Компания Диасофт опубликовала подробный кейс на Хабре о том, как они построили систему на базе LLM для автоматического проектирования логических моделей в своей low-code платформе Digital Q.Archer. Путь оказался тернистым — и полезным для всей индустрии.
От монолита к рою: ключевые уроки
Первая попытка — один большой промпт с описанием задачи, 100 архитектурными паттернами и библиотеками компонентов — провалилась из-за переполнения контекста в 120-130K токенов. Модель Qwen2.5-32B-Instruct на Nvidia 4090 «забывала» начало промпта и начинала выдумывать несуществующие компоненты.
Решение стало главным инсайтом проекта: не один монолитный агент, а рой специализированных агентов с паттерном Work-Check-Correct. Для каждого этапа создающий агент выполняет работу, проверяющий ищет ошибки, а при замечаниях — корректировка и повтор. Этот паттерн сократил галлюцинации до нуля.
Также выяснилось, что эталонные примеры работают лучше тысяч слов инструкций. Когда команда перешла с Qwen на gpt-oss-120b и добавила референсные шаблоны ответов, модель стала выдавать точный формат без отклонений. Аналогично решили проблему «зависающих» Mermaid-диаграмм — модель не понимала, как выглядит завершённая схема, пока не получила пример.
Кейс Диасофт — редкий пример честного разбора промышленного применения LLM с реальными проблемами и конкретными решениями, полезный для всех, кто работает над AI-агентами в enterprise.
