«Просто дать LLM доступ к интернету и ждать глубокого исследования — плохая идея».
Это ключевой вывод команды, которая разработала комплексный research-конвейер на основе instruct-модели.
Почему обычный подход модель + поиск работает недостаточно эффективно?
Потому что модель легко теряет исходные ограничения, смешивает факты с собственными выводами и делает преждевременные заключения.
Какие инженерные решения применили?
Мы зафиксировали последовательность шагов и роли в исследовательском конвейере, но при этом у LLM осталось достаточно свободы для принятия локальных решений:
🔘Brief: фиксирует исходный запрос и предотвращает его искажения.
🔘Scout: предварительная разведка темы перед детальным планированием.
🔘Needs + DoD: декомпозиция задачи на четкие блоки с проверяемыми критериями завершения.
🔘Локальный ReAct-loop: модель выполняет небольшие интеллектуальные задачи внутри ограниченных рамок.
🔘Промежуточные отчёты и иерархический контекст: поддерживают порядок и актуальность данных.
🔘Цитирование как часть внутреннего состояния: факты постоянно связаны с источниками.
🔘Отдельный пайплайн финального ответа: обеспечивает четкость и качество подачи результатов.
Результат:
Новый конвейер существенно повысил точность и глубину исследований на модели GigaChat Ultra 3.1 в сравнении с другими моделями, улучшив качество ответов и снижая ошибки.
💡
Успех глубокого исследования — это не только сила модели, но и продуманная оркестрация, контроль и управление контекстом.
➡️Подробности ищите на Habr