docs: обновление README, мёрж feat/rest-api в master

- README.md полностью переписан под текущую архитектуру: K8s + FastAPI + React + Qdrant + OpenRouter - Добавлена документация REST API v1 с примерами curl - Добавлена информация об очистке ПД, дедупликации, архитектуре - Мёрдж ветки feat/rest-api: новый роутер /api/v1/ с API-ключом
feat: внешний REST API v1 с аутентификацией по API-ключу
2026-06-25 11:55:55 +03:00 · 2026-06-25 11:43:51 +03:00
5 changed files with 459 additions and 133 deletions
--- a/README.md
+++ b/README.md
@ -1,172 +1,301 @@
-# RAG-ассистент техподдержки
+# Support Bot SaaS — RAG-ассистент техподдержки
-Система поиска решений по истории обращений в техподдержку. Основана на RAG (Retrieval-Augmented Generation) — находит похожие решённые тикеты и формирует ответ на их основе.
+Система поиска решений по истории обращений в техподдержку. Основана на RAG (Retrieval-Augmented Generation) — находит похожие решённые тикеты в векторной БД и формирует ответ на их основе через LLM.
 Развёрнута на Kubernetes (k0s), используются OpenRouter для эмбеддингов и LLM.
 ---
 ## Архитектура
 ```
-tickets.json (792 тикета)
+Пользователь (браузер)
      │
      ▼
-prepare_data.py         ← фильтрация, очистка, нарезка чанков
+┌─────────────┐     ┌─────────────┐
 │   Traefik   │────▶│   Nginx     │ (frontend, React SPA)
 │ (Ingress)   │     └─────────────┘
 │             │     ┌─────────────┐
 │             │────▶│  FastAPI    │ (backend)
 └─────────────┘     └──────┬──────┘
                           │
              ┌────────────┼────────────┐
              ▼            ▼            ▼
        ┌──────────┐ ┌──────────┐ ┌──────────┐
        │PostgreSQL│ │  Qdrant  │ │  Redis   │
        │(пользова-│ │(векторная│ │(кэш/сес- │
        │ тели,    │ │   БД)    │ │ сии)     │
        │коллекции)│ └──────────┘ └──────────┘
        └──────────┘
                           │
                           ▼
-sentence-transformers    ← векторизация (intfloat/multilingual-e5-small, GPU CUDA)
+                    ┌──────────────┐
-      │
+                    │  OpenRouter  │
-      ▼
+                    │(эмбеддинги + │
-chroma_db/              ← векторная база данных (416 чанков)
+                    │    LLM)      │
-      │
+                    └──────────────┘
      ▼
 app.py                  ← Streamlit-интерфейс
      │
      ├── вопрос специалиста → embedding → поиск топ-5
      │                                   │
      │                                   ▼
      └── контекст → LM Studio (qwen2.5-7b) → ответ
 ```
 ### Компоненты
 | Компонент | Технология |
 |-----------|-----------|
 | **Фронтенд** | React + Vite + TypeScript, Nginx |
 | **Бэкенд** | FastAPI (Python 3.12) + SQLAlchemy async |
 | **База данных** | PostgreSQL (пользователи, коллекции) |
 | **Векторная БД** | Qdrant (точки с эмбеддингами) |
 | **Кэш** | Redis |
 | **Эмбеддинги** | `nvidia/llama-nemotron-embed-vl-1b-v2:free` через OpenRouter |
 | **LLM** | `poolside/laguna-m.1:free` через OpenRouter |
 | **Ingress** | Traefik v3.7 |
 | **Оркестрация** | Kubernetes (k0s v1.36.1) |
 | **CI** | GitLab CI (Forgejo) |
 ---
 ## REST API v1
 Аутентификация: `Authorization: Bearer <API-ключ>`
 API-ключ можно посмотреть и сбросить на странице **Настройки** в веб-интерфейсе.
 **Базовый URL:** `http://api.sovet.itoservice.ru/api/v1`
 ### Получить информацию об аккаунте
 ```bash
 curl -H "Authorization: Bearer <API_KEY>" http://api.sovet.itoservice.ru/api/v1/me
 ```
 Ответ:
 ```json
 {
  "id": "uuid",
  "email": "user@example.com",
  "api_key": "d469cee785e444cf9abd24a3e709108c",
  "plan": "free",
  "created_at": "2026-06-20T12:00:00Z"
 }
 ```
 ### Сбросить API-ключ
 ```bash
 curl -X PATCH -H "Authorization: Bearer <API_KEY>" http://api.sovet.itoservice.ru/api/v1/me/api-key
 ```
 Ответ:
 ```json
 {
  "api_key": "новый-ключ"
 }
 ```
 ### Список коллекций
 ```bash
 curl -H "Authorization: Bearer <API_KEY>" http://api.sovet.itoservice.ru/api/v1/collections
 ```
 Ответ:
 ```json
 [
  {
    "id": "49a3f88e-...",
    "user_id": "uuid",
    "name": "OFRS",
    "ticket_count": 2901,
    "created_at": "2026-06-20T..."
  }
 ]
 ```
 ### Загрузить тикеты в коллекцию
 ```bash
 curl -X POST "http://api.sovet.itoservice.ru/api/v1/tickets?collection_id=<ID_КОЛЛЕКЦИИ>" \
  -H "Authorization: Bearer <API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "tickets": [
      {
        "ticket_id": "12345",
        "category": "Сбой работы",
        "description": "Описание проблемы",
        "client": "Имя клиента",
        "messages": [
          {"role": "client", "text": "У меня проблема"},
          {"role": "support", "text": "Решение проблемы"}
        ]
      }
    ]
  }'
 ```
 Ответ:
 ```json
 {
  "processed": 1,
  "skipped": 0,
  "collection_ticket_count": 2902
 }
 ```
 ### Поиск с AI-ответом
 ```bash
 curl -X POST http://api.sovet.itoservice.ru/api/v1/search \
  -H "Authorization: Bearer <API_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "collection_id": "<ID_КОЛЛЕКЦИИ>",
    "query": "не могу начать смену в приложении",
    "generate_answer": true
  }'
 ```
 Параметры:
 - `collection_id` — ID коллекции (обязательно)
 - `query` — текст проблемы (обязательно)
 - `generate_answer` — true/false, генерировать ответ LLM (опционально, по умолчанию true)
 Ответ:
 ```json
 {
  "answer": "Добрый день! Для решения проблемы...",
  "sources": [
    {
      "ticket_id": "38446",
      "score": 0.514,
      "category": "Вопрос по работе мобильного приложения",
      "full_text": "Категория: ...\nПроблема: ...\nРешение: ..."
    }
  ]
 }
 ```
 ---
 ## Как это работает
-### 1. Подготовка данных (`prepare_data.py`)
+### 1. Загрузка тикетов
-Что делает скрипт:
+Пользователь загружает JSON-файл с тикетами через веб-интерфейс или API.
 Бэкенд:
 - Проверяет дубликаты (по `tenant_id:ticket_id` через md5)
 - Очищает персональные данные: телефоны → `[ТЕЛЕФОН]`, email → `[EMAIL]`, имена → `[ИМЯ]`
 - Строит чанк: выделяет сообщения поддержки (роли `support/assistant/operator/agent`) как решение
 - Фильтрует бесполезные тикеты:
  - последнее сообщение поддержки — просьба уточнить / прислать скрин
  - слишком короткие (< 100 символов)
  - нет описания и нет сообщений клиента
 - Векторизует `search_text` (описание + сообщения клиента) через OpenRouter
 - Сохраняет точку в Qdrant с полями: `tenant_id`, `collection_id`, `ticket_id`, `category`, `client`, `search_text`, `full_text`
- Читает все файлы `tickets*.json` в папке проекта (сейчас 6 файлов, ~3300 тикетов)
+### 2. Поиск и генерация
 - **Чистит текст**: удаляет цитаты `[q]...[/q]`, ссылки, лишние пробелы
 - **Фильтрует**: оставляет только тикеты с реальным решением. Отбрасываются:
  - тикеты, где последнее сообщение support — просьба уточнить / прислать скрин
  - тикеты без ответа / с закрытием "нет обратной связи"
  - слишком короткие сообщения (< 100 символов)
 - **Формирует чанки**: каждый тикет = один чанк вида:
  ```
  Категория: ...
  Проблема: <описание>
  Решение: <все сообщения support>
  ```
 - **Векторизует**: превращает текст в вектор (384 числа) через `intfloat/multilingual-e5-small` на GPU
 - **Сохраняет** в ChromaDB (папка `chroma_db/`)
-Результат: 416 чанков с реальными решениями (376 тикетов отфильтровано как бесполезные).
+Пользователь вводит вопрос. Система:
 1. Векторизует вопрос той же моделью эмбеддингов
 2. Ищет 20 похожих точек в Qdrant (фильтр по `tenant_id` + `collection_id`)
 3. Сортирует по скорингу (косинусная близость), берёт топ-5
 4. Формирует контекст из `full_text` найденных тикетов
 5. Отправляет в LLM с системным промптом
 6. Возвращает ответ + исходные тикеты
-### 2. Поиск и генерация (`app.py`)
+### Очистка персональных данных
-Специалист вводит проблему клиента. Приложение:
+Перед сохранением в Qdrant из текста удаляются:
 - Номера телефонов: `+7xxxxxxxxxx`, `8xxxxxxxxxx` → `[ТЕЛЕФОН]`
 - Email-адреса → `[EMAIL]`
 - Русские имена в обращениях → `[ИМЯ]`
-1. **Векторизует вопрос** той же моделью эмбеддингов
+---
 2. **Ищет 5 похожих чанков** в ChromaDB по косинусной близости
 3. **Формирует контекст** из найденных тикетов
 4. **Отправляет в LM Studio** (чат-модель Qwen2.5-7B) с промптом:
   > "Ответь на основе ТОЛЬКО переданного контекста. Не придумывай, не отсылай в другую поддержку"
 5. **Показывает ответ** и исходные тикеты для проверки
-## Установка и запуск
+## Разработка
-### Требования
+### Локальный запуск бэкенда
 - Python 3.11+
 - NVIDIA GPU с 8+ GB VRAM (для эмбеддингов и LLM)
 - [LM Studio](https://lmstudio.ai/) (для чат-модели)
 ### Установка
 ```bash
 cd backend
 python -m venv venv
 venv\Scripts\activate  # Windows
 pip install -r requirements.txt
 # Настройки в .env:
 # openrouter_api_key=...
 # database_url=postgresql+asyncpg://postgres:postgres@localhost:5432/support_bot
 # qdrant_url=http://localhost:6333
 uvicorn app.main:app --reload
 ```
-Установить PyTorch с CUDA (если ещё не):
+### Локальный запуск фронтенда
 ```bash
 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
 ```
 ### Подготовка базы знаний
 ```bash
-python prepare_data.py
+cd frontend
 npm install
 npm run dev
 ```
 Скрипт создаст папку `chroma_db/` с векторной базой.
-### Запуск
+### Сборка Docker-образов
 ```bash
-streamlit run app.py --server.headless true
+docker build -t git.itoservice.ru/dosnav/support-bot-saas/backend:latest ./backend
 docker build -t git.itoservice.ru/dosnav/support-bot-saas/frontend:latest ./frontend
 docker push git.itoservice.ru/dosnav/support-bot-saas/backend:latest
 docker push git.itoservice.ru/dosnav/support-bot-saas/frontend:latest
 ```
 Открыть в браузере: http://localhost:8501
-### Запуск чат-модели
+### Деплой в K8s
-Для генерации ответов нужна чат-модель в LM Studio:
+```bash
-1. Открыть LM Studio
+kubectl apply -f k8s/00-namespace.yaml
-2. Вкладка Developer → загрузить модель (например, `Qwen2.5-7B-Instruct`)
+kubectl apply -f k8s/01-postgres.yaml
-3. Нажать Start Server
+kubectl apply -f k8s/02-redis.yaml
-4. API будет доступен на `http://localhost:1234/v1`
+kubectl apply -f k8s/03-qdrant.yaml
 kubectl apply -f k8s/04-backend.yaml
 kubectl apply -f k8s/05-frontend.yaml
 kubectl apply -f k8s/traefik/
 kubectl apply -f k8s/06-ingress.yaml
 ```
-Без чат-модели приложение работает в режиме поиска — показывает похожие тикеты без генерации ответа.
+---
 ## Структура проекта
 ```
-support-bot/
+support-bot-saas/
-├── tickets*.json         # исходные данные (несколько файлов)
+├── backend/
-├── prepare_data.py       # подготовка и векторизация
+│   └── app/
-├── app.py                # Streamlit-интерфейс + RAG
+│       ├── auth/              # JWT + API-ключ аутентификация
-├── requirements.txt      # зависимости
+│       ├── models/            # SQLAlchemy модели + Pydantic схемы
-├── chroma_db/            # векторная БД (создаётся prepare_data.py)
+│       ├── routers/           # FastAPI роутеры
-└── .gitignore
+│       │   ├── auth.py        # регистрация, логин, коллекции
-```
+│       │   ├── tickets.py     # загрузка тикетов
-
+│       │   ├── search.py      # поиск (для фронтенда)
-## Системные промпты
+│       │   └── api_v1.py      # внешний REST API v1
-
+│       ├── services/          # бизнес-логика
-Главный системный промпт — в файле **`app.py:15`**, переменная `SYSTEM_PROMPT`:
+│       │   ├── chunking.py    # нарезка чанков, очистка ПД
-
+│       │   ├── embedding.py   # эмбеддинги через OpenRouter
-```python
+│       │   ├── vector_store.py# Qdrant: upsert, scroll, search
-SYSTEM_PROMPT = """Ты — специалист техподдержки. Отвечай клиенту, используя ТОЛЬКО информацию из переданных тикетов (контекст).
+│       │   ├── reranking.py   # сортировка результатов
-
+│       │   └── llm.py         # генерация ответа через OpenRouter
-Правила:
+│       ├── config.py          # настройки из .env
- Если контекст содержит подходящее решение — напиши ответ своими словами, адаптируя под вопрос
+│       ├── database.py        # подключение к БД
- Если контекст не относится к вопросу — напиши: «Недостаточно информации в истории обращений»
+│       └── main.py            # точка входа FastAPI
- НЕ придумывай ответы, НЕ используй общие знания
+├── frontend/
- НЕ говори «обратитесь в службу поддержки» — ты сам и есть поддержка
+│   └── src/
- Укажи в конце: «Основано на тикете №...»"""
+│       ├── api/client.ts      # API-клиент
-```
+│       ├── pages/             # страницы React
-
+│       │   ├── Login.tsx / Register.tsx
-Именно этот промпт управляет тем, **как LLM отвечает** на вопрос специалиста. Если нужно изменить стиль ответа, тон, правила или требования к формату — редактировать здесь.
+│       │   ├── Dashboard.tsx
-
+│       │   ├── CollectionView.tsx
-Промпт отправляется в LM Studio как `system`-сообщение при каждом запросе генерации ответа (строка `app.py:120-127`).
+│       │   └── Settings.tsx
-
+│       └── nginx.conf         # конфиг Nginx
-### Фильтрация тикетов без решения
+├── k8s/                       # манифесты Kubernetes
-
+│   ├── 00-namespace.yaml
-Паттерны для отбраковки пустых тикетов — в **`prepare_data.py:19-22`**, переменная `NON_SOLUTION`:
+│   ├── 01-postgres.yaml ... 06-ingress.yaml
-
+│   └── traefik/               # Traefik CRDs + Deployment
-```python
+├── tickets*.json              # тестовые данные
-NON_SOLUTION = re.compile(
+└── README.md
    r"(уточнит|приложите скрин|какая ошибка|с какой проблемой"
    r"|нет обратной связи|запрос завершу|открыть его снова"
    r"|откройте новый|обратиться в службу поддержки"
    r"|свяжитесь с технической"
    r"|напишите нам|позвоните нам)", re.I
 )
 ```
 Если в последнем сообщении support встречается одно из этих слов — тикет считается бесполезным и не попадает в базу знаний. Можно расширять или уточнять список.
 ---
 ## Технологии
 | Компонент | Технология |
 |-----------|-----------|
 | Эмбеддинги | `intfloat/multilingual-e5-small` (384d, GPU) через `sentence-transformers` |
 | Векторная БД | ChromaDB |
 | Чат-модель | Qwen2.5-7B-Instruct через LM Studio (OpenAI-совместимый API) |
 | Фреймворк | LangChain + Streamlit |
 | Язык | Python 3.11 |
 | GPU | CUDA 12.4+ |
 ## Git
 ```bash
 git remote add origin https://git.itoservice.ru/dosnav/support-bot.git
 git push -u origin master
 ```
--- a/backend/app/main.py
+++ b/backend/app/main.py
@ -6,7 +6,7 @@ from fastapi.middleware.cors import CORSMiddleware
 from app.config import settings
 from app.database import engine
 from app.models.base import Base
-from app.routers import auth, tickets, search
+from app.routers import auth, tickets, search, api_v1
 from app.middleware import RateLimitMiddleware
 from app.metrics import MetricsMiddleware, metrics_endpoint
@ -38,6 +38,7 @@ app.add_middleware(RateLimitMiddleware, requests_per_minute=30)
 app.include_router(auth.router)
 app.include_router(tickets.router)
 app.include_router(search.router)
 app.include_router(api_v1.router)
 app.add_route("/api/metrics", metrics_endpoint, methods=["GET"])
--- a/backend/app/routers/api_v1.py
+++ b/backend/app/routers/api_v1.py
@ -0,0 +1,153 @@
 import uuid
 from fastapi import APIRouter, Depends, HTTPException, status
 from sqlalchemy import select
 from sqlalchemy.ext.asyncio import AsyncSession
 from app.auth.api_key import get_user_by_api_key
 from app.database import get_db
 from app.models.collection import Collection
 from app.models.schemas import TicketInput, TicketsUpload, TicketsUploadResponse, UserResponse, CollectionResponse
 from app.models.search_schemas import SearchRequest, SearchResponse, SourceItem
 from app.models.user import User
 from app.services.embedding import embed_query
 from app.services.vector_store import search as qdrant_search, get_existing_ticket_ids
 from app.services.reranking import rerank
 from app.services.llm import generate_answer
 from app.services.chunking import build_chunk
 from app.services.embedding import embed_texts
 from app.services.vector_store import upsert_chunks
 router = APIRouter(prefix="/api/v1", tags=["API v1"])
 FETCH_K = 20
 FINAL_K = 5
@router.get("/me", response_model=UserResponse)
 async def get_me(user: User = Depends(get_user_by_api_key)):
    return user
@router.patch("/me/api-key")
 async def rotate_api_key(
    user: User = Depends(get_user_by_api_key),
    db: AsyncSession = Depends(get_db),
 ):
    user.api_key = str(uuid.uuid4().hex[:32])
    await db.commit()
    return {"api_key": user.api_key}
@router.get("/collections", response_model=list[CollectionResponse])
 async def list_collections(
    user: User = Depends(get_user_by_api_key),
    db: AsyncSession = Depends(get_db),
 ):
    result = await db.execute(
        select(Collection).where(Collection.user_id == user.id).order_by(Collection.created_at.desc())
    )
    return result.scalars().all()
@router.post("/tickets", response_model=TicketsUploadResponse)
 async def upload_tickets(
    body: TicketsUpload,
    collection_id: uuid.UUID,
    user: User = Depends(get_user_by_api_key),
    db: AsyncSession = Depends(get_db),
 ):
    result = await db.execute(
        select(Collection).where(Collection.id == collection_id, Collection.user_id == user.id)
    )
    collection = result.scalar_one_or_none()
    if not collection:
        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Collection not found")
    existing_ids = get_existing_ticket_ids(str(user.id), str(collection_id))
    processed = 0
    skipped = 0
    chunks = []
    for t in body.tickets:
        if t.ticket_id in existing_ids:
            skipped += 1
            continue
        ticket_dict = {
            "ticket_id": t.ticket_id,
            "category": t.category,
            "description": t.description,
            "client": t.client,
            "messages": [{"role": m.role, "text": m.text} for m in t.messages],
        }
        chunk = build_chunk(ticket_dict)
        if chunk:
            chunk["tenant_id"] = str(user.id)
            chunk["collection_id"] = str(collection_id)
            chunks.append(chunk)
            processed += 1
        else:
            skipped += 1
    if chunks:
        search_texts = [c["search_text"] for c in chunks]
        vectors = await embed_texts(search_texts)
        await upsert_chunks(str(user.id), chunks, vectors)
        collection.ticket_count += processed
        await db.commit()
    return TicketsUploadResponse(
        processed=processed,
        skipped=skipped,
        collection_ticket_count=collection.ticket_count,
    )
@router.post("/search", response_model=SearchResponse)
 async def search(
    body: SearchRequest,
    user: User = Depends(get_user_by_api_key),
    db: AsyncSession = Depends(get_db),
 ):
    result = await db.execute(
        select(Collection).where(
            Collection.id == uuid.UUID(body.collection_id),
            Collection.user_id == user.id,
        )
    )
    collection = result.scalar_one_or_none()
    if not collection:
        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Collection not found")
    query_vector = await embed_query(body.query)
    qdrant_results = await qdrant_search(
        tenant_id=str(user.id),
        query_vector=query_vector,
        collection_id=body.collection_id,
        k=FETCH_K,
    )
    if not qdrant_results:
        return SearchResponse(
            answer="Недостаточно информации в истории обращений" if body.generate_answer else None,
            sources=[],
        )
    reranked = rerank(body.query, qdrant_results, k=FINAL_K)
    sources = [
        SourceItem(ticket_id=r["ticket_id"], score=r["score"], category=r["category"], full_text=r["full_text"])
        for r in reranked
    ]
    answer = None
    if body.generate_answer:
        context = "\n\n".join(
            f"Тикет №{r['ticket_id']} ({r['category']}):\n{r['full_text']}"
            for r in reranked
        )
        answer = await generate_answer(body.query, context)
    return SearchResponse(answer=answer, sources=sources)
--- a/frontend/src/api/client.ts
+++ b/frontend/src/api/client.ts
@ -120,4 +120,6 @@ export const api = {
        body: JSON.stringify({ tickets }),
      },
    ),
  rotateApiKey: () => request<{ api_key: string }>('/api/v1/me/api-key', { method: 'PATCH' }),
 }
--- a/frontend/src/pages/Settings.tsx
+++ b/frontend/src/pages/Settings.tsx
@ -4,6 +4,8 @@ import { api, getToken, User } from '../api/client'
 export default function Settings() {
  const [user, setUser] = useState<User | null>(null)
  const [copied, setCopied] = useState(false)
  const [rotating, setRotating] = useState(false)
  useEffect(() => {
    if (!getToken()) {
@ -13,6 +15,26 @@ export default function Settings() {
    api.me().then(setUser)
  }, [])
  async function copyKey() {
    if (!user) return
    await navigator.clipboard.writeText(user.api_key)
    setCopied(true)
    setTimeout(() => setCopied(false), 2000)
  }
  async function rotateKey() {
    if (!confirm('Сгенерировать новый API-ключ? Старый перестанет работать.')) return
    setRotating(true)
    try {
      const res = await api.rotateApiKey()
      setUser(prev => prev ? { ...prev, api_key: res.api_key } : null)
    } catch (err: any) {
      alert('Ошибка: ' + err.message)
    } finally {
      setRotating(false)
    }
  }
  return (
    <div style={{ maxWidth: 600, margin: '0 auto', padding: 20 }}>
      <Link to="/dashboard" style={{ marginBottom: 16, display: 'block' }}>
@ -24,7 +46,26 @@ export default function Settings() {
      {user && (
        <div>
          <p><strong>Email:</strong> {user.email}</p>
-          <p><strong>API Key:</strong> <code>{user.api_key}</code></p>
+          <p>
            <strong>API Key:</strong>{' '}
            <code style={{ fontSize: 13 }}>{user.api_key}</code>
            <button onClick={copyKey} style={{ marginLeft: 8, fontSize: 12 }}>
              {copied ? 'Скопировано' : 'Копировать'}
            </button>
            <button onClick={rotateKey} disabled={rotating} style={{ marginLeft: 8, fontSize: 12 }}>
              {rotating ? 'Обновление...' : 'Сбросить'}
            </button>
          </p>
          <p>
            <strong>REST API:</strong>{' '}
            <code style={{ fontSize: 13 }}>
              POST /api/v1/search
            </code>
          </p>
          <p style={{ fontSize: 13, color: '#666' }}>
            Используйте <code>Authorization: Bearer &lt;API_Key&gt;</code> для доступа к API.
            Документация: <Link to="/api/docs">/api/docs</Link>
          </p>
          <p><strong>План:</strong> {user.plan}</p>
          <p><strong>Дата регистрации:</strong> {new Date(user.created_at).toLocaleDateString()}</p>
        </div>