लैब — Lavi Sahu

07लैब — बिल्ड लॉग

मैं यह साइट उसी तरह बनाता हूँ जैसे चाहूँगा कि कोई AI वेंडर प्लानिंग सिस्टम बनाए: पिच नहीं, डिफ़ दिखाइए।

लैब — ओपन सोर्स

आठ रिपो, मॉकअप नहीं

पब्लिक, चलने वाला कोड, पोर्टफ़ोलियो स्लाइड नहीं: सप्लाई-चेन प्लानिंग टूल्स, एक AI-कॉन्फ़िग सिस्टम, एक ऑफ़लाइन वॉइस-डिक्टेशन ऐप, और वही डिज़ाइन सिस्टम जिससे यह पेज बना है। हर कार्ड पर क्लिक करके देखिए वह असल में क्या करता है।

Explore GitHub @LaviSahu

Resilience Radar — Python (stdlib only) — self-contained HTML dashboard

View on GitHub →

Supply chain resilience control tower — risk radar, what-if simulation (time-to-recover / time-to-survive), and mitigation ranking. No dependencies to install; the dashboard is one self-contained HTML file.

git clone https://github.com/LaviSahu/resilience-radar.git

What the code actually does

# risk_score = likelihood(1-5) * impact(1-5), range 1-25.
TIER_THRESHOLDS: list[tuple[int, RiskTier]] = [
    (20, RiskTier.CRITICAL),
    (12, RiskTier.HIGH),
    (6, RiskTier.MEDIUM),
    (1, RiskTier.LOW),
]

def likelihood_score(event: Event, classification: Classification) -> int:
    """1-5, from event confidence (0-1) plus a source-reliability adjustment."""
    base = event.confidence * 5
    adjustment = SOURCE_RELIABILITY_ADJUSTMENT.get(classification.source_category, 0)
    return _clamp(base + adjustment, 1, 5)

src/resilience_radar/scoring.py — classic likelihood × impact risk scoring, plus a per-source reliability adjustment (geopolitical/regulatory signals score noisier than, say, a supplier or logistics event).

लैब — बिल्ड लॉग

Verification ledger — what's above, and how each piece was actually checked

Seen by human eyes

Every animation on the rebuilt pages

The merge-conflict resolutions of 2026-09-19

Read, not run

The twin's system prompt

Each repo description (2 of 8 carry verbatim code excerpts)

Nobody has checked

Everything the twin tells you

Whether anyone has ever used these repos

The third column is the honest one. It empties only when the gap does — not before.

लैब — बिल्ड लॉग

सिर्फ़ मेरी बात मत सुनिए — लीवर ख़ुद घुमाइए।

दो लाइव टूल्स जो दिखाते हैं कि प्लानिंग के ट्रेड-ऑफ़ असल में कैसे चलते हैं। ना स्लाइड्स, ना हवा में बातें।

लैब — बिल्ड लॉग

असली AI फ़ीचर, मॉकअप नहीं

यह चैटबॉट एम्बेड नहीं है। यह एक Cloudflare Pages Function है जो Workers AI को सीधे कॉल करती है — इसी डोमेन पर लॉक, हर IP पर रेट-लिमिटेड, और सिस्टम प्रॉम्प्ट यह कहता है कि क्लाइंट का नाम या नंबर गढ़ने के बजाय ‘मुझे नहीं पता’ कहो। इससे S&OP या इन्वेंटरी प्लानिंग के बारे में पूछिए।

मेरे AI ट्विन से पूछें

बीटा

एक डेमो: भाषा मॉडल, मेरी आवाज़ में एक छोटा प्रॉम्प्ट। यह पूरे यक़ीन से ग़लत हो सकता है — इसकी बात पर अमल मत कीजिए। इससे S&OP, IBP, o9, इन्वेंटरी के बारे में पूछिए।

प्लानिंग के बारे में कुछ भी पूछिए। ट्विन जवाब देगा — मेरी आवाज़ में।

Twin self-grade — Tone: close. Facts: unverified by anyone, including me. Model: @cf/meta/llama-3.3-70b-instruct-fp8-fast, capped at 512 tokens, prompted to say "I don't know" rather than invent a client name or a number. A guardrail, not a guarantee.

AI-जनरेटेड · असली Lavi की जगह नहीं

लैब — बिल्ड लॉगमर्ज किया, शिप नहीं किया।

बिल्ड लॉग — 2026-09-19

लैब — बिल्ड लॉगrefkit

Refkit — 28 ports, 1 in production

Every card below is a real VengeanceUI port — working code, not a screenshot. Exactly one of them, VeCreepy, is actually load-bearing right now: it's the Connect link in this site's own footer. The other twenty-seven are verified to render, not yet asked to carry a real page's weight. Same rule as the build log above — a component only counts as shipped once it's doing a job, not once it looks good in a gallery.

Lab — essays

Five frameworks, worked through properly

Not case studies from my own client work — original, research-driven essays on real named frameworks and formulas (bullwhip ratio, TTR/TTS resilience, the Kraljic matrix, Theory of Constraints, digital twins), each grounded in a cited real source, not invented. Pick a card for the summary, or read the full essay.

For the fuller story behind the bullwhip math — two 2000s-era factory fires and what they cost — see Buffer Shock, on the Blog →

आठ रिपो, मॉकअप नहीं

# risk_score = likelihood(1-5) * impact(1-5), range 1-25. TIER_THRESHOLDS: list[tuple[int, RiskTier]] = [ (20, RiskTier.CRITICAL), (12, RiskTier.HIGH), (6, RiskTier.MEDIUM), (1, RiskTier.LOW), ] def likelihood_score(event: Event, classification: Classification) -> int: """1-5, from event confidence (0-1) plus a source-reliability adjustment.""" base = event.confidence * 5 adjustment = SOURCE_RELIABILITY_ADJUSTMENT.get(classification.source_category, 0) return _clamp(base + adjustment, 1, 5)

असली AI फ़ीचर, मॉकअप नहीं

Refkit — 28 ports, 1 in production

Five frameworks, worked through properly