Пользователи просят всё сразу. Как ИИ помогает найти настоящую проблему?

Пользователь просит кнопку экспорта, но его настоящая задача может быть в том, чтобы передать список коллеге без доступа к системе. Если сразу записать «добавить CSV», команда получит функцию, не проверив потребность. Нейросеть помогает разобрать такие сообщения, если не выдаёт собственную догадку за знание о человеке.

В Чатиуме можно сделать журнал обратной связи с тремя отдельными полями: что человек попросил, какую проблему описал и что ещё нужно уточнить. Это удобная основа для продуктового решения.

Пожелание — ценное свидетельство, но не готовая спецификация

Люди описывают решение через знакомые инструменты: «сделайте как в таблице», «добавьте папки», «пришлите PDF». Это помогает понять привычный способ работы. Но одинаковая просьба может возникать по разным причинам.

Одному нужен CSV для анализа, другому — распечатка на входе, третьему — передача контактов партнёру. Реализация и ограничения у этих сценариев различаются. Если объединить их в одну популярную функцию, можно не решить ни один полностью.

Пример: три просьбы об экспорте

Возьмём условные сообщения:

F1: «Нужно распечатать список участников перед встречей».

F2: «Хочу сравнить регистрации по месяцам в своей таблице».

F3: «Коллеге нужен список, но аккаунта у него нет».

Модель может связать их общей темой передачи данных, но должна сохранить различия. Для F1 важны печатный вид и нужные поля; для F2 — формат анализа и период; для F3 — доступ и состав передаваемых сведений.

Как группировать без потери меньшинства

Сначала объединяйте обращения по проблеме и контексту, затем смотрите на возможные решения. Частота полезна, но не определяет приоритет сама по себе. Один редкий сценарий может блокировать ключевую работу, а множество просьб — касаться небольшого удобства.

Не поручайте модели вычислять «важность клиента» по стилю сообщения. Для приоритета нужны явные критерии команды: последствия, охват, связь с целями и стоимость изменения. Эти критерии стоит хранить отдельно от свободного текста.

Короткий вызов Kimi в Чатиуме

Передайте сообщения с ID и доступным контекстом. Модель формирует разбор, а подтверждение гипотез требует разговора с пользователем или других данных.

Это фрагмент серверного обработчика Чатиума. ctx передаёт платформа, sourceText содержит проверенный текст из формы. done и failed — заранее зарегистрированные маршруты app.function для результата и ошибки. Они проверяют, что вызов пришёл от приложения start: caller.type === 'plugin' && caller.appSlug === 'start'.

import { startCompletion } from '@start/sdk'

const { completionId } = await startCompletion(ctx, {
  model: 'moonshotai/kimi-k3.1-pro',
  system: 'Разбери обратную связь с ID: явная просьба, описанная проблема, гипотезы и вопросы. Группируй по потребности, сохраняя различия контекста. Не выдавай догадки о пользователе за факты.',
  messages: [{
    role: 'user',
    content: [{ type: 'text', text: sourceText }],
  }],
  onCompletionCompleted: done,
  onCompletionFailed: failed,
})

Метод возвращает completionId. Сам ответ приходит позже в onCompletionCompleted, ошибка — в onCompletionFailed; до этого приложение показывает ожидание. Это схема вызова, а не полный код приложения.

Встроенный помощник Чатиума создаёт журнал, группы, вопросы и связи с решениями. Редактор может исправлять объединения и сохранять, почему конкретная просьба относится к выбранной потребности.

Как замкнуть цикл после изменения

Когда функция выпущена, вернитесь к исходной проблеме. Если добавлен CSV, проверьте, смог ли организатор подготовить список для входа. Возможно, ему всё ещё нужно вручную удалять столбцы и настраивать печать — значит, задача решена лишь частично.

Храните связь «обращение — гипотеза — решение — наблюдение после». Тогда следующая нейросетевая сводка будет опираться на проверенные результаты, а не на бесконечный список пожеланий.

Частые вопросы