Метрики поиска (Retrieval)

Precision@K (точность) - какая доля из K найденных документов реально полезна.

Пример: система нашла 5 документов, из них 3 релевантны. Precision@5 = 3/5 = 0.6. То есть 40% мусора.

Recall@K (полнота) - какую долю всех нужных документов мы нашли.

Пример: в базе 10 релевантных документов, система нашла 3 из них. Recall = 3/10 = 0.3. Мы упустили 70% полезной информации.

MRR (Mean Reciprocal Rank) - насколько высоко в выдаче оказался первый правильный документ.

Пример: первый релевантный документ на 3-й позиции - 1/3 = 0.33. Если бы на 1-й - 1/1 = 1.0. Чем выше, тем лучше.

Метрики генерации (Generation)

Faithfulness (верность контексту) - не выдумывает ли модель то, чего нет в найденных документах.

Пример: в документе написано "выручка выросла на 15%", а модель отвечает "выручка выросла на 25%". Faithfulness низкий, модель "галлюцинирует".

Answer Relevancy (релевантность ответа) - отвечает ли модель на заданный вопрос.

Пример: вопрос "Какая цена подписки?", а модель рассказывает про историю компании. Ответ не релевантен.

Context Relevancy (релевантность контекста) - насколько найденные куски текста вообще относятся к вопросу. Если в контекст попал мусор, модели сложнее дать хороший ответ.

Сквозные (end-to-end) метрики

Answer Correctness - просто правильный ли ответ, сравнивают с эталоном. Это итоговая оценка всей системы.

RAGAS - популярный фреймворк, который объединяет Faithfulness, Answer Relevancy и Context Relevancy в единый скор.

Как это работает на практике

Представьте чат-бот по документации банка:

• Бот не находит нужный регламент - Recall низкий.
• Бот находит 10 документов, но 8 не по теме - Precision низкий.
• Бот нашел правильный документ, но выдумал цифры - Faithfulness низкий.
• Бот отвечает правильно, но не на тот вопрос - Answer Relevancy низкий.

Главное: метрики помогают понять, где именно ломается система - на этапе поиска или на этапе генерации, и что нужно чинить.

Представьте ситуацию: пользователь общается с вашим AI-ботом и в порыве эмоций отправляет 10 коротких сообщений подряд. Каждое сообщение моментально уходит на обработку в языковую модель, создавая лишнюю нагрузку и увеличивая расходы на API. При этом контекст разрывается на мелкие фрагменты и качество ответов страдает.

Знакомо? Эта проблема типична для чат-ботов и виртуальных ассистентов. Решение простое и элегантное - буфер сообщений.

Что такое буфер сообщений?

Буфер сообщений - это механизм накопления входящих сообщений от пользователя перед отправкой их на обработку AI. Вместо того чтобы обрабатывать каждое сообщение отдельно, мы собираем их в группу и отправляем единым пакетом.

Когда буфер отправляет накопленные сообщения:

• По таймеру: Прошло 15 секунд с последнего сообщения - пользователь закончил мысль
• По лимиту слов: Накопилось 20+ слов - достаточно контекста для качественного ответа

Лимиты слов и таймер можно настраивать под себя.

Архитектура решения в n8n

Мы используем Workflow Static Data- встроенное хранилище n8n, которое позволяет сохранять небольшие наборы данных между выполнениями workflow без внешних зависимостей вроде Redis, внешних баз данных, Airtable, Supabase, Google Sheets и т.п.

Структура данных для каждого пользователя:

{
  messages: [],           // Массив сообщений
  lastMessageTime: 0,     // Время последнего сообщения
  totalWords: 0           // Счетчик слов
}

Для организации буфера сообщений надо добавить только 4 обязательных ноды:

1. Code Node (Message Buffer) - накапливает сообщения в буфере
2. IF Node - проверяет готовность к отправке в AI
3. Schedule Trigger Node (Flush Trigger) - триггер для проверки таймаута сброса буфера
4. Code Node (Flush by timeout) - сбрасывает буферы всех пользователей, если достигнут таймаут ожидания

Подробнее о работе буфера сообщений в n8n смотрите в видео:

VK Видео

YouTube

RuTube

Ключевые преимущества

Многопользовательская изоляция

Каждый user_id имеет свой независимый буфер. Сообщения от разных пользователей никогда не смешиваются.

Умная обработка edge cases

Первое сообщение создает буфер автоматически. Превышение лимита слов вызывает немедленный сброс. Длинные паузы не ломают логику - буфер терпеливо ждет продолжения.

Экономия ресурсов

Вместо 10 API-запросов к языковой модели - один запрос с полным контекстом. Снижение затрат в 5-10 раз для активных пользователей.

Лучшее качество ответов

AI получает целостный контекст вместо разрозненных фрагментов. Это особенно важно для сложных запросов, которые пользователи формулируют несколькими сообщениями.

Практический пример

Пользователь отправляет:
0 сек  → "Привет"
3 сек  → "Мне нужна помощь"  
7 сек  → "с настройкой webhook"
15+ сек → [СБРОС]

AI получает: "Привет Мне нужна помощь с настройкой webhook"

Альтернативный сценарий - длинное сообщение на 25 слов сбрасывается немедленно, не дожидаясь таймера.

Когда использовать?

Буфер сообщений критически важен для:

• Мессенджер-ботов (Telegram, WhatsApp, Slack)
• Чат-поддержки с высокой нагрузкой
• AI-ассистентов для бизнес-процессов
• Образовательных платформ с интерактивными уроками

Код решения

Нода Message Buffer

// ============================================================================
// БУФЕР СООБЩЕНИЙ
// Использует Static Data Workflow для хранения буферов сообщений
// ============================================================================

// ПОЛУЧЕНИЕ ВХОДНЫХ ДАННЫХ
const userId = $input.first().json.message.chat.id;
const userMessage = $input.first().json.message.text;

const WORD_LIMIT = 20;  // Лимит слов для принудительного сброса

// ============================================================================
// ИНИЦИАЛИЗАЦИЯ ХРАНИЛИЩА
// ============================================================================

// Получение глобального static data для хранения буферов всех пользователей
const staticData = $getWorkflowStaticData('global');

// Инициализация структуры данных, если она еще не существует
if (!staticData.userBuffers) {
  staticData.userBuffers = {};
}

// Текущее время в секундах (Unix timestamp)
const currentTime = Math.floor(Date.now() / 1000);

// ============================================================================
// ПОЛУЧЕНИЕ ИЛИ СОЗДАНИЕ БУФЕРА ПОЛЬЗОВАТЕЛЯ
// ============================================================================

// Если буфер пользователя не существует, создаем новый
if (!staticData.userBuffers[userId]) {
  staticData.userBuffers[userId] = {
    messages: [],           // Массив накопленных сообщений
    lastMessageTime: 0,     // Timestamp последнего сообщения
    totalWords: 0           // Общее количество слов в буфере
  };
}

// Получение буфера текущего пользователя
const userBuffer = staticData.userBuffers[userId];

// ============================================================================
// ПОДСЧЕТ СЛОВ В НОВОМ СООБЩЕНИИ
// ============================================================================

/**
 * Функция для подсчета слов в тексте
 * Учитывает пробелы, переносы строк и множественные пробелы
 */
function countWords(text) {
  // Убираем лишние пробелы и разбиваем на слова
  const words = text.trim().split(/\s+/).filter(word => word.length > 0);
  return words.length;
}

const newMessageWords = countWords(userMessage);

// ============================================================================
// ДОБАВЛЕНИЕ НОВОГО СООБЩЕНИЯ В БУФЕР
// ============================================================================

// Добавляем новое сообщение в массив
userBuffer.messages.push({
  text: userMessage,
  timestamp: currentTime,
  wordCount: newMessageWords
});

// Обновляем общий счетчик слов
userBuffer.totalWords += newMessageWords;

// Обновляем время последнего сообщения
userBuffer.lastMessageTime = currentTime;

// Сохраняем обновленный буфер обратно в static data
staticData.userBuffers[userId] = userBuffer;

// Формируем выходные данные
let output = {shouldProcess: false};

// ============================================================================
// ПРОВЕРКА УСЛОВИЙ СБРОСА БУФЕРА
// ============================================================================

if (userBuffer.totalWords >= WORD_LIMIT) {
  // БУФЕР ГОТОВ К СБРОСУ - возвращаем данные для обработки
  
  // Переопределяем выходные данные
  output = {
    userId: userId,
    message: userBuffer.messages.map(msg => msg.text).join(' '), // склеим все сообщения в одну строку, разделив пробелом 
    shouldProcess: true
  };
  
  // ОЧИЩАЕМ БУФЕР ПОЛЬЗОВАТЕЛЯ
  staticData.userBuffers[userId] = {
    messages: [],
    lastMessageTime: 0,
    totalWords: 0
  };  
}
  
// Возвращаем данные
return [{ json: output }];

Нода Flush by timeout

// ПРОВЕРКА ТАЙМАУТОВ ДЛЯ ВСЕХ БУФЕРОВ
// Вызывается по расписанию (каждые 5 секунд)

const staticData = $getWorkflowStaticData('global');
// Текущее время в секундах (Unix timestamp)
const currentTime = Math.floor(Date.now() / 1000);
const TIMEOUT_SECONDS = 15;
const results = [];

if (staticData.userBuffers) {
  for (const userId in staticData.userBuffers) {
    const buffer = staticData.userBuffers[userId];

    // Пропускаем пустые буферы
    if (buffer.messages.length === 0) continue;
    
    // Проверяем таймаут
    const timeSinceLastMessage = currentTime - buffer.lastMessageTime;
    
    if (timeSinceLastMessage >= TIMEOUT_SECONDS) {
      // Буфер готов к сбросу
      results.push({
        userId: userId,
        message: buffer.messages.map(msg => msg.text).join(' ')
      });
      
      // Очищаем буфер
      staticData.userBuffers[userId] = {
        messages: [],
        lastMessageTime: 0,
        totalWords: 0
      };
    }
  }
}

// Возвращаем все буферы, готовые к обработке
return results.map(r => ({ json: r }));

Нода Delete buffers

// УДАЛЕНИЕ НЕ ИСПОЛЬЗУЕМЫХ БУФЕРОВ
// Вызывается по расписанию (каждый час)

const staticData = $getWorkflowStaticData('global');
// Текущее время в секундах (Unix timestamp)
const currentTime = Math.floor(Date.now() / 1000);
const MAX_AGE_SECONDS = 3600; // 1 час
const buffers = staticData.userBuffers || {};

for (const userId in buffers) {
  const buffer = buffers[userId];
  const age = currentTime - buffer.lastMessageTime;
  
  // Если буфер не обновлялся больше MAX_AGE_SECONDS, удаляем его
  if (age > MAX_AGE_SECONDS && buffer.messages.length === 0) {
    delete staticData.userBuffers[userId];
  }
}

return [];

Также вы можете скачать workflow n8n с буфером сообщений

Заключение

Реализация буфера сообщений в n8n без внешних зависимостей - это баланс между простотой и эффективностью. Static Data Workflow предоставляет надежное хранилище, а гибкие условия сброса адаптируются под разные сценарии использования.

Копируйте код, адаптируйте под свои задачи и экономьте ресурсы уже сегодня!

Техническое решение через прокси-сервер

Эффективным способом обхода данного ограничения является настройка прокси-сервера в нейтральной юрисдикции. Для этого потребуется арендовать дополнительный VPS с локацией в стране, не участвующей в санкционных ограничениях - например, в Казахстане. Стоимость такого решения относительно невысока: VPS у провайдера Бегет с казахстанской локацией обойдётся в 22 рубля в сутки (около 660 рублей в месяц).

В данном руководстве подробно рассматривается процесс развёртывания прокси-сервера и конфигурации клиентской части. Вы научитесь настраивать автоматическое перенаправление всех запросов к зарубежным LLM через промежуточный сервер, что обеспечит стабильный доступ к AI-сервисам при сохранении данных на территории РФ в соответствии с законодательными требованиями.

Настройка прокси-сервера

Прокси-сервер будем реализовывать на базе Nginx Stream Module с SSL passthrough функциональностью. Это позволяет проксировать SSL/TLS трафик без его терминации, сохраняя end-to-end шифрование между клиентом и целевыми API. Nginx будем устанавливать в докере.

1. Подключаемся к серверу по SSH

ssh root@ip_адрес_сервера

2. Проверяем доступ к LLM

Перед дальнейшими действиями нам надо убедиться, что с этого сервера есть доступ к зарубежным LLM. Проверим на примере с OpenAI:

curl -i https://api.openai.com/v1/models -H "Authorization: Bearer YOUR_OPENAI_KEY"

где YOUR_OPENAI_KEY - это ваш ключ OpenAI, полученный на https://platform.openai.com/

В результате вы должны получить список моделей OpenAI. Если этого не произошло и вы получили 403 ошибку типа: {"error":{"code":"unsupported_country_region_territory","message":"Country, region, or territory not supported","param":null,"type":"request_forbidden"}}, то с этого сервера нельзя подключиться к зарубежным LLM и следуют выбрать другой сервер в другой локации.

3. Устанавливаем docker

Установку можно произвести по инструкции на сайте докера или выполнив действия ниже:

# Обновляем систему
apt update && apt install -y curl ca-certificates

# Добавляем GPG ключ Docker
install -m 0755 -d /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
chmod a+r /etc/apt/keyrings/docker.asc

# Добавляем репозиторий Docker
echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu $(. /etc/os-release && echo "${UBUNTU_CODENAME:-$VERSION_CODENAME}") stable" | tee /etc/apt/sources.list.d/docker.list > /dev/null

# Устанавливаем Docker
apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

4. Создаем конфигурацию nginx

# Создаем директорию для конфигурации
mkdir -p /root/llm-proxy && cd /root/llm-proxy

# Создаем конфигурационный файл
cat > nginx.conf << 'EOF'
user nginx;
worker_processes auto;
error_log /var/log/nginx/error.log warn;
pid /var/run/nginx.pid;

events {
  worker_connections 1024;
}

stream {
  # Определяем upstream серверы
  upstream openai_api {
    server api.openai.com:443;
  }

  upstream anthropic_api {
    server api.anthropic.com:443;
  }

  upstream cohere_api {
    server api.cohere.com:443;
  }

  # Карта для выбора upstream по SNI hostname
  map $ssl_preread_server_name $upstream {
    api.openai.com openai_api;
    api.anthropic.com anthropic_api;
    api.cohere.com cohere_api;
    default openai_api;
  }

  # Прокси сервер
  server {
    listen 443;
    ssl_preread on;
    proxy_pass $upstream;
    proxy_connect_timeout 60s;
    proxy_timeout 600s;
  }
}
EOF

5. Запускаем docker контейнер с proxy

docker run -d \
	--name llm-proxy \
	-p 443:443 \
	-v /root/llm-proxy/nginx.conf:/etc/nginx/nginx.conf:ro \
	--restart always \
	nginx:latest

6. Проверяем работу контейнера

# Проверяем логи
docker logs llm-proxy

# Проверяем, что контейнер запущен
docker ps | grep llm-proxy

Настройка клиента для работы через прокси-сервер

Для корректной работы необходимо настроить перенаправление всех запросов к зарубежным LLM через ваш прокси-сервер. Ключевая идея решения - переопределить DNS-резолвинг для доменов AI-сервисов, чтобы они указывали на IP-адрес вашего прокси вместо реальных адресов.

Принцип работы

Вместо стандартного DNS-разрешения мы жёстко привязываем определённые доменные имена (api.openai.com, api.anthropic.com и другие) к IP-адресу прокси-сервера. Все запросы к этим доменам автоматически направляются через промежуточный сервер, который уже имеет доступ к зарубежным LLM.

Варианты реализации

Вариант 1: Приложение запущено непосредственно на хосте

Если ваше клиентское приложение работает напрямую в операционной системе сервера, достаточно добавить соответствующие записи в системный файл /etc/hosts:

YOUR_PROXY_IP api.openai.com
YOUR_PROXY_IP api.anthropic.com
YOUR_PROXY_IP api.cohere.com

Вариант 2: Приложение в Docker-контейнере

При использовании Docker необходимо задействовать параметр extra_hosts в файле docker-compose.yml. Этот параметр добавляет пользовательские записи в /etc/hosts внутри изолированной среды контейнера, что позволяет перенаправлять запросы независимо от настроек хост-системы.

Практический пример для n8n на хостинге Beget

Ниже представлена пошаговая инструкция настройки для популярной платформы автоматизации n8n, развёрнутой на серверах Бегет:

1. Подключаемся к серверу n8n по SSH

ssh root@ip_адрес_сервера_n8n

2. Переходим в папку с n8n

cd /opt/beget/n8n/

3. Останавливаем контейнер с n8n

docker compose down n8n

4. Добавляем параметр extra_hosts в docker-compose.yml

Находим секцию x-shared: &shared и внутри нее после volumes добавляем новый параметр extra_hosts, вот так:

# Запускаем редактор nano
nano docker-compose.yml

# Добавляем extra_hosts
x-shared: &shared
  restart: always
  image: docker.n8n.io/n8nio/n8n:latest
  env_file: .env
  links:
    - postgres
    - redis
  volumes:
    - n8n_storage:/home/node/.n8n
    - ./healthcheck.js:/healthcheck.js
    - ./my_user_folder/pro_files:/home/node/my_user_folder/pro_files
  extra_hosts:
    - "api.openai.com:YOUR_PROXY_IP"
    - "api.anthropic.com:YOUR_PROXY_IP"
    - "api.cohere.com:YOUR_PROXY_IP"
  depends_on:
    redis:
      condition: service_healthy
    postgres:
      condition: service_healthy

где YOUR_PROXY_IP - это IP-адрес вашего прокси сервера

5. Запускаем контейнер с n8n

docker compose up -d n8n

6. Проверяем логи

docker compose logs n8n

Готово! Вы успешно настроили доступ к зарубежным AI-сервисам, сохранив при этом соответствие российскому законодательству. Успешной автоматизации!

Поднимать для этого отдельный инстанс Postgres в Docker или заказывать облачный Postgres нецелесообразно, ведь у нас уже есть рабочий инстанс Postgres, установленный вместе с n8n. Можно использовать его, создав отдельную базу данных для экспериментов.

Для удобного администрирования подойдет Adminer - легковесный менеджер БД с минималистичным интерфейсом и базовым функционалом, которого вполне достаточно для наших задач.

В этой инструкции разберем установку и настройку Adminer в Docker на том же VPS, где работает n8n. В примере используется облачная платформа Бегет, где можно заказать установку n8n вместе с VPS.

1. Подготовка поддомена

Создайте поддомен (например, adminer.<yourdomain.com>) и направьте его на IP-адрес вашего VPS.
Именно на этом домене будет доступен веб-интерфейс Adminer по HTTPS.

2. Подключение к серверу по SSH

ssh root@ip_адрес_сервера

3. Переход в папку с n8n

cd /opt/beget/n8n

4. Редактирование docker-compose.yml

Откройте файл в редакторе nano:

nano docker-compose.yml

В секцию services добавьте сервис adminer. Замените <yourdomain.com> на свой домен.
Для выхода с сохранением в nano нажмите Ctrl + X, затем подтвердите сохранение клавишей Y.

  adminer:
    image: adminer:latest
    restart: unless-stopped
    labels:
      - traefik.enable=true
      - traefik.http.routers.adminer.rule=Host(`adminer.<yourdomain.com>`)
      - traefik.http.routers.adminer.tls=true
      - traefik.http.routers.adminer.entrypoints=web,websecure
      - traefik.http.routers.adminer.tls.certresolver=mytlschallenge
      - traefik.http.middlewares.adminer.headers.SSLRedirect=true
      - traefik.http.middlewares.adminer.headers.STSSeconds=315360000
      - traefik.http.middlewares.adminer.headers.browserXSSFilter=true
      - traefik.http.middlewares.adminer.headers.contentTypeNosniff=true
      - traefik.http.middlewares.adminer.headers.forceSTSHeader=true
      - traefik.http.middlewares.adminer.headers.SSLHost=adminer.<yourdomain.com>
      - traefik.http.middlewares.adminer.headers.STSIncludeSubdomains=true
      - traefik.http.middlewares.adminer.headers.STSPreload=true
      - traefik.port=8080
    ports:
      - 127.0.0.1:8080:8080
    depends_on:
      - postgres

5. Загрузка образа Adminer

docker compose pull adminer

6. Запуск Adminer

docker compose up -d adminer

7. Проверка логов

docker compose logs adminer

8. Подключение к Adminer

Если все сделано правильно, Adminer будет доступен по адресу:

https://adminer.<yourdomain.com>

Чтобы создавать базы данных и таблицы, подключитесь к Postgres с правами администратора.
На VPS Бегет с предустановленным n8n админ - это пользователь root.

Узнать пароль можно командой:

cat .env | grep POSTGRES_

Первое подключение можно выполнить к базе n8n, после чего создать свою, например my_db, для экспериментов.
В качестве сервера указывайте имя Docker-сервиса, то есть postgres.

• Низкие тарифы - от 9 ₽ в день. Можно пополнить баланс на 30 ₽ и протестировать работу n8n в течение трёх дней на выбранном тарифе.
• Прозрачное проксирование запросов к OpenAI API - вы можете без проблем обращаться к api.openai.com даже с российских IP, минуя блокировку:{"error":{"code":"unsupported_country_region_territory", "message":"Country, region, or territory not supported", "param":null, "type":"request_forbidden"}}
• Бесплатная установка n8n - при заказе нового VPS вы можете сразу получить настроенную версию n8n с защищённым HTTPS-доступом.

Однако стоит учитывать один нюанс: при автоматической установке используется устаревшая версия PostgreSQL - 11 (выпущена в 2018 году). Актуальная версия на 2025 год - PostgreSQL 17, содержащая множество улучшений в области безопасности и производительности. N8n корректно работает с 17 версией.

Ниже - пошаговая инструкция по обновлению PostgreSQL до версии 17 для n8n на VPS от Бегет.

Пошаговая инструкция

1. Подключение к серверу по SSH

ssh root@<ip_адрес_сервера>

2. Переход в директорию n8n

cd /opt/beget/n8n

3. Остановка сервиса n8n

docker compose stop n8n

4. Создание дампа базы данных

Уточните имя контейнера с PostgreSQL:

docker compose ps | grep postgres

Скорее всего, он называется n8n-postgres-1. Выполните дамп БД:

docker exec -it n8n-postgres-1 pg_dump -U root n8n > n8n_backup.sql

5. Остановка сервиса PostgreSQL

docker compose stop postgres

6. Создание резервных копий

mv db_storage db_storage_backup
mkdir db_storage
cp init-data.sh init-data_backup.sh
cp docker-compose.yml docker-compose_backup.yml

7. Обновление версии PostgreSQL в docker-compose.yml

sed -i 's#postgres:11#postgres:17#g' docker-compose.yml

8. Обновление скрипта инициализации init-data.sh

Содержимое должно быть следующим:

cat > init-data.sh << 'EOF'
#!/bin/bash
set -e;

if [ -n "${POSTGRES_NON_ROOT_USER:-}" ] && [ -n "${POSTGRES_NON_ROOT_PASSWORD:-}" ]; then
    psql -v ON_ERROR_STOP=1 --username "$POSTGRES_USER" --dbname "$POSTGRES_DB" <<-EOSQL
        CREATE USER "${POSTGRES_NON_ROOT_USER}" WITH PASSWORD '${POSTGRES_NON_ROOT_PASSWORD}';
        GRANT ALL PRIVILEGES ON DATABASE "${POSTGRES_DB}" TO "${POSTGRES_NON_ROOT_USER}";
        GRANT CREATE ON SCHEMA public TO "${POSTGRES_NON_ROOT_USER}";
EOSQL
else
    echo "SETUP INFO: No Environment variables given!"
fi
EOF

9. Загрузка нового образа PostgreSQL

docker compose pull postgres

10. Запуск новой версии PostgreSQL

docker compose up -d postgres

11. Проверка логов PostgreSQL

Убедитесь, что нет ошибок:

docker compose logs postgres

12. Восстановление дампа в новую базу данных

cat n8n_backup.sql | docker exec -i n8n-postgres-1 psql -U root -d n8n

13. Запуск сервиса n8n

docker compose start n8n

14. Проверка логов n8n

docker compose logs n8n --tail 100

15. Проверка интерфейса n8n

Убедитесь, что все workflows работают корректно. Если всё в порядке - удалите временные файлы:

rm init-data_backup.sh docker-compose_backup.yml n8n_backup.sql
rm -rf db_storage_backup

16. Очистка неиспользуемых Docker-образов

docker image prune -a

Если вы всё сделали по инструкции - поздравляю! Теперь ваша система работает с актуальной и безопасной версией PostgreSQL 17.