Архитектуру ИИ-системы я всегда начинаю с анализа: какую проблему решаем и какие данные есть. Из этого становится понятно, на какой платформе строить автоматизацию и какие инструменты применять
Чтобы выбрать решение, нужно ответить на пять вопросов
1. Кто и что делает - ИИ-агент, программа на Python или комбинация решений
2. Где происходит работа - на удаленном сервере VPS, на компьютере или в другом месте
3. Какие есть данные - откуда приходят запросы и какая база знаний доступна системе
4. Что хотим получить в результате - запись, заявку или другое действие
5. В каком формате - где, в каком виде и с какой частотой получаем результат
По этим ответам формируется архитектура: определяется, какие задачи выполняет каждый компонент, где он работает, какие данные получает и что передает дальше. Выбор инструментов связан с их ролью в этой схеме
Например, в моем ИИ-продавце для Instagram Direct одновременно нужны живой разговор с клиентом и строгое соблюдение сценария. Поэтому решение состоит из кода Python и модели Claude, у которых разные задачи
Python следит за прохождением сценария: вся ли нужная информация собрана и не выходит ли ответ модели за заданные ограничения. Claude по своим правилам и базе знаний определяет, что сказать клиенту в разговоре
Сценарий беседы и база знаний в такой архитектуре выполняют разные роли. Сценарий задает порядок работы с клиентом и обязательную информацию для сбора. База знаний дает содержание для ответов. Эти части связаны через код и модель: живой диалог должен проходить с соблюдением заданного сценария
Остальные части тоже связаны с целью: запрос приходит из Instagram Direct, а результат собранного диалога передается врачу карточкой в Telegram. Запись появляется после подтверждения врача. Поэтому в схеме есть и человек, за которым остается это решение
Так формируется архитектура ИИ-системы: задачи распределены между кодом, моделью и человеком, определены данные для работы и путь до нужного результата. И заметь, все эти решения принимаются еще до первой строчки кода