Системный аналитик представил на Хабре собственный инструмент DocGen. Это ИИ-ассистент, который решает типичную задачу сбора требований: бизнес приносит «очередную гениальную идею», после встреч остаются разрозненные заметки, письма, страницы в Confluence и несколько чатов. DocGen выстроен вокруг двух цепочек агентов: первая готовит вопросы к интервью, вторая — документацию по полученным ответам.
Первая версия ассистента отправляла описание продукта и намерений напрямую агенту генерации и получала «кашу», хотя тот же промт в чат-боте давал аккуратный результат. Автор выяснил: чат-бот в зависимости от контекста меняет температуру и настройки. Это привело к появлению Agent 0, который оценивает качество входа и рекомендует температуру для следующего агента.
Входные данные — тип и домен продукта, например «десктопное приложение» и «медиа плеер», плюс описание намерений. Agent 0 возвращает оценку качества, причину и список дополнительных вопросов. Если контекст слабый, температура повышается, чтобы получить больше вариантов. Затем Agent 1 группирует вопросы по стейкхолдерам и формирует план интервью.
Разделение на две цепочки добавляет человеческий фактор. Между генерацией вопросов и генерацией документации стоит аналитик, который проводит встречу и получает ответы. Это принципиально: ИИ пока не умеет вести вербальные коммуникации. Во второй цепочке есть цикл уточнений: если Agent 4 находит противоречие, система генерирует уточняющие вопросы, возвращает их аналитику, и пайплайн запускается повторно.
Наконец, каждый агент использует собственную температуру. Для разных задач требуются разные значения температуры, и это одна из причин, почему единый промт не работает, а связка узких агентов — работает.
