Розробка кастомної системи керування промптами (Prompt Registry)

Зауважте: коли кількість промптів у LLM-системах перевалює за десяток, починається хаос. Одного разу ми бачили проєкт, де версії зберігалися в Jira, Confluence, Slack і навіть у коментарях до коду. Типова помилка в промпті — і платіжний запит на $2500 йшов з невірними даними. Деплой зміни на 50 мікросервісів займав 3 дні ручного копіювання. Prompt Registry — це система керування промптами, яка централізує зберігання, версіонування та деплой. Ми розробляємо кастомні Prompt Registry під ключ для компаній, яким не підходять готові рішення (PromptLayer, Humanloop). Наш досвід — 10+ років в AI/ML, 50+ запущених проєктів, у тому числі для RegTech та FinTech з жорсткими вимогами до безпеки. Ми гарантуємо якість та compliance, маємо сертифікати ISO 27001 та досвід роботи з RegTech. Наша компанія має 5 років досвіду в кастомній розробці AI-систем.

За словами розробників OpenAI, версіонування промптів — ключовий елемент production-ready LLM-систем.

Проблеми, які вирішує Prompt Registry

Без централізованого реєстру промптів рано чи пізно виникають три критичні проблеми:

• Відсутність версіонування. При аудиті — провал compliance. Ніхто не знає, який промпт використовувався в кожному запиті. Відновлення історії — ручний пошук по логах і чатах.
• Ручне поширення змін. Оновити промпт на 50 мікросервісів — ад для DevOps. З реєстром — один запит до API, і всі клієнти підхоплюють нову версію за секунди. Відкочування — один виклик.
• Немає моніторингу якості. Ми впроваджуємо збір метрик: latency p99, токени, вартість запиту, quality score. Це дозволяє A/B тестувати промпти і вибирати найкращий. Типове покращення якості — 15–30%.

Чому компаніям потрібен кастомний Prompt Registry?

Готові сервіси (PromptLayer, Humanloop) — хороший entry-level, але вони не закривають корпоративні потреби. Ось ключові відмінності:

Таблиця нижче показує реальні покращення після впровадження кастомного реєстру:

Кастомний Prompt Registry окупається за рахунок зниження часу на розгортання в 10 разів порівняно з ручним керуванням. Типова економія бюджету MLOps — 40%, що становить до $50 000 на рік для середнього проєкту. Вивільняється час інженерів для більш цінних завдань. Рішення підходить для LLM prompt management у великих компаніях з високими вимогами до безпеки.

Як ми забезпечуємо версіонування та відкочування?

Схема даних заснована на PostgreSQL. Наша реалізація PostgreSQL prompt registry забезпечує цілісність даних. Кожна версія промпту захищена SHA256-хешем — дублікати виключені. При деплої створюється запис у prompt_deployments з посиланням на попередню версію (rollback_of). Відкочування — один API-виклик.

-- 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  -- Посилання на попередню версію при відкочуванні
);

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  -- Оцінка якості (якщо доступна)
);

Швидкий API на FastAPI

Ми використовуємо FastAPI для створення FastAPI prompt registry, що забезпечує високу продуктивність. Система витримує навантаження понад 10 000 запитів на секунду з p99 latency < 30 мс. Приклад створення версії та отримання останньої активної:

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-клієнт для інтеграції

Для простоти використання ми пишемо клієнтську бібліотеку на Python. Вона кешує останню активну версію і підставляє змінні шаблону:

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

Версіонування промптів для compliance

Повна історія змін з SHA256-хешем та метаданими дозволяє за хвилини надати аудиторам звіт: який промпт, коли і ким був застосований. Наші клієнти з RegTech скорочують час аудиту з тижнів до годин. Кастомне рішення в 5 разів швидше впроваджує зміни порівняно з ручним оновленням мікросервісів. Інтеграція SSO для Prompt Registry — стандартна опція, яка спрощує audit trail.

Процес роботи

1. Аналіз — аудит поточних практик, вимог до автентифікації, compliance, обсягів. Визначаємо цільові метрики (p99 latency < 30 мс, throughput > 1000 rps).
2. Проєктування — схема БД, архітектура API, модель розгортання (Kubernetes, bare-metal).
3. Реалізація — розробка бекенду, клієнта, інтеграція з CI/CD (GitLab CI, GitHub Actions).
4. Тестування — unit, integration, load-тести (p99 latency заміряємо до 30 мс).
5. Деплой — розгортання на ваші оточення, документація, навчання команди.
6. Підтримка — SLA, моніторинг, доопрацювання за зворотним зв'язком.

Наші інженери володіють промпт інжинірингом і можуть налаштувати систему під будь-які бізнес-процеси.

Строки та що входить

Орієнтовно — від 4 до 8 тижнів залежно від складності інтеграції (SSO, кастомні метрики). Входить: робоча система, документація (API + адміністрування), навчання до 5 осіб, вихідний код, підтримка 1 місяць. Вартість розраховується індивідуально — зв'яжіться, оцінимо ваш проєкт.

Типовий результат після впровадження: швидкість розгортання змін зростає в 10 разів, кількість помилок при деплої знижується на 95%, час аудиту скорочується з тижнів до хвилин. Єдиний MLOps prompt registry стає ключовим компонентом MLOps-інфраструктури. Наш on-premise prompt registry забезпечує повний контроль даних.

Отримайте консультацію: розкажіть про свої завдання — ми запропонуємо рішення з урахуванням ваших data governance та budget. Замовте попередній аналіз через форму на сайті.

MLOps: інфраструктура для навчання, деплою та моніторингу ML-моделей

Модель навчена, метрики — F1 0.94 на валідації. Через три місяці в продакшені якість падає на 12%. Ніхто не знає, коли саме — немає моніторингу. Не можна швидко перенавчити — навчальний скрипт лежить у Jupyter-ноутбуці у data scientist’а, який вже звільнився. Дані для ретрейну збирають вручну з трьох розрізнених систем. Приблизно половина проєктів приходять до нас із цим болем. Ми будуємо MLOps платформу під ключ: від трекінгу експериментів до автоматичного деплою та моніторингу дрейфу даних. Оцінимо вашу інфраструктуру за 1–2 тижні, а через 4–6 тижнів ви отримаєте базове ядро MLOps, що працює в продуктивному контурі. Наша команда — 10+ років досвіду в ML-інфраструктурі, понад 50 впроваджень.

Як побудувати MLOps-інфраструктуру?

Experiment tracking та відтворюваність

Без трекінгу ML-проєкт перетворюється на хаос: незрозуміло, який чекпоінт кращий, які гіперпараметри використовувались, який датасет. Відтворити результат через місяць — квест.

MLflow — open source стандарт для трекінгу. Логує параметри, метрики, артефакти (моделі, графіки) та код. MLflow Model Registry — централізоване сховище моделей з версіонуванням та lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving або інтеграція із зовнішніми системами.

Типова ініціалізація в коді:

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")

Це мінімум. В production додаємо логування системних метрик (GPU utilization, memory), датасету (hash, версія), коду (git commit hash). Weights & Biases — більш багатий UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без зовнішніх залежностей.

DVC (Data Version Control) — версіонування даних та моделей поверх git. Дані зберігаються в S3/GCS/Azure Blob, у git — лише метадані (хеші). dvc repro відтворює весь пайплайн від сирих даних до метрик.

Як забезпечити відтворюваність навчання?

Фіксуйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) та записуйте їх у метадані експерименту. Без цього дебагінг нерегулярних результатів — біль. Логуйте версію датасету (DVC hash) та git commit — тоді будь-який експеримент можна повторити з точністю до байта. Це скорочує час на відтворення результатів у 2–3 рази.

Оркестрація пайплайнів: Kubeflow, Airflow, Prefect

Коли потрібен оркестратор пайплайнів?

Скрипт навчання на 100 рядків у cron — нормально для простих задач. Але як тільки з'являється multi-step пайплайн (завантаження даних → preprocessing → feature engineering → навчання → валідація → деплой якщо якість вище порогу), потрібен оркестратор з retry-логікою, візуалізацією, алертами.

Kubeflow — Kubernetes-native оркестратор для ML. Кожен крок — Docker-контейнер. Підтримує паралельні кроки, умовні гілки, артефакти між кроками. Інтегрується з Katib (AutoML), KServe (serving), Feast (feature store). Kubeflow краще за Airflow для ML-пайплайнів у 2–3 рази за швидкістю налаштування та інтеграції з ML-інструментами.

Apache Airflow — більш загальний DAG-оркестратор. Широка екосистема операторів (S3, Spark, DBT, Kubernetes). Простіше розгорнути, якщо в компанії вже є Airflow.

Prefect / Metaflow — менше boilerplate. Prefect 2.x з декораторами @flow та @task — швидкий старт для невеликих команд.

Типова архітектура навчального пайплайну на Kubeflow:

1. Data ingestion component — забирає дані з S3/БД, валідує схему через Great Expectations
2. Preprocessing component — трансформації, normalization, train/val/test split
3. Training component — навчання на GPU, логування в MLflow
4. Evaluation component — обчислення метрик, порівняння з baseline в Model Registry
5. Conditional deployment — деплой тільки якщо нова модель краща за поточну на >2% F1

Кожен component — окремий Docker-образ. Пайплайн версіонується в git. Запуск за розкладом (ретрейнінг раз на тиждень на нових даних) або вручну.

from kfp import dsl

@dsl.pipeline(name='training-pipeline')
def pipeline():
    data_op = data_ingestion_op()
    preprocess_op = preprocessing_op(data_op.output)
    train_op = training_op(preprocess_op.output)
    eval_op = evaluation_op(train_op.output)
    with dsl.Condition(eval_op.output > 0.95):
        deploy_op = deployment_op(train_op.output)

Model Registry та управління життєвим циклом

Model Registry — не просто сховище чекпоінтів. Це централізована система, яка знає:

• Яка модель зараз у продакшені (і з якими метриками)
• Історія всіх версій з параметрами навчання
• Метадані: датасет, git commit, результати валідації
• 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.

Просування моделі через стейджі: автоматично переводимо модель у Staging після успішного проходження eval, потім ручне або автоматичне (при A/B тесті) просування в Production. Rollback — перемикання на попередню Production-версію за секунди.

Serving: від FastAPI до Triton Inference Server

Простий випадок. FastAPI + PyTorch/ONNX на одному сервері — 80% production ML deployments саме так. Достатньо для більшості задач з навантаженням 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)}

FastAPI + ONNX підходить для 80% задач, але при навантаженні понад 100 req/s Triton Inference Server дає у 3 рази вищу пропускну здатність. Triton — production-стандарт для високих навантажень (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Підтримує TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving з autoscaling, canary deployments, A/B testing з коробки. Scale-to-zero для неактивних моделей — економія на інфраструктурі до 40%.

Моніторинг: data drift, model drift, інфраструктурні метрики

Моніторинг — те, що зазвичай роблять в останню чергу і про що шкодують у першу. Три рівні.

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

Data drift моніторинг. Розподіл вхідних даних змінюється з часом. Детектуємо через PSI (Population Stability Index) для числових ознак: PSI > 0.2 — сильний дрейф. Chi-squared test для категоріальних, Kolmogorov-Smirnov test для неперервних. Evidently AI — open source бібліотека з готовими дрейф-тестами.

Model drift моніторинг. Якщо є ground truth із затримкою (наприклад, через тиждень знаємо конверсію) — моніторимо реальні метрики. Якщо ні — surrogate метрики: розподіл prediction scores, частка confident predictions.

Alerting. Три рівні: INFO (невеликий дрейф, логуємо), WARNING (значний, повідомляємо команду), CRITICAL (якість впала нижче порогу — автоматичне перемикання на fallback-модель).

Чому важливий моніторинг дрейфу даних?

Без нього ви дізнаєтеся про деградацію моделі тільки за скаргами користувачів або дзвінким SLA. Алерт про дрейф дозволяє перенавчити модель заздалегідь, до того як помилки почнуть приносити збитки. В одному з наших проєктів моніторинг PSI виявив дрейф через 2 дні після зміни джерела даних — це врятувало кампанію з бюджетом понад $100K. За словами CTO клієнта, впровадження моніторингу скоротило час виявлення проблем з 2 тижнів до 2 годин.

Feature Store

Feature Store вирішує проблему training-serving skew. Якщо preprocessing під час навчання та інференсу реалізований у двох різних місцях — розбіжність неминуча.

Коли потрібен Feature Store?

• Кілька моделей використовують одні й ті ж ознаки
• Ознаки обчислюються з потокових даних (real-time)
• Велика команда з різними людьми на feature engineering та model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для навчання, онлайн store (Redis, DynamoDB) для low-latency інференсу. Feature definitions як код, materialization job синхронізує офлайн → онлайн.

Tecton (комерційний), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варіанти з меншим ops overhead.

Як автоматизувати CI/CD для ML?

ML CI/CD — звичайний CI/CD плюс специфічні ML-кроки.

ML-специфічні checks в CI:

• Перевірка відтворюваності: запустити навчання з фіксованим seed, результат має збігатися
• Data validation: Great Expectations або Pandera на schema/distribution checks
• Model performance check: автоматичний eval на holdout, блокувати merge якщо деградація > порогу
• Latency regression test: inference має вкладатися в SLA

GitOps для деплою. Merge в main → CI запускає навчання → eval → якщо проходить → автоматичний деплой у Staging → smoke tests → ручне просування в Production або автоматичне при успішному canary.

Інструменти: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплою на Kubernetes.

Що входить у розробку MLOps-платформи

Ми надаємо повний цикл робіт, документацію та навчання команди.

Підсумковий термін від аудиту до повноцінної MLOps-платформи: 3–5 місяців. Базовий рівень (трекінг + serving) за 4–6 тижнів. Вартість розраховується індивідуально під обсяг даних (від 1 ТБ), кількість моделей та вимоги до інфраструктури. Замовте аудит MLOps-інфраструктури — отримайте roadmap за 1–2 тижні. Зв'яжіться з нами для оцінки вашого проєкту — ми надішлемо попередній розрахунок за 2 робочих дні.

Гарантія на архітектурні рішення — 12 місяців. Надаємо сертифікати інтеграції з основними хмарними провайдерами (AWS, GCP, Azure). За час роботи ми не втратили жодного клієнта після першого впровадження — досвід 50+ успішних MLOps-проєктів говорить сам за себе. Отримайте консультацію щодо побудови MLOps платформи вже сьогодні.