Model dostarczania AI-native, sprawdzony na produkcji
snappyloop to produkt AI do nauki języków — kursy, praktyka głosowa z tutorem na żywo i słownictwo w systemie powtórek rozłożonych w czasie, dostarczane przez Telegrama, jego Mini App i web. Jeden inżynier zbudował go i utrzymywał w modelu dostarczania AI-native.
W tym modelu wyspecjalizowani agenci wykonywali jasno określoną pracę — zmianę w serwisie, migrację, zestaw testów — przez GitHub Issues, które przechowywały zadanie, jego kontekst i ślad decyzji między sesjami. Decyzje produktowe, architektura, priorytety, ryzyko, review i odbiór pozostawały w rękach człowieka: agenci proponowali i implementowali, a nic nie zostawało przyjęte bez review pod kątem architektury.
Ten model utrzymywał kilkanaście serwisów w Go i PHP — kursy, praktykę głosową, fiszki, płatności, powiadomienia — na PostgreSQL, Redisie i Kubernetesie. Gdy produkt rósł z 200 do 5000 użytkowników w trzy miesiące, architektura przeszła z pojedynczego workera long-polling na workery sterowane webhookami i skalowane poziomo, z Redisem dla współdzielonego stanu sesji i globalnych limitów oraz jednym pułapem zapytań do dostawców AI dla wszystkich replik. Platforma przeszła testy obciążeniowe na 20 000 żądań na sekundę.
Bezpieczeństwo ścieżki webhooków miało cztery warstwy — firewall, ingress, lista dozwolonych IP i weryfikacja podpisu żądania — a wewnętrzne API było dostępne wyłącznie przez wychodzący Cloudflare Tunnel. Produkcji pilnowały alerty SLO burn-rate i sondy Playwright z wielu miast. Z proxy LLM tej platformy wyrósł Keystone, bramka open source.
