Как устроена система аналитики на Codex — и почему агент тут не автопилот

Разберём один конкретный способ использовать Codex: не как помощника «написать код», а как исполнителя, который вместе с тобой собирает рабочий инструмент — живой дашборд, который сам тянет данные, помогает находить в них смысл и выдаёт материалы на выходе.

Из чего это состоит технически

Это не готовый сервис и не чужой SaaS. Это самописные скрипты + локальные файлы + HTML-страница, всё крутится у тебя в проекте. Пять слоёв:

1. Коннекторы — то, что тянет данные наружу. Три способа: API-запрос (программа спрашивает сервис напрямую, тот отвечает данными), RSS (готовая лента, дашборд сам вытягивает новые публикации), парсер (скрипт заходит на страницу и достаёт то, чего нет ни в API, ни в RSS — например, комментарии или цены конкурентов).
2. Хранилище — всё собранное складывается в файлы или локальную базу. Это сырьё, лежит в проекте.
3. Обработка ИИ — по команде агент берёт сырьё и прогоняет через LLM: группирует, находит темы, объясняет. Сюда же подключается Exa — поисковик, который ищет по смыслу, а не по ключевым словам.
4. Дашборд — HTML-страница, которая читает хранилище и рисует карточки, графики, таблицы.
5. Ключи — API-ключи лежат отдельно, в файле секретов, не в коде.

Если проводить аналогию из моей области: это диспетчерский щит, собранный на коленке. Коннекторы — датчики и линии. Хранилище — шкаф, куда всё стекается. Обработка ИИ — релейная логика, которая смотрит на поток и выдаёт «вот тема, вот аномалия». Дашборд — табло на стене. Файл секретов — пломба на щитке, ключи отдельно от схемы.

Кто что делает

Агент пишет весь код: запросы к API, парсинг RSS, парсеры страниц, HTML, подключение Exa. Ты говоришь словами — «хочу видеть цены конкурентов» — он разбирается, как это технически сделать, и делает.

Но есть то, что агенту не отдать:

• сформулировать задачу — что вообще хотим понимать (агент не знает твой бизнес);
• дать экспертизу — какие данные важны, кто аудитория, по каким критериям решать;
• разобрать первые примеры руками — показать агенту образец, как группировать и делать вывод;
• принять решение — выбрать угол, тезис;
• написать финальный материал — за текст отвечает человек;
• сделать вывод из аналитики — заметить закономерность, а не просто увидеть цифры.

Это не «нажал и получил готовое». Это цикл: объяснил → посмотрел результат → доработал. Вайб-кодинг, а не автопилот.

Как собрать такую систему — 12 шагов

Шаг 1. Сформулируй задачу. Один вопрос: что я хочу понимать с помощью этих данных? Не уверен — спроси ИИ прямо: «вот чем я занимаюсь, вот какие решения принимаю, какие данные помогут принять их лучше».

Шаг 2. Определи источники. Нужны обе стороны: новости (что уже случилось) и живой отклик аудитории (что происходит прямо сейчас). Одних новостей мало, одних просмотров — тоже.

Шаг 3. Подключи источники. Не разбирайся в API сам — дай агенту ссылки и скажи словами, что хочешь видеть. Он сам решит, что тут API, что RSS, а что требует парсера — и для парсера проверит, разрешает ли сайт такой сбор.

Шаг 4. Собери первый экран «Источники». Карточки: заголовок, источник, ссылка на оригинал. Фильтр по темам. Данные живые, обновляются сами.

Шаг 5. Напиши инструкцию-фильтр. Внутренний документ: кто аудитория, какие правила, какие тезисы и гипотезы. По нему ИИ понимает, что искать в потоке. Начни с простого и дорабатывай по ходу работы. Приём: сначала разбери пару примеров руками, покажи агенту как образец — дальше он разбирает по твоему шаблону.

Шаг 6. Блок «Смыслы и тренды». ИИ группирует поток: десять новостей про одно и то же — не десять тем, а одна история. Связывает и объясняет, почему это важно аудитории.

Шаг 7. Блок «Исследование». Нашёл тему — подключи Exa, чтобы копнуть глубже с ссылками на источники. Ключ — в секреты проекта, не в код.