PromERP.ru
Вход
Свободное ПО (Open-Source) для промышленности РФ

PromERP Открытая платформа управления предприятием

Российская модульная платформа с открытым исходным кодом (Open-Source) для сквозного управления приборостроением, машиностроением, металлообработкой и сборочным производством — от состава изделия и конструкторской спецификации до цехового диспетчирования и расчета себестоимости.

Онлайн-демонстрация Документация Исходный код на GitHub О системе
Без зависимости от поставщика (Vendor Lock-in) Развертывание на своих серверах (On-Premise) PHP 8.4 + PostgreSQL 16 Готовность к ИИ (протокол контекста моделей MCP)

Преимущества для отечественной промышленности

Спроектировано для предприятий, нацеленных на технологический суверенитет и исключение лицензионных рисков.

100% Открытый стек (Open-Source)

Нулевые санкционные риски: PostgreSQL, PHP 8.4, Linux. Отсутствие скрытых внешних облачных зависимостей, закрытых бинарных блоков и лицензионных выплат зарубежным правообладателям.

Без зависимости от поставщика (Vendor Lock-in)

Кадровая доступность

Поддержка и развитие силами штатных программистов или любых внешних исполнителей. Рынок инженеров по открытому стеку кратно шире, чем по закрытым платформам.

Свобода выбора команды

Автономность On-Premise

Развертывание системы на собственных локальных серверах предприятия (On-Premise) или в защищенных российских центрах обработки данных без доступа в публичный интернет.

Изолированный контур безопасности

Готовность к ИИ (AI-Ready)

Архитектура готова к работе с искусственным интеллектом (AI-Ready). Встроенный протокол контекста моделей MCP (Model Context Protocol) открывает прямой безопасный доступ интеллектуальным агентам к производственным данным.

Model Context Protocol (MCP)
Готовность к ИИ (AI-Ready)

Интеллектуальный контур: протокол MCP в ядре системы

PromERP изначально спроектирована как система, готовая к искусственному интеллекту (AI-Ready). Встроенный открытый протокол контекста моделей — MCP (Model Context Protocol, стандарт безопасного взаимодействия языковых моделей с внешними базами) связывает локальные нейросети с учетными модулями предприятия.

Предиктивная аналитика: выявление дефицита сырья и прогнозирование простоев станков до возникновения аварии.
Синтез отчетов: автоматическое составление сложных производственных сводок по запросу на русском языке.
Мониторинг цепочек: непрерывный контроль закупок материалов и предотвращение срывов сдачи продукции.
Диалог на естественном языке: работа мастеров и руководства с системой через голосовые или текстовые команды.
mcp-сервер взаимодействия MCP v1.0 подключен
> Агент ИИ: Проверь риски выполнения заказа №248
↳ Чтение спецификации изделия (BOM) и остатков складов...
↳ Расчет загрузки станков с ЧПУ участка металлообработки...
Анализ: Риск задержки комплектующих на 2 смены. Рекомендовано перенаправить обработку детали на резервный станок №2.

Сквозной производственный контур

PromERP закрывает полный жизненный цикл выпуска продукции без разрозненных разрозненных программ.

Конструкторская подготовка (НСИ)

Древовидные версионируемые составы изделий (BOM), технологические маршруты, пооперационные нормы времени и списания материалов.

Планирование и обеспечение

Расчет потребностей в сырье, календарное планирование загрузки станков, снабжение и адресный ячеистый склад материалов.

Цеховое диспетчирование (MES)

Выдача сменно-суточных заданий, учет выработки рабочих, фиксация брака и мониторинг фактической работы производственного оборудования.

Контроль качества (ОТК)

Входной, межоперационный и приемочный контроль, регистрация актов несоответствий, сквозная генеалогия каждой выпущенной партии.

Калькуляция и себестоимость

Калькуляция нормативной и фактической себестоимости заказов, детальный план-фактный анализ отклонений затрат на материалы и оплату труда.

Аналитика и интеграции

Информационные панели для руководства, выгрузка данных в 1С:Бухгалтерию, обмен через регламентированные веб-шлюзы и файлы обмена.

Технологический стек

Высокая скорость отклика без избыточных библиотек и сторонних платных компонентов.

Уровень Технология Роль в комплексе
База данных PostgreSQL 16 Реляционное хранилище, модули иерархий деталей, криптозащита и векторные индексы для ИИ
Язык бэкенда PHP 8.4 Высокопроизводительная серверная логика со строгой типизацией данных
Шина взаимодействия с ИИ MCP (Model Context Protocol) Протокол контекста моделей — регламентированный шлюз для нейросетевых помощников
Каркас системы Konine 3.4 Модульная иерархическая структура контроллеров, моделей и представлений
Доступ к данным Объектный слой (ORM) Прямое взаимодействие с базой без промежуточных потерь производительности
Консольные утилиты Minion CLI Автоматическое применение версионируемых миграций структуры базы данных
Пользовательский интерфейс Серверный рендеринг + Tailwind Быстрая загрузка экранов на любых ПК предприятия без тяжелых клиентских скриптов

Архитектура системы

Схема потоков обработки данных, разделение ответственности и событийное взаимодействие модулей.

flowchart TD classDef client fill:#e0f2fe,stroke:#0284c7,stroke-width:2px,color:#0369a1; classDef controller fill:#fef3c7,stroke:#d97706,stroke-width:2px,color:#92400e; classDef service fill:#ede9fe,stroke:#7c3aed,stroke-width:2px,color:#5b21b6; classDef model fill:#dcfce7,stroke:#16a34a,stroke-width:2px,color:#166534; classDef db fill:#fee2e2,stroke:#dc2626,stroke-width:2px,color:#991b1b; classDef event fill:#f1f5f9,stroke:#64748b,stroke-width:1px,stroke-dasharray: 4 4,color:#334155; subgraph Входы["Точки входа в систему"] Клиент["Веб-интерфейс пользователей"]:::client ИИ["Агент ИИ через протокол контекста моделей MCP"]:::client Интеграция["Внешний обмен: 1С и файлы данных"]:::client end subgraph Контроллеры["Уровень представления и маршрутизации"] Контроллер["Тонкие контроллеры: проверка прав и валидация ввода"]:::controller end subgraph Сервисы["Уровень производственной бизнес-логики"] Сервис["Сервисный слой: расчеты, транзакции и нормативы"]:::service Шина["Событийная шина: обмен сообщениями между модулями"]:::event end subgraph Данные["Уровень хранения данных"] Модель["Объектные модели и доступ к таблицам (ORM)"]:::model СУБД[("База данных PostgreSQL 16")]:::db end Клиент -->|Веб-запросы| Контроллер ИИ -->|Запросы по протоколу MCP| Контроллер Интеграция -->|Пакеты обмена| Контроллер Контроллер -->|Вызов операций| Сервис Сервис <-->|Публикация и подписка на события| Шина Сервис -->|Чтение и запись сущностей| Модель Модель -->|SQL-запросы| СУБД
1. Тонкие контроллеры

Контроллеры только проверяют права и входящие параметры, передавая работу сервисам. Прямые манипуляции с данными из экранов запрещены.

2. Изоляция функциональных модулей

Подсистемы не обращаются к чужим таблицам напрямую. Взаимодействие идет строго через контракты сервисов и внутреннюю шину событий.

3. Версионирование структуры базы

Любые доработки структуры таблиц регистрируются в виде версионируемых миграций, гарантируя надежное обновление без потерь информации.

Готовы развернуть систему на своем предприятии?

Проверьте работу системы на демонстрационном стенде, изучите документацию по внедрению или загрузите исходный код для автономной установки в локальный контур (On-Premise).

Открыть демонстрационный стенд Инструкции и документация Репозиторий проекта

Архитектура высоконагруженных систем инференса: стратегии развертывания LLM и VLM в закрытых контурах

Искусственный интеллект Технологии Компьютерные науки

Переход от прототипирования к промышленной эксплуатации больших языковых моделей (LLM) и мультимодальных систем (VLM) требует пересмотра классических подходов к...

Подробнее

vLLM против Triton Inference Server: Архитектурный выбор для корпоративных LLM-решений

Производительность и масштабируемость Интеграция и управление Стоимость и техническая поддержка

Сравнительный анализ vLLM и Triton Inference Server для корпоративных решений с использованием больших языковых моделей (LLM).

Подробнее

Инфраструктура ИИ: Масштабирование LLM и VLM с Kubernetes

Контейнеризация и оркестрация Обработка графических вычислений Искусственный интеллект и машинное обучение

Современные большие языковые модели (LLM) и визуально-языковые модели (VLM) требуют колоссальных вычислительных ресурсов. Переход от локальных экспериментов к...

Подробнее

Эшелонированная оборона: Безопасность ИИ на уровне инфраструктуры и данных

Информационная безопасность Архитектура ИИ-систем Эшелонированная оборона

Анализ эшелонированной обороны как стратегии обеспечения безопасности искусственного интеллекта на уровне инфраструктуры и данных.

Подробнее

Битва за Терафлопсы: Как устроена инфраструктура для ИИ на уровне Enterprise

Инфраструктура и масштабирование GPU и вычислительные ресурсы Критические ограничения и вызовы

Когда компания масштабирует ИИ до уровня корпорации, она сталкивается с «железным потолком». Видеокарты NVIDIA H100 стоят как элитные внедорожники, а их дефицит...

Подробнее

Оркестрация вычислительных мощностей: Сравнение Slurm и Kubernetes в задачах машинного обучения

Системы управления задачами Машинное обучение Архитектура вычислительных ресурсов

Анализ подходов к управлению графическими процессорами (GPU) для задач обучения и промышленной эксплуатации нейросетевых моделей.

Подробнее