Геоаналитическая платформа 2ГИС Про позволяет строить карты конкурентов, анализировать трафик и визуализировать данные через слои и виджеты. Проблема типичная для BI-инструментов: чем богаче функциональность, тем длиннее путь от задачи до результата. Новый пользователь вынужден последовательно выбирать набор данных, территорию, фильтры, тип визуализации — и только потом видит дашборд. Команда проверила гипотезу: можно ли сократить этот путь с помощью ИИ-ассистента.
Первый очевидный вариант — подключить LLM и дать ей отвечать на вопросы пользователей. Но языковая модель в таком сценарии выдаёт общий текстовый совет, опираясь на данные из открытых источников. В геоаналитике ценность не в совете «учитывайте рейтинг и трафик», а в конкретном результате: реальные объекты из базы 2ГИС, отфильтрованные по заданным параметрам и отображённые на карте. LLM здесь выступает не источником фактов, а переводчиком: она разбирает естественную формулировку запроса и превращает её в набор операций внутри продукта.
Поэтому архитектура получилась агентной. В основе — подход ReAct (Reasoning + Acting): агент не пытается сразу сформировать финальный ответ, а действует итерационно. Он смотрит на запрос и текущий контекст дашборда, выбирает следующий инструмент, получает результат его выполнения и решает, нужен ли ещё один шаг или уже можно вернуть ответ пользователю. Такая схема позволяет обрабатывать не только простые запросы, но и уточнения: сначала пользователь просит показать кафе, затем меняет фильтр, потом добавляет виджет.
Ассистент работает не как чат-бот, а как агент: он видит текущий дашборд, слои и виджеты и выбирает цепочку действий.
Технически ассистент работает через те же API, что и обычный интерфейс 2ГИС Про. Фронтенд платформы отображает карту, слои и виджеты, а бэкенд отвечает за данные и операции. Когда пользователь кликает по интерфейсу, фронтенд отправляет запросы к бэкенду. Ассистент делает то же самое, но вместо кликов — команды агента: создать слой, применить фильтры, построить зону доступности, агрегировать данные, добавить виджет. После выполнения операций фронтенд получает обновлённое состояние и показывает результат.
На сквозном примере из статьи это выглядит так: пользователь пишет «покажи кафе в районе Арбат, Москва с рейтингом выше 3». Агент разбирает запрос на параметры — территория: Арбат, набор данных: «Фирмы», категория: кафе, фильтр: рейтинг выше 3 — и вызывает инструмент создания слоя. На карте появляется слой с объектами, пользователь получает текстовое пояснение о том, что найдено и какие условия применились. Ассистент при этом не «знает» заранее, какие кафе есть на Арбате — он запускает нужные операции и получает актуальные данные из базы 2ГИС.
Агентный подход выбран не ради усложнения. Фиксированные сценарии вполне можно упаковывать в кнопки — для узких задач это рабочее решение. Но ассистент в 2ГИС Про должен работать с разными частями интерфейса и учитывать текущее состояние дашборда: какие слои уже созданы, какие виджеты добавлены, какова видимая область карты. Пользовательский запрос в таком контексте редко превращается в одну команду — чаще это цепочка, которая зависит от того, что уже есть на экране. Именно это и делает систему агентом, а не чат-ботом с фиксированными ответами.
Подобный подход к встраиванию ИИ в аналитические продукты становится распространённым: Tableau, Power BI и другие BI-платформы также экспериментируют с агентными интерфейсами. Отличие кейса 2ГИС Про — в специфике геоданных и необходимости работать с пространственными объектами, территориями и картографическими слоями, что добавляет к стандартной агентной логике дополнительный слой контекста.