Как структурировать мышление ИИ-агента и обогатить его контекстом?

Мне сильно не нравится, что Codex в своих ответах часто выдает edge cases, которые не охватывают все слои поставленной проблемы, и плохо понимает реальный контекст задачи

Например, у нас задача придумать логику для сбора референсов вертикальных видосов через Apify для агента контент-мейкера (допустим, это мы делаем не для себя, а под заказ). Проблема в том, как искать качественные рефы, если доступен поиск только по хештегам, а выдача у тт непонятно как обновляется?

ИИ скорее всего предложит что-то по типу: "Бро, ищи по нескольким хештегам" или "Чувак, каждый раз расширяй выдачу и удаляй дубликаты" - что по сути не решает проблему возможного появления дубликатов в условиях ограниченных лимитов Apify (это я к тому, что мы не можем делать кучу вызовов актора по разным хештегам или каждый раз иксовать количество спаршенных видосов, тк есть строго N$ на аккаунте, которые в таких кейсах быстро сгорят). Конечно, этот весь контекст можно прописать в промпте, но каждый раз это все выкладывать агенту - жесткая запара

Возможно, пример не самый удачный, но за огромное количество часов и наблюдений за reasoning ИИ-агентов и просмотра их ответов, я замечаю, что они часто очень узко смотрят на проблему, не беря во внимание все поле решений

Так че с этим делать?

Я какое-то время назад активно участвовал в так называемых кейс-чемпионатах. Это соревнования, где участникам даются реальные бизнес проблемы корпораций-партнеров чемипоната, и твоя команда должна выступить в роли мини консалтинговой компании, разработав решение задачи за неделю

Я читал много материалов по структурному мышлению и подходам к решению бизнес задач консалтинговых компаний из Big 3 по типу McKinsey. Все это у меня лежало на компе в пдфках. Я решил часть этих материалов закинуть Codex и сформулировать "Agent Thinking Principles", которые я зашью потом в AGENTS.md

Результат чекайте в комментариях

Теперь мой ИИ-бро решает задачи по строгому алгоритму: сначала описывает параметры проблемы (контекст, ограничения, критерии успеха), затем генерирует пул идей, декомпозирует их через логические деревья по принципу MECE с добором контекста через EXA MCP, формулирует приоритетные гипотезы на основе фактов и выводит пользователю только финальный ответ

Плюс я теперь весь нужный контекст по моим проектам логирую в Obsidian. И это не оверкиллинг с rag+graph+memorymd+usermd+soulmd+roadmapmd+mem0+gbrain и тд, я фиксирую только переиспользуемый контекст, который нужен для понимания задачи. Например, для каждого заказа я веду всего пару файлов: профиль заказчика (кто он, что хочет, какой бюджет, платформы которые он хочет автоматизировать и тд), мой whitepaper решения со стеком и примерным воркфлоу — вот эти 2 мастхев и они при этом заполняются РУЧКАМИ, остальные файлы как правило вариативны и генерируются уже вместе с агентом (например, финальная архитектура и пайплайн автоматизации)

ДУМАЙТЕ НАД ТЕМ ЧТО ЗАНОСИТЬ В .MD а не суйте все подряд. Мне вот этих файлов хватает за глаза. Суйте в .md доки только те 20% информации, что принесут вам 80% результата. И пишите их преимущественно руками, тк как правило то что пишет агент - он уже и так знает и смысла от этого не особо много (как к примеру с /init)

И после внедрения всего этого реально почувствовал, что агент стал думать более широко и выдавать более структурированный ответ

Вот такие дела, народ :)

Поделитесь в коммах, кто как борется с подобными проблемами, будет очень интересно почитать!

Всем доброй ночи😴