Эфир 18.11 · Поток 318 ноября в 19:00 МСК — бесплатный практический эфир по ИИ-агентам · Живой Поток 3 стартует 23.11Эфир 18 ноября →Поток 3 (23.11)
РелизРазбор · На радарHabr AI→ оригинал

Habr AI показал, как готовить структурированный вход для AI-агента вместо сырого ТЗ

На Habr AI вышел полезный разбор входных данных для AI-агента, который проверяет ТЗ. Вместо целого документа автор предлагает дробить требования на атомарные части, собирать для каждой JSON-паспорт с признаками и уже потом прогонять их через классификатор и агента-критика. Такой подход даёт больше прозрачности, лучше ловит ошибки и ускоряет обработку больших спецификаций.

AI-обработка оригинала Habr AI; редакция Hamidun News
Habr AI показал, как готовить структурированный вход для AI-агента вместо сырого ТЗ
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью

На Habr AI вышел подробный разбор того, что именно нужно подавать AI-агенту на вход, если задача — проверять технические требования, а не просто пересказывать их. Главная идея: вместо целого ТЗ агент получает набор атомарных требований в виде JSON-паспортов.

Почему одного ТЗ мало Автор статьи начинает с проблемы, знакомой почти всем, кто пытался

отдавать нейросети большой документ целиком. Когда модель получает многостраничное ТЗ без предварительной подготовки, она теряет фокус, смешивает требования из разных разделов и даёт слишком общие замечания. В итоге система может заметить отдельные неточности, но ей трудно объяснить, какой именно пункт плох, почему он плох и что с ним нужно исправить. Поэтому документ сначала режется на отдельные требования: одно действие, одно правило или одно ограничение на каждый фрагмент. Чтобы при таком дроблении не потерять контекст, к каждому элементу добавляются поля вроде parent_section и parent_object, а логически связанные пункты помечаются как linked. Это важно, если несколько требований должны проверяться вместе: например, когда система обязана отправлять уведомление и на почту, и в Telegram, а не только в один канал из двух.

Паспорт требования Следующий шаг — превратить человеческую формулировку в набор признаков, с

которыми уже может работать классификатор. В этой схеме LLM не выступает финальным судьёй и не пытается «понять всё». Её роль намного уже: она вытаскивает из текста структурированные сигналы и складывает их в JSON.

Такой подход даёт контроль: признаки можно проверить, сравнить и при необходимости поправить постобработкой. Как формулирует автор, > «агент работает не с текстом, а с такими структурами». В статье описаны шесть базовых признаков, на которых держится этот паспорт.

Вместо абстрактной оценки качества модель ищет конкретные сигналы: числа, размытые слова, исключения, границы и явных участников сценария. На практике такой паспорт превращает фразу вроде «пользователь должен гибко настраивать отчёт» в понятный набор флажков, по которым сразу видно, чего именно не хватает требованию. Именно эта интерпретируемость отличает схему от попытки просто попросить модель оценить текст целиком.

has_numbers — есть ли в требовании числа, лимиты, даты и другие конкретные параметры stopword_score — насколько формулировка размыта из-за слов вроде «гибко», «удобно» или «быстро» has_negative_keywords — описаны ли исключения и ошибки boundary_conditions_mentioned — указаны ли пустые значения, максимумы, минимумы или другие границы * actor_count — сколько участников явно фигурирует в требовании Сами признаки извлекаются через JSON mode и few-shot примеры, чтобы модель не расползалась по формату. Если LLM всё же пропускает что-то очевидное, например цифры в тексте, это добивается постобработкой через регулярные выражения. Дальше вступает в дело дерево решений: оно получает числовые признаки и присваивает требованию метку вроде ok, unverifiable, no_negative, no_boundary или ambiguity.

Для обучения автор разметила 90 ТЗ, разбила их на 270 требований и получила около 82% accuracy на тестовой выборке.

Критик и масштаб На этом пайплайн не заканчивается.

Даже хороший классификатор видит только одно требование за раз, а значит легко пропускает противоречия между разделами. Для таких случаев используется отдельный агент-критик, который получает весь текст ТЗ, список JSON-паспортов и предсказанные метки. Его задача — не переоценивать каждую фразу заново, а смотреть на документ сверху и искать конфликты, пробелы в правах доступа и ошибки в маппинге интеграций.

Такой критик, например, может заметить, что в одном месте поле «Склад» обязательно, а в другом допускается пустое значение. Чтобы схема работала не только на коротких примерах, требования обрабатываются параллельно через ThreadPoolExecutor, а локальные модели запускаются в Ollama. Автор пишет, что на обычном игровом ПК система спокойно выдерживает 4–6 параллельных запросов без заметной деградации, а на пакете из сотни требований это даёт ускорение примерно в 3–4 раза.

Связанные требования при этом остаются в одном потоке, чтобы не ломать порядок и общий контекст проверки.

Что это значит Разбор на Habr AI хорошо показывает, куда движется практическая разработка

AI-агентов: от попыток «скормить модели всё сразу» к узким, контролируемым пайплайнам с явными признаками, локальными моделями и отдельным уровнем арбитража. Если команда хочет строить прикладного агента для аналитики, QA или работы с документацией, ей придётся думать не только о выборе модели, но и о том, как устроены входные данные, разметка и финальная проверка результата.

Сюжет
ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Закрытый клуб практиков · Vibe Club

Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами

Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.

Вступить в Vibe Club →Тест-драйв Академии (72ч)
Что вы думаете?
Загружаем комментарии…