Digercules

Digercules берёт неразобранный архив — файлов, документов, аудио, видео, переписок — и превращает его в структурированную библиотеку и векторную RAG-базу: основу, без которой нейросети к архиву не подключить. По каждому файлу — тема, язык, тип документа, ключевые сущности, краткое содержание. Это делается заранее, без спешки и дедлайна, пока никому это ещё не понадобилось срочно — а не в последний момент под конкретную задачу. Готовую библиотеку можно скормить любой нейросети, базе данных или поисковой системе — дальше они сами находят нужное и строят интерфейс; Digercules не заменяет этот следующий шаг, а делает его вообще возможным, беря на себя ту трудоёмкую подготовку, на которую обычно никогда не хватает ресурсов.

Обработка идёт либо целиком на компьютере клиента, либо — если мощности недостаточно — делегируется конкретной внешней машине по закрытому пиринговому каналу (не публичное облако): вычислительные мощности физически расположены на Кавказе и в Восточной Европе, клиенту всегда явно указывается, на какой машине и в какой юрисдикции идёт обработка, и обратно возвращаются только текстовые/структурированные результаты.

Этот сайт — единственный домен проекта, доступный напрямую из России: digercules.org, digercules.net и digercules.com размещены на Cloudflare, который в РФ заблокирован.

Реальные цифры уже обработанных архивов:

По имеющимся каналам связи (~30 Мбит/с, реальный замер) закачка этого объёма в облако заняла бы около 447 суток (~15 месяцев) — против 148 (~5 месяцев), за которые всё обработано на месте. Хранение обошлось бы от $143 в месяц, а обработка на сопоставимом по мощности GPU потребовала бы от $150–190 в месяц. И это без учёта ещё одного шага: данные из хранилища всё равно нужно перегнать на саму GPU-машину для обработки. Даже по каналу втрое быстрее (100 Мбит/с) партия в несколько терабайт идёт около 3 суток.

Зачем это нужно перед нейросетями

Прежде чем подключать к архиву любую нейросеть, его нужно подготовить: иначе ассистент выдумывает ответы или тонет в сыром массиве файлов. Digercules делает именно эту подготовку и строит векторную RAG-базу. RAG (Retrieval-Augmented Generation, «генерация с дополненной выборкой») — подход, при котором нейросеть перед ответом сначала находит нужные фрагменты в вашей собственной базе знаний и только потом отвечает по ним. Подробнее: «Генерация с дополненной выборкой» — Википедия.

Выберите свою ситуацию

Архив живых выступлений → У вас или вашей организации — концертные записи, чтения стихов и монологов, стендапы, магнитофонные плёнки любых живых выступлений. Расшифровка, определение исполнителей и произведений, каталог с поиском. Первый и пока самый полный кейс — архив бардовской песни, но подход не завязан на жанр.

Частный архив → У вас лично — диски в шкафу, десятки чатов, профессиональная библиотека, аудио- или видеоархив. Разбор, дедупликация, поиск по смыслу. Отдельная ситуация — унаследованный архив, если данные достались от кого-то другого и вы вообще не знаете, что там.

Организация → Вы представляете компанию, бюро, студию, клинику, библиотеку — 20 отраслевых сценариев разбора корпоративных архивов и накопленных данных.

О продукте и компании → Общее описание Digercules, статус разработки, география команды.