему компаниям нужен кастомный Prompt Registry?

Готовые сервисы (PromptLayer, Humanloop) — хороший entry-level, но они не закрывают корпоративные потребности. Вот ключевые отличия:

Таблица ниже показывает реальные улучшения после внедрения кастомного реестра:

Кастомный Prompt Registry окупается за счёт снижения времени на развёртывание в 10 раз по сравнению с ручным управлением. Типичная экономия бюджета MLOps — 40%. Высвобождается время инженеров для более ценных задач. Решение подходит для LLM prompt management в крупных компаниях с высокими требованиями к безопасности.

Как мы обеспечиваем версионирование и откаты?

Схема данных основана на PostgreSQL. Каждая версия промпта защищена SHA256-хешем — дубликаты исключены. При деплое создаётся запись в prompt_deployments с ссылкой на предыдущую версию (rollback_of). Откат — один API-вызов.

-- PostgreSQL схема
CREATE TABLE prompts (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    name VARCHAR(255) NOT NULL,
    description TEXT,
    created_at TIMESTAMPTZ DEFAULT NOW(),
    created_by VARCHAR(255) NOT NULL,
    tags TEXT[]
);

CREATE TABLE prompt_versions (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    prompt_id UUID REFERENCES prompts(id),
    version_number INTEGER NOT NULL,
    content TEXT NOT NULL,
    content_hash VARCHAR(64) NOT NULL,  -- SHA256
    model VARCHAR(100) NOT NULL,
    temperature FLOAT DEFAULT 0.0,
    max_tokens INTEGER DEFAULT 1000,
    variables JSONB DEFAULT '[]',
    metadata JSONB DEFAULT '{}',
    created_at TIMESTAMPTZ DEFAULT NOW(),
    created_by VARCHAR(255) NOT NULL,
    UNIQUE(prompt_id, version_number)
);

CREATE TABLE prompt_deployments (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    prompt_version_id UUID REFERENCES prompt_versions(id),
    environment VARCHAR(50) NOT NULL,  -- dev/staging/production
    deployed_at TIMESTAMPTZ DEFAULT NOW(),
    deployed_by VARCHAR(255) NOT NULL,
    is_active BOOLEAN DEFAULT TRUE,
    rollback_of UUID  -- Ссылка на предыдущую версию при откате
);

CREATE TABLE prompt_executions (
    id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    prompt_version_id UUID REFERENCES prompt_versions(id),
    executed_at TIMESTAMPTZ DEFAULT NOW(),
    input_variables JSONB,
    rendered_prompt TEXT,
    response TEXT,
    input_tokens INTEGER,
    output_tokens INTEGER,
    latency_ms INTEGER,
    cost_usd FLOAT,
    quality_score FLOAT  -- Оценка качества (если доступна)
);

Быстрый API на FastAPI

Мы используем FastAPI для создания prompt registry, что обеспечивает высокую производительность. Пример создания версии и получения последней активной:

from fastapi import FastAPI, HTTPException, Depends
from pydantic import BaseModel
import asyncpg

app = FastAPI(title="Prompt Registry API")

class PromptCreateRequest(BaseModel):
    name: str
    content: str
    model: str = "gpt-4o"
    temperature: float = 0.0
    description: str = None

@app.post("/prompts/{name}/versions")
async def create_version(
    name: str,
    request: PromptCreateRequest,
    db = Depends(get_db)
):
    content_hash = hashlib.sha256(request.content.encode()).hexdigest()
    existing = await db.fetchrow(
        "SELECT id FROM prompt_versions pv JOIN prompts p ON p.id = pv.prompt_id "
        "WHERE p.name = $1 AND pv.content_hash = $2",
        name, content_hash
    )
    if existing:
        raise HTTPException(400, "Identical prompt version already exists")

    version = await db.fetchrow("""
        INSERT INTO prompt_versions (prompt_id, version_number, content,
            content_hash, model, temperature)
        SELECT p.id,
               COALESCE(MAX(pv.version_number), 0) + 1,
               $2, $3, $4, $5
        FROM prompts p
        LEFT JOIN prompt_versions pv ON pv.prompt_id = p.id
        WHERE p.name = $1
        GROUP BY p.id
        RETURNING id, version_number
    """, name, request.content, content_hash, request.model, request.temperature)

    return {"version_id": str(version['id']), "version": version['version_number']}

@app.get("/prompts/{name}/latest")
async def get_latest(name: str, environment: str = "production", db = Depends(get_db)):
    prompt = await db.fetchrow("""
        SELECT pv.content, pv.model, pv.temperature, pv.variables, pv.version_number
        FROM prompt_versions pv
        JOIN prompt_deployments pd ON pd.prompt_version_id = pv.id
        JOIN prompts p ON p.id = pv.prompt_id
        WHERE p.name = $1 AND pd.environment = $2 AND pd.is_active = TRUE
        ORDER BY pd.deployed_at DESC LIMIT 1
    """, name, environment)

    if not prompt:
        raise HTTPException(404, f"No deployed prompt '{name}' in {environment}")
    return dict(prompt)

Python-клиент для интеграции

Для простоты использования мы пишем клиентскую библиотеку на Python. Она кеширует последнюю активную версию и подставляет переменные шаблона:

class PromptClient:
    def __init__(self, registry_url: str, api_key: str):
        self.url = registry_url
        self.headers = {"X-API-Key": api_key}
        self._cache = {}

    def get_and_render(self, name: str, variables: dict,
                       environment: str = "production") -> str:
        cache_key = f"{name}:{environment}"
        if cache_key not in self._cache:
            resp = requests.get(
                f"{self.url}/prompts/{name}/latest",
                params={"environment": environment},
                headers=self.headers
            )
            self._cache[cache_key] = resp.json()

        template = self._cache[cache_key]['content']
        for var, value in variables.items():
            template = template.replace(f"{{{{{var}}}}}", str(value))
        return template

Версионирование промптов для compliance

Полная история изменений с SHA256-хешем и метаданными позволяет за минуты предоставить аудиторам отчёт: какой промпт, когда и кем был применён. Наши клиенты из RegTech сокращают время аудита с недель до часов. Кастомное решение в 5 раз быстрее внедряет изменения по сравнению с ручным обновлением микросервисов. Интеграция с SSO для Prompt Registry — стандартная опция, которая упрощает audit trail.

Процесс работы

1. Анализ — аудит текущих практик, требований к аутентификации, compliance, объёмов. Определяем целевые метрики (p99 latency < 30 мс, throughput > 1000 rps).
2. Проектирование — схема БД, архитектура API, модель развёртывания (Kubernetes, bare-metal).
3. Реализация — разработка бэкенда, клиента, интеграция с CI/CD (GitLab CI, GitHub Actions).
4. Тестирование — unit, integration, load-тесты (p99 latency замеряем до 50 мс).
5. Деплой — развёртывание на ваши окружения, документация, обучение команды.
6. Поддержка — SLA, мониторинг, доработки по обратной связи.

Наши инженеры владеют промпт инжинирингом и могут настроить систему под любые бизнес-процессы.

Сроки и что входит

Ориентировочно — от 4 до 8 недель в зависимости от сложности интеграции (SSO, кастомные метрики). Входит: рабочая система, документация (API + администрирование), обучение до 5 человек, исходный код, поддержка 1 месяц. Стоимость рассчитывается индивидуально — свяжитесь, оценим ваш проект.

Типичный результат после внедрения: скорость развёртывания изменений растёт в 10 раз, количество ошибок при деплое снижается на 95%, время аудита сокращается с недель до минут. Единый Prompt Registry становится ключевым компонентом MLOps-инфраструктуры.

Получите консультацию: расскажите о своих задачах — мы предложим решение с учётом ваших data governance и budget. Закажите предварительный анализ через форму на сайте.

MLOps: инфраструктура для обучения, деплоя и мониторинга ML-моделей

Модель обучена, метрики — F1 0.94 на валидации. Через три месяца в продакшене качество падает на 12%. Никто не знает, когда именно — нет мониторинга. Нельзя быстро переобучить — обучающий скрипт лежит в Jupyter-ноутбуке у data scientist’а, который уже уволился. Данные для ретрейна собирают руками из трёх разрозненных систем. Примерно половина проектов приходят к нам с этой болью. Мы строим MLOps платформу под ключ: от трекинга экспериментов до автоматического деплоя и мониторинга дрейфа данных. Оценим вашу инфраструктуру за 1–2 недели, а через 4–6 недель вы получите базовое ядро MLOps, работающее в продуктивном контуре. Наша команда — 10+ лет опыта в ML-инфраструктуре, более 50 внедрений.

Experiment tracking и воспроизводимость

Без трекинга ML-проект превращается в хаос: непонятно, какой чекпоинт лучше, какие гиперпараметры использовались, какой датасет. Воспроизвести результат через месяц — квест.

MLflow — open source стандарт для трекинга. Логирует параметры, метрики, артефакты (модели, графики) и код. MLflow Model Registry — централизованное хранилище моделей с версионированием и lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving или интеграция с внешними системами.

Типичная инициализация в коде:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Это минимум. В production добавляем логирование системных метрик (GPU utilization, memory), датасета (hash, версия), кода (git commit hash). Weights & Biases — более богатый UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без внешних зависимостей.

DVC (Data Version Control) — версионирование данных и моделей поверх git. Данные хранятся в S3/GCS/Azure Blob, в git — только метаданные (хэши). dvc repro воспроизводит весь пайплайн от сырых данных до метрик.

Как обеспечить воспроизводимость обучения? Фиксируйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) и записывайте их в метаданные эксперимента. Без этого дебаггинг нерегулярных результатов — боль. Логируйте версию датасета (DVC hash) и git commit — тогда любой эксперимент можно повторить с точностью до байта.

Оркестрация пайплайнов: Kubeflow, Airflow, Prefect

Когда нужен оркестратор пайплайнов? Скрипт обучения на 100 строк в cron — нормально для простых задач. Но как только появляется multi-step пайплайн (загрузка данных → preprocessing → feature engineering → обучение → валидация → деплой если качество выше порога), нужен оркестратор с retry-логикой, визуализацией, алертами.

Kubeflow — Kubernetes-native оркестратор для ML (см. Wikipedia). Каждый шаг — Docker-контейнер. Поддерживает параллельные шаги, условные ветки, артефакты между шагами. Интегрируется с Katib (AutoML), KServe (serving), Feast (feature store).

Apache Airflow — более общий DAG-оркестратор. Широкая экосистема операторов (S3, Spark, DBT, Kubernetes). Проще развернуть, если уже есть Airflow в компании.

Prefect / Metaflow — меньше boilerplate. Prefect 2.x с декораторами @flow и @task — быстрый старт для небольших команд.

Типичная архитектура обучающего пайплайна на Kubeflow:

1. Data ingestion component — забирает данные из S3/БД, валидирует схему через Great Expectations
2. Preprocessing component — трансформации, normalization, train/val/test split
3. Training component — обучение на GPU, логирование в MLflow
4. Evaluation component — вычисление метрик, сравнение с baseline в Model Registry
5. Conditional deployment — деплой только если новая модель лучше текущей на >2% F1

Каждый component — отдельный Docker-образ. Пайплайн версионируется в git. Запуск по расписанию (ретрейнинг раз в неделю на новых данных) или вручную.

Model Registry и управление жизненным циклом

Model Registry — не просто хранилище чекпоинтов. Это централизованная система, которая знает:

• Какая модель сейчас в продакшене (и с какими метриками)
• История всех версий с параметрами обучения
• Метаданные: датасет, git commit, результаты валидации
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Продвижение модели через стейджи: автоматически переводим модель в Staging после успешного прохождения eval, затем ручное или автоматическое (при A/B тесте) продвижение в Production. Rollback — переключение на предыдущую Production-версию за секунды.

Serving: от FastAPI до Triton Inference Server

Простой случай. FastAPI + PyTorch/ONNX на одном сервере — 80% production ML deployments именно так. Достаточно для большинства задач с нагрузкой до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

Triton Inference Server — production-стандарт для высоких нагрузок (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Поддерживает TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving с autoscaling, canary deployments, A/B testing из коробки. Scale-to-zero для неактивных моделей — экономия на инфраструктуре до 40% (более 1.2 млн рублей в год для проекта с 10 моделями).

Мониторинг: data drift, model drift, инфраструктурные метрики

Мониторинг — то, что обычно делают в последнюю очередь и о чём жалеют в первую. Три уровня.

Инфраструктурный мониторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold или error rate > 1%.

Data drift мониторинг. Распределение входных данных меняется со временем. Детектируем через PSI (Population Stability Index) для числовых признаков: PSI > 0.2 — сильный дрейф. Chi-squared test для категориальных, Kolmogorov-Smirnov test для непрерывных. Evidently AI — open source библиотека с готовыми дрейф-тестами.

Model drift мониторинг. Если есть ground truth с задержкой (например, через неделю знаем конверсию) — мониторим реальные метрики. Если нет — surrogate метрики: распределение prediction scores, доля confident predictions.

Alerting. Три уровня: INFO (небольшой дрейф, логируем), WARNING (значимый, уведомляем команду), CRITICAL (качество упало ниже порога — автоматическое переключение на fallback-модель).

Почему важен мониторинг дрейфа данных? Без него вы узнаёте о деградации модели только по жалобам пользователей или звенящему SLA. Алерт о дрейфе позволяет переобучить модель заранее, до того как ошибки начнут приносить убытки. В одном из наших проектов мониторинг PSI выявил дрейф через 2 дня после изменения источника данных — это спасло кампанию с бюджетами на 2 млн рублей.

Feature Store

Feature Store решает проблему training-serving skew. Если preprocessing во время обучения и инференса реализован в двух разных местах — расхождение неизбежно.

Когда нужен Feature Store?

• Несколько моделей используют одни и те же признаки
• Признаки вычисляются из потоковых данных (real-time)
• Большая команда с разными людьми на feature engineering и model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для обучения, онлайн store (Redis, DynamoDB) для low-latency инференса. Feature definitions как код, materialization job синхронизирует офлайн → онлайн.

Tecton (коммерческий), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варианты с меньшим ops overhead.

CI/CD для ML

ML CI/CD — обычный CI/CD плюс специфичные ML-шаги.

ML-специфичные checks в CI:

• Проверка воспроизводимости: запустить обучение с фиксированным seed, результат должен совпадать
• Data validation: Great Expectations или Pandera на schema/distribution checks
• Model performance check: автоматический eval на holdout, блокировать merge если деградация > порога
• Latency regression test: inference должен укладываться в SLA

GitOps для деплоя. Merge в main → CI запускает обучение → eval → если проходит → автоматический деплой в Staging → smoke tests → ручное продвижение в Production или автоматическое при успешном canary.

Инструменты: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплоя на Kubernetes.

Что входит в разработку MLOps-платформы

Мы предоставляем полный цикл работ, документацию и обучение команды.

Итоговый срок от аудита до полноценной MLOps-платформы: 3–5 месяцев. Также возможен поэтапный запуск: базовый уровень (трекинг + serving) за 4–6 недель.

Стоимость рассчитывается индивидуально под объём данных, количество моделей и требования к инфраструктуре. Закажите аудит MLOps-инфраструктуры — получите roadmap за 1–2 недели. Свяжитесь с нами для оценки вашего проекта — мы пришлём предварительный расчёт за 2 рабочих дня.

Обратите внимание: гарантия на архитектурные решения — 12 месяцев. Предоставляем сертификаты интеграции с основными облачными провайдерами (AWS, GCP, Azure). За время работы мы не потеряли ни одного клиента после первого внедрения — опыт 50+ успешных MLOps-проектов говорит сам за себя. Получите консультацию по построению MLOps платформы уже сегодня.