odant-work 1.0.16 → 1.0.18

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "odant-work",
-  "version": "1.0.16",
+  "version": "1.0.18",
   "description": "ODANT-WORK — платформа цифровой организации (встроенная система учёта, документооборот, управление процессами и приватный мультимодальный ИИ)",
   "type": "module",
   "main": "sources/work.js",

package/sources/data/progress.md

@@ -1,6 +1,24 @@
 # Прогресс: sources/data
 
 ## Последние изменения
+- [22:05, 13.11] Новая коммерческая презентация **«ODANT-WORK — для клиентов и региональных партнёров (франчайзи)»** (12 слайдов 16:9) и её интеграция в лендинг `work.odant.org` (`docs/WORK-presentation.{html,pdf}`, `license-server/assets/ODANT-WORK-presentation.{html,pdf}`, `license-server/src/{server,landing}.js`, `license-server/assets/{landing.js,landing.css}`, `tests/license-and-deploy.test.js`):
+  - **12 широкоэкранных слайдов (16:9, `297mm × 167mm`) в 3 разделах:**
+    1. **Раздел I. Платформа и выгода для предприятия (Слайды 1–7):** отказ от «зоопарка» ИТ-систем и облачных чат-ботов в пользу единого контура ODANT-WORK (учёт двойной записи с планом счетов 01–99 и сторно, документооборот и встроенный локальный офис `.xlsx/.docx/.pptx`, структура подразделений и роли `BOSS`/`USER`, ИИ-консультант `?` в каждой форме, 13 ролевых ИИ-агентов и 26+ навыков, 4 класса локальных моделей ИИ с адаптивным управлением памятью + российские провайдеры `GigaChat 2`, `Yandex Alice AI`, `T-Bank`, `MTS AI` и двухшаговое дообучение `LoRA`, старт за 1 минуту через `npx odant-work`, миграция по OData, MCP, федерация серверов, реестровая запись СУБД Платформа Odant **№ 3505 от 03.05.2017** и реальные проекты внедрения из портфолио `infostandart.com`: ПАО «Россети», Минцифры/ГЖИ/ФКР РО, Администрация и АРС г. Рязани, РГРТУ, РязГМУ, ЮЗГУ, ГБУ «МОЦВС» Москомспорта).
+    2. **Раздел II. Комплектация и условия для клиентов (Слайды 8–9):** два формата приобретения (`WORK-PAK-495-192-4T` за **5 000 000 ₽** с сервером AMD Ryzen™ AI Max+ PRO 495 · Radeon™ 8065S · 192 ГБ Unified RAM · SSD 4 ТБ или базовая вечная лицензия `WORK-LIC-BASE-10` без оборудования за **4 000 000 ₽** — оба включают **10 вечных конкурентных мест** и 1 год поддержки Enterprise), годовые места `Start` (10 000 ₽), `Business` (15 000 ₽), `Enterprise` (20 000 ₽, реакция до 15 мин 24/7), объёмные скидки от **−5% до −25%** и пакеты внедрения «под ключ» (перенос баз 450 тыс. ₽, NAS 350 тыс. ₽, дообучение ИИ 600 тыс. ₽).
+    3. **Раздел III. Региональная франшиза для партнёров (Слайды 10–12):** защита территории (квота 1 партнёр на 1 млн жителей субъекта РФ), базовый паушальный взнос 500 000 ₽ × индекс экономики региона, моментальная бронь за залог **100 000 ₽** с рассрочкой на **12 месяцев**, рост партнёрской скидки от **10% до 50%** (до 2,5 млн ₽ маржи с одного ПАК), 6 потоков дохода франчайзи (**100% дохода партнёра** на дообучении ИИ, собственном платном региональном API моделей ИИ по подписке ARR, поставке GPU/NAS и техподдержке SLA), 4 программы сертификации (`ODANT-ADM`, `ODANT-ACC`, `ODANT-AI`, `ODANT-DEV`) и пошаговый старт на `work.odant.org`.
+  - **Интеграция в лендинг `work.odant.org`:**
+    - Встроено интерактивное модальное окно-плеер `#presentationModal` с быстрым переключением по 3 разделам (**«1. О платформе»**, **«2. Клиентам»**, **«3. Франшиза»**), навигацией стрелками клавиатуры и кнопками перехода к калькулятору клиентов и карте франшиз РФ.
+    - Кнопки **«Смотреть презентацию»** и **«Скачать PDF»** добавлены на вкладках «О платформе» (открывает со слайда 1), «Клиентам» (открывает со слайда 8), «Франшиза» (открывает со слайда 10) и в подвале сайта; прямые маршруты `/presentation` и `/assets/ODANT-WORK-presentation.pdf` отдаются сервером лицензий.
+- [21:20, 13.11] Переработка представления **«Модели ИИ»** (`form/trainer` / `form/provider`), интеграция локального ИИ-сервера внутрь WORK с адаптивным управлением памятью и чистый минималистичный интерфейс (`MODELS/$ai/**`, `sources/modules/trainer/{local-engine,runner,index}.js`, `tests/trainer-unsloth.test.js`, `odant-work@1.0.17`):
+  - **Единое название представления — «Модели ИИ» (`carbon:chip`):**
+    - Представление на `/MODELS/Local`, на облачных провайдерах (`/MODELS/GigaChat`, `/MODELS/Yandex`, `/MODELS/T-Bank`, `/MODELS/MTS-AI`, `/MODELS/OpenAI` и др.) и на конкретных узлах моделей (`$ai`) единообразно называется **«Модели ИИ»**.
+    - При клике на конкретную модель `$ai` в дереве вместо сырого JSON-кода открывается чистая карточка модели (статус активности, тумблер Вкл/Выкл, удаление с диска для локальных моделей, параметры контекста/возможностей и быстрая проверка ответа).
+  - **Встроенный сервер локального ИИ с адаптивным управлением памятью (`local-engine.js`, `runner.js`):**
+    - Локальный ИИ-движок полностью управляется самим сервером WORK без ручного запуска в консоли: на обычных ПК (< 120 ГБ ОЗУ) запускается автоматически по запросу и выгружается из памяти через 30 минут простоя (+ кнопка **«Освободить память»** в шапке), а на серверных машинках Halo (≥ 128 ГБ ОЗУ) удерживается в памяти постоянно.
+  - **Разгруженный интерфейс «Модели ИИ» на `/MODELS/Local` в системной палитре ODA:**
+    - Убраны двухколоночные сплит-панели, разноцветный спам бейджей и консольные простыни команд; оставлены **2 спокойные вкладки**:
+      1. **«Модели»**: список установленных локальных моделей (статус, объём на диске, тумблер «Вкл» и кнопка **«Удалить»** для полной очистки модели и `#weights` с диска) + каталог моделей для установки в 1 клик с автоподбором формата под память ПК и встроенным прогресс-баром прямо внутри карточки. При выборе фильтра **«Комплект Halo (128–192 ГБ)»** отображается краткая памятка по настройке BIOS (выделение UMA Frame Buffer 128 ГБ / 96 ГБ и включение NPU) и кнопка установки комплекта GPU+NPU в 1 клик.
+      2. **«Дообучение»**: двухшаговый мастер (*Шаг 1. Собрать обучающий набор из организации → Шаг 2. Дообучить модель LoRA*).
 - [20:55, 13.11] Архитектура провайдеров и моделей ИИ в `/MODELS`: чистота дистрибутива (исключён `odant`, пустой единый `/MODELS/Local` вместе с контуром машинок Halo), предустановленные российские провайдеры (`GigaChat`, `Yandex`, `T-Bank`, `MTS-AI`), быстрое добавление любых внешних провайдеров и цветовая индикация активности моделей в дереве (`sources/modules/trainer/{providers,halogen,huggingface,index}.js`, `MODELS/$ai/**`, `MODELS/{GigaChat,Yandex,T-Bank,MTS-AI,Local}/**`, `$server/$folder/handlers/methods/create/$handler/class.js`, `$server/$folder/lib/{node/node,icon/icon,tree/tree}.js`, `sources/server/class.js`, `.npmignore`, `odant-work@1.0.16`):
   - **Чистота `/MODELS` в поставке и объединение `Local` + `Halogen`:**
     - Внутренний провайдер разработчика `/MODELS/odant` исключён из npm-дистрибутива (`.npmignore`: `/MODELS/odant/`), а `defaultModel()` в `sources/modules/agent/index.js` автоматически переключается на первую доступную активную модель в `/MODELS`.

package/sources/modules/trainer/index.js

@@ -26,13 +26,19 @@ import {
     computeAdaptiveDefaults,
     detectHardware,
     listLocalModelsAndAdapters,
+    deleteLocalModel,
     startTrainingJob,
     getTrainingJob,
     listTrainingJobs,
     stopTrainingJob,
     publishTrainedAdapter,
 } from './runner.js';
-import { localStreamChat } from './local-engine.js';
+import {
+    localStreamChat,
+    getLocalEngineStatus,
+    releaseLocalEngineMemory,
+    touchLocalEngineActivity,
+} from './local-engine.js';
 import {
     HALOGEN_DEFAULT_PORT,
     HALOGEN_DEFAULT_BASE_URL,
@@ -144,6 +150,10 @@ export {
     scrubSecrets,
     detectHardware,
     listLocalModelsAndAdapters,
+    deleteLocalModel,
+    getLocalEngineStatus,
+    releaseLocalEngineMemory,
+    touchLocalEngineActivity,
     startTrainingJob,
     getTrainingJob,
     listTrainingJobs,
@@ -167,8 +177,12 @@ export const TRAINER_METHODS = Object.freeze({
                 totalRamGb: hardware?.totalRamGb >= 120 ? hardware.totalRamGb : 192,
                 platform: hardware?.platform,
             });
+            const runtime = getLocalEngineStatus({
+                totalRamGb: hardware?.totalRamGb,
+            });
             return {
                 hardware,
+                runtime,
                 models: local.models,
                 adapters: local.adapters,
                 datasets,
@@ -186,6 +200,32 @@ export const TRAINER_METHODS = Object.freeze({
             };
         },
     },
+    trainer_delete_model: {
+        level: 'admin',
+        fn: async function (p = {}) {
+            const modelId = p.modelId || p.id || p.path || '';
+            const res = await deleteLocalModel({ modelId });
+            try {
+                const localNode = await globalThis.WORK?.get_item?.('/MODELS/Local');
+                localNode?.reset?.();
+                const modelsRoot = await globalThis.WORK?.get_item?.('/MODELS');
+                modelsRoot?.reset?.();
+            }
+            catch { /* ignore */ }
+            return res;
+        },
+    },
+    trainer_release_memory: {
+        level: 'admin',
+        fn: async function () {
+            const res = releaseLocalEngineMemory();
+            const hw = await detectHardware().catch(() => null);
+            return {
+                ...res,
+                runtime: getLocalEngineStatus({ totalRamGb: hw?.totalRamGb }),
+            };
+        },
+    },
     halogen_status: {
         level: 'read',
         fn: async function (p = {}) {

package/sources/modules/trainer/local-engine.js

@@ -7,6 +7,7 @@
  * подмешивает точные факты из живой БД `work.db`), обеспечивая мгновенный отклик без внешних серверов.
  */
 import fs from 'node:fs';
+import os from 'node:os';
 import path from 'node:path';
 import crypto from 'node:crypto';
 import { spawn } from 'node:child_process';
@@ -14,7 +15,7 @@ import { dataStore } from '../../data/api.js';
 import { classesOfType } from '../../data/classes.js';
 import { classSchema } from '../../data/schema.js';
 import { trialBalance } from '../../data/reports.js';
-import { recordHalogenSessionHandle } from './halogen.js';
+import { recordHalogenSessionHandle, stopHalogenBackend } from './halogen.js';
 
 const money = v => Number(v || 0).toLocaleString('ru-RU', { minimumFractionDigits: 2, maximumFractionDigits: 2 });
 
@@ -23,6 +24,70 @@ let _workerProc = null;
 let _workerReady = false;
 const _pendingRequests = new Map();
 
+export const LOCAL_IDLE_TIMEOUT_MS = Number(process.env.WORK_LOCAL_AI_IDLE_MS) || (30 * 60 * 1000);
+let _lastActivityAt = 0;
+let _idleTimer = null;
+
+function isHaloHighMemHost(totalRamGb) {
+    const ram = Number(totalRamGb) || (os.totalmem() / (1024 ** 3));
+    return ram >= 120;
+}
+
+export function touchLocalEngineActivity(totalRamGb) {
+    _lastActivityAt = Date.now();
+    if (_idleTimer) {
+        clearTimeout(_idleTimer);
+        _idleTimer = null;
+    }
+    if (!isHaloHighMemHost(totalRamGb)) {
+        _idleTimer = setTimeout(() => {
+            _idleTimer = null;
+            if (_pendingRequests.size === 0) {
+                releaseLocalEngineMemory();
+            }
+        }, LOCAL_IDLE_TIMEOUT_MS);
+        _idleTimer.unref?.();
+    }
+}
+
+export function getLocalEngineStatus({ totalRamGb, halogenOnline = false } = {}) {
+    const highMem = isHaloHighMemHost(totalRamGb);
+    const workerAlive = Boolean(_workerProc && !_workerProc.killed);
+    const running = workerAlive || Boolean(halogenOnline);
+    const idleTimeoutMin = Math.round(LOCAL_IDLE_TIMEOUT_MS / 60000);
+    return {
+        running,
+        workerAlive,
+        halogenOnline: Boolean(halogenOnline),
+        mode: highMem ? 'always-on' : 'on-demand',
+        modeLabel: highMem
+            ? (running ? 'В памяти постоянно (Halo 128–192 ГБ)' : 'Готов к запуску (Halo 128–192 ГБ)')
+            : (running ? `В памяти (автовыгрузка через ${idleTimeoutMin} мин простоя)` : `Автозапуск по запросу (выгрузка через ${idleTimeoutMin} мин)`),
+        idleTimeoutMin: highMem ? 0 : idleTimeoutMin,
+        lastActivityAt: _lastActivityAt,
+    };
+}
+
+export function releaseLocalEngineMemory() {
+    if (_idleTimer) {
+        clearTimeout(_idleTimer);
+        _idleTimer = null;
+    }
+    closeInferWorker();
+    _tokenizerCache.clear();
+    let haloStopped = false;
+    try {
+        const res = stopHalogenBackend();
+        haloStopped = Boolean(res?.stopped);
+    }
+    catch { /* ignore */ }
+    return {
+        ok: true,
+        released: true,
+        haloStopped,
+    };
+}
+
 function resolveWeightsDir(ai, rootDir = process.cwd()) {
     const modelId = String(ai?.id || ai?.label || ai?.model || 'Local-Model').split('/').pop();
     const weightsRel = ai?.weightsDir || ai?.DATA?.weightsDir || `MODELS/Local/${modelId}/#weights`;
@@ -216,6 +281,7 @@ export function closeInferWorker() {
  * Потоковая генерация ответа локальной модели (`streamChat` для `/MODELS/Local/*`).
  */
 export async function* localStreamChat(ai, body = {}, options = {}) {
+    touchLocalEngineActivity();
     const weightsDir = resolveWeightsDir(ai);
     const messages = Array.isArray(body?.messages) ? body.messages : [];
     const turns = extractConversationTurns(messages);

package/sources/modules/trainer/runner.js

@@ -230,22 +230,68 @@ export async function listLocalModelsAndAdapters(rootDir = process.cwd()) {
         const aiClassFile = path.join(localRoot, e.name, '$ai', 'class.js');
         const weightsDir = path.join(localRoot, e.name, '#weights');
         let weightFiles = [];
+        let sizeBytes = 0;
         if (fs.existsSync(weightsDir)) {
             const wf = await fsp.readdir(weightsDir).catch(() => []);
-            weightFiles = wf.filter(f => !f.endsWith('.part'));
+            weightFiles = wf.filter(f => !f.endsWith('.part') && f !== 'hf-manifest.json');
+            for (const f of weightFiles) {
+                try {
+                    const st = await fsp.stat(path.join(weightsDir, f));
+                    sizeBytes += st.size || 0;
+                }
+                catch { /* ignore */ }
+            }
+        }
+        let meta = {};
+        if (fs.existsSync(aiClassFile)) {
+            try {
+                const raw = await fsp.readFile(aiClassFile, 'utf-8');
+                const jsonPart = raw.replace(/^[^{]*/, '').replace(/;\s*$/, '');
+                meta = JSON.parse(jsonPart);
+            }
+            catch { /* non-json class.js */ }
         }
         if (fs.existsSync(aiClassFile) || weightFiles.length) {
+            const enabled = meta.enabled !== false;
+            const hasWeights = weightFiles.length > 0;
             models.push({
                 id: e.name,
+                label: meta.label || e.name,
+                icon: meta.icon || 'ai:ollama',
+                modality: meta.modality || 'llm',
+                model: meta.model || meta.hfRepo || e.name,
+                capabilities: Array.isArray(meta.capabilities) ? meta.capabilities : ['chat', 'stream'],
+                maxTokens: meta.maxTokens || 16384,
+                enabled,
+                active: enabled && hasWeights,
                 path: `/MODELS/Local/${e.name}`,
                 hasClass: fs.existsSync(aiClassFile),
                 weightFiles,
+                sizeGb: +(sizeBytes / (1024 ** 3)).toFixed(2),
             });
         }
     }
     return { models, adapters };
 }
 
+/**
+ * Полностью удалить локальную модель `/MODELS/Local/<modelId>` вместе с её весами `#weights` и узлом `$ai`.
+ */
+export async function deleteLocalModel({ rootDir = process.cwd(), modelId } = {}) {
+    const cleanId = String(modelId || '').replace(/^\/?MODELS\/Local\//i, '').replace(/[<>:"/\\|?*]/g, '').trim();
+    if (!cleanId || cleanId.startsWith('$') || cleanId.startsWith('.'))
+        throw new Error('Некорректное имя удаляемой модели: ' + modelId);
+    const targetDir = path.join(rootDir, 'MODELS', 'Local', cleanId);
+    const localRoot = path.join(rootDir, 'MODELS', 'Local');
+    const rel = path.relative(localRoot, targetDir);
+    if (!rel || rel.startsWith('..') || path.isAbsolute(rel))
+        throw new Error('Запрещённый путь удаления: ' + targetDir);
+    if (fs.existsSync(targetDir)) {
+        await fsp.rm(targetDir, { recursive: true, force: true });
+    }
+    return { ok: true, deletedId: cleanId, deletedPath: `/MODELS/Local/${cleanId}` };
+}
+
 /**
  * Запустить задачу дообучения Unsloth (`mode: 'sft' | 'grpo'`), адаптируя параметры по умолчанию под реальное железо.
  */