После длительных размышлений о судьбе проекта «Свой» его автор завершил юридическое оформление в соответствии с 152-ФЗ и выложил код в открытый доступ. Репозиторий содержит основное приложение и отдельный модуль для внешнего RAG, оба под лицензией AGPL-3.0. Ранее ассистент, выросший из браузерной игры, уже поддерживал долговременную память, стриминг через SSE, фактические извлечения с pgvector, вызов инструментов, планировщик задач и мультиагентный пайплайн с vision. Теперь весь стек стал доступен сообществу, а в дополнение появились два нововведения, которые автор называет центральными в текущем релизе.

Архитектура проекта осталась прежней: бэкенд на Go со стандартным net/http, ручными SQL-запросами через pgx и sqlx, фронтенд на Vue 3, база данных PostgreSQL 17 с расширением pgvector. Деплой реализован через единый docker-compose, где наружу торчит только nginx, а все внутренние компоненты слушают localhost. Ключевое архитектурное решение — единый OpenAI-совместимый клиент для всех LLM-вызовов. Провайдеры хранятся в таблице с приоритетами, поэтому модель чата, модель для экстракции, vision-модель и модель эмбеддингов задаются в конфиге отдельно. Поверх клиента работает circuit breaker: если первичный провайдер падает или возвращает 5xx, запрос автоматически уходит на fallback. Это спасает и при сбоях облачного агрегатора, и когда локальная Ollama не справляется с тяжёлым запросом. SQL-код полностью ручной, векторы пишутся и читаются напрямую, а при старте приложение выравнивает размерность колонок под текущую эмбеддинг-модель — менять модель можно без миграций.

Особого внимания заслуживает функция «вайб-темы», которая заменяет стандартный выбор светлой или тёмной темы. Пользователь может ввести текстовую подсказку, например «панк, красный, закат с переливами», и получить сгенерированную тему с полноценной палитрой из шестнадцати полей. Языковая модель выступает в роли арт-директора: она отдаёт только три цвета (фон, текст, акцент) плюс материал и текстуру, а остальные оттенки выводятся детерминированно — смешиванием фона и текста. Такой подход гарантирует согласованность даже при нестандартных запросах. Поверх этого работает нормализация: модель обязана возвращать валидные HEX-коды, иначе следует retry, а контраст текста и фона проверяется по стандарту WCAG. Если модель предложила светлый текст на светлом фоне, система автоматически заменяет его на читаемый. «Материал» реализуется как отдельный атрибут data-vibe-style на HTML-элементе: glass делает поверхности полупрозрачными с backdrop-filter, retro — возвращает квадратные скругления и жёсткие рамки, flat — снимает всё. Под контентом размещается слой с radial-gradient, создающий эффект переливающегося фона. В промпте для модели явно прописаны узнаваемые эстетики: macOS dark отдаёт системный синий и glass, Windows 95 — бирюзу и retro, GitHub dark — тёмный фон и flat.

Другая значимая новинка — внешний RAG под названием «Мой ПК», который живёт в отдельном репозитории. Традиционный RAG, описанный в предыдущих статьях, индексирует только те документы, которые пользователь явно загрузил в базу. Однако у многих людей на домашнем компьютере хранятся гигабайты PDF, docx, выгрузок и конспектов. Внешний RAG решает эту проблему без передачи данных в облако. На ПК устанавливается десктоп-агент — Go-бинарник с графическим интерфейсом для Windows и macOS и TUI для Linux. Агент индексирует выбранные папки в локальную базу sqlite-vec, а с мобильного телефона пользователь задаёт вопросы, и поиск идёт напрямую по его компьютеру, минуя облачные серверы. Таким образом, backend и большие языковые модели не видят содержимого файлов, что критически важно для пользователей, обеспокоенных конфиденциальностью.

Контекст появления этих функций напрямую связан с тем, как развивался проект. Изначально «Свой» был браузерной игрой, но со временем превратился в полноценного ассистента с долговременной памятью, tool calling и мультиагентностью. Разработчик прошёл процедуру регистрации документов по 152-ФЗ и трансграничной передаче данных, что позволяет легально использовать проект в России и за её пределами. Открытый исходный код даёт сообществу возможность адаптировать систему под свои нужды, а архитектура с единым клиентом и circuit breaker делает её независимой от конкретного вендора — от локальной Ollama до облачных агрегаторов. На фоне зарубежных аналогов, которые часто требуют загрузки всех данных в свои дата-центры, подход «Свой» с внешним RAG выглядит привлекательным для пользователей, ценящих приватность. Вайб-темы, в свою очередь, предлагают уникальный способ кастомизации, не имеющий прямых аналогов в коммерческих ассистентах.

Сравнение с альтернативами показывает, что в мире ИИ-ассистентов редко встречается сочетание полностью открытого кода, поддержки нескольких LLM-провайдеров и возможности поиска по локальным файлам без облачной синхронизации. Большинство open-source решений либо привязаны к одной модели, либо требуют сложной настройки, либо не предлагают встроенной индексации домашних документов. «Свой» же предоставляет готовый docker-compose, который поднимается за пару команд, и при этом допускает BYOK (bring your own key) для облачных агрегаторов. Вайб-темы — это скорее эстетическое новшество, но оно демонстрирует, как LLM может использоваться не только для ответов на вопросы, но и для генерации интерфейсных решений, что пока редко встречается в продакшене.

Перспективы проекта включают планы по веб-поиску, реализации «объектива» и тематических помощников. Открытый код позволяет любому разработчику доработать эти функции или предложить свои. Главный открытый вопрос — как будет развиваться сообщество вокруг репозитория и появится ли коммерческая поддержка. Для российского рынка «Свой» представляет особый интерес, так как он изначально создавался с учётом требований 152-ФЗ и не зависит от зарубежных API, если использовать локальную модель. В условиях ухода многих западных сервисов подобные open-source решения могут занять нишу персональных ИИ-ассистентов, работающих полностью на стороне пользователя. Ближайшее будущее покажет, сможет ли проект привлечь достаточно контрибьюторов для дальнейшего роста, и насколько устойчивой окажется его архитектура в реальных сценариях использования.