• Платформа описана как способ задавать поведение ботов через YAML-сценарии: триггеры событий и последовательности действий (actions) вместо написания логики с нуля.
• Coreness построен на event-driven архитектуре с разделением слоёв: Telegram отправляет обновления, платформа подбирает YAML-сценарий и исполняет шаги асинхронно.
• Мультитенантность заявлена «из коробки»: данные изолируются по tenant_id, а фильтрация выполняется на уровне PostgreSQL Row-Level Security (RLS).
• Для AI-функций описаны LLM-интеграции и RAG: семантический поиск через pgvector в PostgreSQL и использование контекста в сценариях.
• Приведён пример запуска через Docker и утилиту deployment manager: настройка окружения, миграции БД и запуск контейнеров.
• В тексте перечислены варианты масштабирования (вертикально и через несколько инстансов), а также меры безопасности: валидация через Pydantic, секреты в переменных окружения, бэкапы.

Почему это важно: В описании Coreness соединяются подходы Infrastructure as Code и мультитенантная модель, где логика в YAML-конфигах отделена от кода платформы. Это может снижать стоимость поддержки множества похожих ботов и упрощать изменение сценариев. Отдельный акцент на RLS показывает попытку сделать изоляцию данных системной, а не зависящей от дисциплины разработчиков.

На что обратить внимание: В тексте заявлены разные режимы хранения: PostgreSQL (включая pgvector для RAG) и упрощённая альтернатива на SQLite, где векторный поиск недоступен. Отдельно описаны элементы «следующего шага» развития: улучшение деплой-утилиты, расширение RAG на файлы и выход в мини-апп Telegram. Также остаётся вопросом, как именно будет подтверждаться эффект заявленных оптимизаций и масштабирования на реальных нагрузках, кроме приведённых примеров.