● Medtech · Terricon Valley · день 1

MedArchive — итоги первого дня

Автоматическая обработка архива прайсов клиник-партнёров.
Отчёт перед трекером · 26.06.2026

● работает в проде: med.secondbrain.tools

Что сделано за день

Собран и развёрнут сквозной конвейер — от сырого архива до живого интерфейса.

архив (PDF/скан/DOCX/XLSX)→ извлечение→ нормализация→ валидация→ БД→ API→ UI сравнения

8 871позиций извлечено

73,9%нормализовано авто (цель ≥70%)

8 / 10клиник / файлов

liveразвёрнуто на домене

Стек технологий

Слой	Решение
Извлечение	Python · pdfplumber, PyMuPDF, openpyxl/xlrd, python-docx
Vision-добор	Gemini `gemini-2.5-flash` (по API)
Нормализация	каскад + эмбеддинги Gemini `gemini-embedding-001`
Валидация	правила ТЗ §4.4 (цена, тарифы, аномалии, версии)
Хранилище	SQLite (MVP) · PostgreSQL + pgvector (боевая схема)
API	FastAPI · 7 эндпоинтов + /stats + Swagger
Фронт	одностраничный (Tailwind) · поиск и сравнение цен
Деплой	Docker (контейнер API) за Caddy · Selectel KZ

Ключевые инженерные решения

PDF без линий таблиц → реконструкция по координатам слов (обычный парсер таблиц их не находит).
Эмбеддинги через Gemini API, не локальный torch → лёгкий контейнер, не упирается в RAM на VPS.
Битый слой / скан → Gemini Vision по картинке. Чистое берут парсеры, трудное добирает Vision.
Порог 0,70 + очередь unmatched: услуг нет в справочнике → на ручную разметку (ТЗ §4.3).
SQLite для MVP (без Docker), боевая схема Postgres + pgvector — наготове.

Нормализация: каскад

код тарификатора→ точное совпадение→ эмбеддинги Gemini→ нечёткое (fuzzy)→ очередь unmatched

Метод	Позиций	Комментарий
код тарификатора	1 414	точное, бесплатно — где клиника указала код
точное имя	167	совпадение нормализованного названия
эмбеддинги	4 903	семантическая близость названий
fuzzy	71	запасной сигнал
→ авто всего	6 555 (73,9%)	цель ТЗ ≥70% взята
в очередь оператора	2 316	ручная разметка (ТЗ §4.3)

Готовность по ТЗ

Раздел	%	Состояние
§2 Форматы на вход	90	PDF/скан/DOCX/XLSX/XLS + справочник
§3 Схема БД (4 сущности)	80	есть; БИН/город/контакты пока не извлекаются
§4.1 Загрузка архива	55	CLI-конвейер; загрузки ZIP в UI нет
§4.2 Извлечение по формату	85	работает; tracked-changes неявно
§4.3 Нормализация	90	каскад + порог + unmatched, 73,9%
§4.4 Валидация + верификация	60	валидация ✅; UI верификации неполный
§4.5 API	90	7 эндпоинтов + /stats + Swagger
§4.6 Интерфейс	70	поиск+сравнение+дашборд; нет загрузки/разметки
§7 Что сдаём	65	БД/отчёт/OpenAPI/README ✅; слайды-каркас, видео нет

Готовность по рубрике оценки

Критерий жюри	вес	сделано
Качество извлечения данных	30%	~85%
Нормализация и сопоставление	25%	~90%
Валидация и верификация	20%	~60%
API и поиск	15%	~90%
UX административного раздела	10%	~65%

≈ 80% по рубрике · общая готовность по ТЗ ≈ 75% · плюс бонус — живой деплой, которого ТЗ не требует.

Что осталось (план дня 2)

Экран верификации оператора — главный пробел (вес 20%): оригинал + извлечённое + подтвердить / исправить / сопоставить.
Загрузка ZIP-архива через интерфейс (§4.1) — сейчас CLI.
Полный прогон Vision по трудным клиникам (3, 5, 2-2025) — больше охват и качество.
Упаковка к защите: слайды с цифрами, демо-видео.
Мелочи: извлечение БИН/города, явная обработка tracked-changes.

День 1: продукт работает целиком

Собран и развёрнут весь путь — от сырого архива до живого интерфейса.
Ядро (55% оценки: извлечение, нормализация, валидация) проверено на реальных данных.
Дальше — экран верификации, загрузка архива через интерфейс, упаковка к защите.

Демо — med.secondbrain.tools
документация API — med.secondbrain.tools/api/docs