Дыры в заготовке.

Главная причина, по которой обычный ChatGPT плохо работает в аналитических задачах, — отсутствие проектного контекста.

Запрос выглядит просто:

«Составь требования для интеграции с банком».

В ответ появляется уверенный текст. В нём могут быть отраслевые практики, типовые требования и вполне разумные предположения. Проблема в другом: модель не знает, что уже принято в вашем проекте.

Она не видит страницу Confluence с архитектурными ограничениями. Не знает о договорённостях команды. Не видит старые постановки и результаты прошлых решений.

Поэтому в одной заготовке могут одновременно оказаться:

• требования, противоречащие существующей архитектуре;
• детали, которых нет ни в одном источнике;
• расхождения с уже согласованными требованиями;
• ссылки на документы, которые никто в проекте не использует.

Это не ошибка модели. Это дыра в контексте.

Подмастерье начинает не с генерации текста, а со сбора source map проекта. Какие документы существуют. Какие из них связаны между собой. Какие утверждения подтверждаются источниками, а какие существуют только в предположениях.

После этого появляется заготовка. Но рядом с каждым выводом остаётся ссылка на источник, из которого он получен.

Если два источника противоречат друг другу, это тоже остаётся видимым.

Дыра остаётся дырой.

Подмастерье её показывает. Решение остаётся за мастером.

А где чаще всего теряется контекст в ваших проектах: в документации, переписках или устных договорённостях?