Модуль AI/ собирает метрики по доменам, строит компактные “контекст‑пакеты” и выполняет многошаговый анализ LLM. Результаты возвращаются как текст (для отображения) и как строгие структуры (JSON) для программной обработки и сохранения.

• Домены анализа: JVM, базы данных, Kafka, микросервисы, инфраструктурные ресурсы; опционально — lt_framework (метрики инструмента нагрузки).
• Контекст‑пакеты: резюме по сериям (средние/минимумы/максимумы/последние значения, время пиков, окна аномалий).
• Двухпроходный вывод: k кандидатов → приведение к строгому JSON → выбор лучшего по судье и верификации на данных.
• Вычисление “пиковой производительности” (peak_performance) в итоговом JSON при наличии соответствующих метрик.

1. Сбор данных за интервал (PromQL/Flux/InfluxQL; напрямую или через Grafana‑proxy).
2. Построение context pack по каждому домену.
3. Генерация нескольких кандидатов ответов LLM и приведение к строгому JSON.
4. Оценка кандидатов “судьёй” и проверкой на данных; выбор лучшего.
5. Возврат: доменные текстовые блоки, общий итог, разобранные структуры (*_parsed) и метрики качества (scores).

Основная функция: AI.pipeline.uploadFromLLM(start_ts, end_ts, ...) (есть прокси в AI.main.uploadFromLLM).

Источник конфигурации — settings.py:

• llm — провайдер (perplexity|openai|anthropic), модель, лимиты токенов и таймауты;
• metrics_source — источник метрик: type=prometheus|grafana_proxy;
• lt_metrics_source — источник метрик инструмента нагрузки: type=prometheus|grafana_proxy|influxdb;
• default_params — шаг выборки и ресемплирование;
• queries — список запросов/разметки серий для каждого домена (PromQL/Flux/InfluxQL). Для точечных изменений без перезапуска предназначен settings_runtime.json (в т.ч. по проектным областям: per_area[<service>]).
  Тексты промптов лежат в AI/prompts/*.txt и также могут переопределяться через рантайм‑конфиг.

Каждый домен и итоговый блок возвращают объект со следующими полями:

• verdict — один из: «Успешно», «Есть риски», «Провал», «Недостаточно данных»;
• confidence — уверенность модели в диапазоне [0..1];
• findings — список строк или объектов {summary, severity, component, evidence};
• recommended_actions — список конкретных действий;
• affected_components? — необязательный список компонент;
• peak_performance? — необязательный блок {max_rps, max_time, drop_time, method} при наличии входных метрик общего RPS.

from AI.main import uploadFromLLM

start_ts = 1740126600  # UNIX-время (сек)
end_ts = 1740136200

res = uploadFromLLM(start_ts, end_ts, save_to_db=False)
print(res.keys())  # jvm, database, kafka, ms, hard_resources, lt_framework?, final, *_parsed, scores

• Пустые доменные блоки — проверьте доступность источников метрик и корректность временного интервала.
• Значения p95 для InfluxQL пустые — проверьте типы колонок и корректность запросов.
• Медленный ответ LLM — уменьшите max_tokens/параллельность, проверьте сеть и параметры провайдера.

Подробности по REST‑эндпоинтам и UI см. в корневом README.md.