LLM пишет код блестяще. За логикой надо следить самому.
Продолжаю про свой проект — аналитику облигационного рынка.
⠀
📰 На неделе прикручивал фактчекинг новостей: пайплайн тащит события из телеграм-каналов, а там порой проскакивают ошибки — переврано число, перепутано рейтинговое агентство, а иногда встречается сложная конструкция, когда для точного извлечения события нужно понимать внешний контекст. Нужно проверять факты по открытым источникам, прежде чем они попадут в отчёт.
⠀
⚡️ Код модель написала быстро и аккуратно: клиент к Perplexity, дедупликация похожих событий, ретраи, устойчивость к обрывам связи, сохранение прогресса. То, на что у опытного разработчика ушли бы часы, а я бы в принципе не собрал, — сложилось за 10 минут. Тут ей равных нет.
⠀
🏗 А самое интересное случилось в архитектуре. Модель предложила проверять факты после того, как отчёт уже сгенерирован, — то есть вычитывать готовый текст. Я предложил наоборот: проверять события до подачи в модель и написания отчёта. Разница принципиальная. Если ложный факт попадает в анализ, модель вплетает его в выводы, корреляции, резюме — потом это распутывать по всему тексту. А если отсечь на входе — модель просто не строит на нём рассуждение.
⠀
🧭 Она согласилась, что так лучше. И вот это для меня — главное наблюдение. LLM — сильнейший исполнитель: код, рутина, скорость. Но она мыслит локально: «проверь то, что получилось», — а не «где во всём потоке данных этой проверке место». Взгляд на систему целиком пока за человеком.
⠀
📌 Вывод, который закрепляю для себя: не отдавай архитектуру на аутсорс. Пусть модель пишет код — она правда пишет его отлично. А ты держи в голове схему целиком и спрашивай не «работает ли этот кусок», а «на своём ли он месте».
Продолжаю про свой проект — аналитику облигационного рынка.
⠀
📰 На неделе прикручивал фактчекинг новостей: пайплайн тащит события из телеграм-каналов, а там порой проскакивают ошибки — переврано число, перепутано рейтинговое агентство, а иногда встречается сложная конструкция, когда для точного извлечения события нужно понимать внешний контекст. Нужно проверять факты по открытым источникам, прежде чем они попадут в отчёт.
⠀
⚡️ Код модель написала быстро и аккуратно: клиент к Perplexity, дедупликация похожих событий, ретраи, устойчивость к обрывам связи, сохранение прогресса. То, на что у опытного разработчика ушли бы часы, а я бы в принципе не собрал, — сложилось за 10 минут. Тут ей равных нет.
⠀
🏗 А самое интересное случилось в архитектуре. Модель предложила проверять факты после того, как отчёт уже сгенерирован, — то есть вычитывать готовый текст. Я предложил наоборот: проверять события до подачи в модель и написания отчёта. Разница принципиальная. Если ложный факт попадает в анализ, модель вплетает его в выводы, корреляции, резюме — потом это распутывать по всему тексту. А если отсечь на входе — модель просто не строит на нём рассуждение.
⠀
🧭 Она согласилась, что так лучше. И вот это для меня — главное наблюдение. LLM — сильнейший исполнитель: код, рутина, скорость. Но она мыслит локально: «проверь то, что получилось», — а не «где во всём потоке данных этой проверке место». Взгляд на систему целиком пока за человеком.
⠀
📌 Вывод, который закрепляю для себя: не отдавай архитектуру на аутсорс. Пусть модель пишет код — она правда пишет его отлично. А ты держи в голове схему целиком и спрашивай не «работает ли этот кусок», а «на своём ли он месте».