Артур Усенов

Столько ушло на обработку каталога одним AI-пайплайном. Расходы окупились — компания заработала гораздо больше.

Товар был просто названием и описанием. Найти iPhone нужного цвета и объёма памяти было невозможно — фильтров не было, и конверсия падала.

Сначала задача решается на 10 товарах: извлечь факты, определить атрибуты, проверить их и собрать результат в JSON. Потом — масштабирование.

Товары разбили на чанки по смыслу: телефоны к телефонам, холодильники к холодильникам. Вместо 250 000 вызовов — 5000.

Оркестратор-«матка» создаёт агентов-«воркеров», раздаёт им коробки и перезапускает обработку, если кто-то ошибся.

Подготовка 5000 чанков, оркестратор с инструкциями, около пяти дней извлечения атрибутов и финальная проверка качества кодом.

Было 700 тысяч атрибутов, и те низкого качества. Количество выросло втрое, качество — кратно, а в каталоге наконец появились фильтры.

Скилл — это повторяющаяся инструкция для агента. Здесь она простая: вот товар, извлеки из него атрибуты.

Через MCP агент сам заходил в базу данных, выкачивал нужные товары и заливал обратно результат.

Как git для кода: агент записывает задачи, свои решения, результаты и следующие шаги. Так можно найти момент, где всё пошло не так.

Оркестратор однажды запустил тысячу агентов вместо десяти, и ноутбук не выдержал. Логи показали, почему так произошло.

Каждый процент стоит в разы дороже. Здесь выбрали максимум: фильтры сильно поднимали конверсию. Дешёвая модель за $500 дала бы 50–70% результата.

Воркерам хватало более слабой модели, а оркестратору нужна сильная — «головной мозг» должен быть умнее.

Агент выбирал атрибуты только из заранее заданного дерева значений, поэтому не мог придумать несуществующий цвет или объём памяти.

Готовый фреймворк не использовали: хватило Codex, скиллов и правил, по которым оркестратор создавал агентов и распределял чанки.

Кабинет продавцов доработали: теперь при создании товара можно выбрать только допустимые атрибуты, и тратить $50 000 снова не придётся.