Как использовать слабые локальные модели с Loginom AI агентом

16 ноября 2026
0 комментариев

Можно ли создавать аналитические Сценарии с помощью не самых мощных ИИ-моделей? Для проверки на практике к Loginom AI была подключена модель Tiel-Coder, развернутая на сервере компании. В статье описаны важные особенности работы с локальными моделями и подход, позволяющий с их помощью создавать сложные аналитические Сценарии.

Для работы с Loginom AI часто используются мощные языковые модели, например ChatGPT. Но было важно проверить, справится ли с аналогичной задачей более компактная модель.

Была выбрана Tiel-Coder-35B-A3B — модель, ориентированная на программирование. Она использует архитектуру Mixture of Experts (MoE): из примерно 35 млрд параметров при обработке каждого токена активны около 3 млрд.

Модель была развернута на собственном сервере компании и подключена к Loginom AI через внутренний API. Это позволяет не платить за запросы к внешнему API, хотя эксплуатация собственного оборудования тоже требует затрат.

Постановка задачи

Цель эксперимента — проверить, сможет ли Tiel-Coder не только работать с Компонентами Loginom, но и самостоятельно предложить аналитическое решение. Для эксперимента выбрали анализ ассортимента интернет-магазина.

Необходимо было получить каталог товаров через REST API, проанализировать цены, скидки, рейтинги покупателей и складские остатки, а затем определить, какие товары требуют внимания категорийного менеджера.

Источником данных стал DummyJSON — бесплатный сервис с синтетическими данными. Для анализа использовали 100 товаров.

Схема анализа ассортимента интернет-магазина

Схема анализа ассортимента интернет-магазина

Модели не передавали готовых критериев оценки ассортимента. Она должна была самостоятельно предложить подход к анализу и реализовать его в Loginom.
 

Первый вариант задачи в Loginom AI (режим Build)

Первый вариант задачи в Loginom AI (режим Build)

Ожидаемый результат — список товаров, требующих внимания, и сводная аналитика по товарным категориям.

Особенности работы с локальными моделями

Сначала использовали стандартный подход: Tiel-Coder передали описание задачи и предложили построить Сценарий Loginom.

Модель приступила к работе, изучила структуру данных и начала создавать Узлы. В одной из попыток ей удалось настроить REST-запрос и получить данные о 100 товарах.

Но завершить Сценарий не получилось. Возникали ошибки при создании вспомогательных Узлов, а в отдельных случаях дальнейшая работа агента блокировалась.

Возникло предположение, что проблема могла заключаться не только в технических ограничениях. Агент приступал к построению без отдельной проверки последовательности действий и особенностей настройки компонентов Loginom. Это могло повысить риск ошибок, хотя само по себе не объясняет сбои среды.

Поэтому был предложен иной подход: сначала подготовить и проверить план реализации, а уже затем приступить к построению Сценария.

В Loginom AI предусмотрены два режима работы: Plan — для планирования и Build — для построения Сценария.

При следующей попытке работу с локальной моделью начали в режиме Plan. В начало запроса была добавлена инструкция: «Проанализируй задачу и предложи план ее реализации средствами Loginom. К построению Сценария пока не приступай».

Затем модели передали описание бизнес-задачи.

Tiel-Coder предложила последовательность обработки данных, необходимые компоненты Loginom и критерии выявления товаров, требующих внимания.

Модель самостоятельно определила четыре признака:

  • Нет на складе (stock = 0) — возможная потеря продаж.
  • Низкий остаток (stock ≤ 5) — товар может потребовать пополнения.
  • Низкий рейтинг (rating < 3.5) — повод проверить качество товара.
  • Большая скидка (discountPercentage ≥ 25%) — повод проверить ценообразование или оборачиваемость.

Если выполняется хотя бы одно условие, товар попадает в список требующих внимания.

Предложенный план приняли без изменений. Для демонстрационного примера было важнее проверить, сможет ли модель реализовать собственную аналитическую логику. В реальной задаче пороги и критерии потребовали бы дополнительной проверки.
 

План реализации Сценария, предложенный Tiel-Coder

План реализации Сценария, предложенный Tiel-Coder

После этого переключились в режим Build и поручили агенту построить Сценарий. На этот раз задача была решена.

Полученный Сценарий

Loginom AI создал последовательность компонентов для получения и обработки данных. Сначала агент настроил REST-запрос к DummyJSON и преобразовал полученный JSON в таблицу с помощью JavaScript.

Затем с помощью Узла «Калькулятор» рассчитал необходимые показатели и признаки товаров, требующих внимания. После этого Сценарий разделился на две ветки:

  • Анализ товаров: отбор позиций с выявленными рисками и сортировка по приоритетности.
  • Анализ категорий: группировка товаров по категориям и расчет доли позиций, требующих внимания.

В процессе реализации агент столкнулся с ограничением используемой версии: она пока не поддерживала создание пользовательских переменных. Поэтому параметр REST-запроса limit=100 был передан через импорт текстового файла с дополнительной обработкой в JavaScript.

В результате получился Сценарий, который загружает данные из веб-сервиса, выполняет расчеты и формирует аналитические таблицы.
 

Сценарий анализа ассортимента, построенный Loginom AI

Сценарий анализа ассортимента, построенный Loginom AI

Сценарий обработал 100 товаров из DummyJSON.

37 из 100 товаров (37%) требуют внимания категорийного менеджера.

Наиболее заметные результаты:

  • mens-shirts: 80% товаров требуют внимания (4 из 5), средний рейтинг — 3.18. Это первый кандидат для дополнительной проверки.
  • beauty, fragrances, home-decoration, kitchen-accessories, laptops: по 40% товаров с выявленными рисками.
  • groceries: 10 из 27 товаров (около 37%). Это самая крупная категория в выборке.
  • mens-shoes и mobile-accessories: товары с установленными признаками риска не выявлены.

Основными причинами попадания в список стали низкий рейтинг и небольшой складской остаток. Отсутствие товаров на складе и большие скидки в этой выборке почти не встречались.

Сводка результатов анализа, полученных в ходе эксперимента

Сводка результатов анализа, полученных в ходе эксперимента

Важно учитывать, показана работа с синтетическими данными. Выявленные признаки — это гипотезы для проверки, а не подтвержденные проблемы с продажами. Для полноценного анализа реального ассортимента понадобятся данные о продажах, оборачиваемости и маржинальности.

При повторном запуске Сценарий заново получает данные через REST API и автоматически пересчитывает показатели.

Результаты эксперимента

В итоге Tiel-Coder смогла самостоятельно предложить логику анализа ассортимента и построить работающий Сценарий Loginom AI.

Первые попытки завершились техническими ошибками. Переход к последовательности Plan → проверка плана → Build позволил получить работающий Сценарий.

Планирование позволило заранее увидеть последовательность обработки и выбранные компоненты. Перед реализацией полезно проверить требования к подключению REST-сервиса, входным данным и настройке узлов. Такой подход мог помочь избежать части прежних трудностей, хотя не все технические сбои связаны с отсутствием плана.

Эксперимент показал, что для решения аналитических задач с Loginom AI необязательно ограничиваться самыми мощными моделями. Важно не только то, какая модель используется, но и то, как организована ее работа.

Для многоэтапных задач предварительное планирование может стать полезным способом повысить предсказуемость работы агента и получить результат даже с менее мощной моделью.

Выбор ИИ-модели для Loginom AI

Эксперимент показал, что даже относительно компактная модель может справиться с построением аналитического Сценария Loginom AI. Предварительное планирование и проверка решения особенно полезны для многоэтапных задач.

СитуацияЧто выбратьПочему
Простые Сценарии, типовые преобразования данныхКомпактная или недорогая модельНет необходимости начинать с самой мощной
Сложные Сценарии с большим количеством Узлов и нестандартной логикойБолее мощная модельОбычно лучше справляется с многоэтапным планированием и сложными зависимостями
Работа с конфиденциальными корпоративными даннымиМодель в закрытом контуреПозволяет контролировать размещение модели и передачу данных
Быстрый старт без собственной инфраструктурыМодель через внешний APIНе требуется самостоятельно разворачивать и обслуживать модель
Регулярное выполнение большого количества задачСравнить локальную модель и внешний APIЭкономика зависит от нагрузки, оборудования и стоимости запросов

Необходимо начинать с модели, которая соответствует требованиям к данным и бюджету, и проверить ее на типовых задачах. Если качества недостаточно, можно попробовать более мощную модель или разделить работу на этапы Plan → Build.

Весь процесс: от постановки задачи и подготовки плана до построения Сценария Loginom и получения аналитических результатов показан в демонстрационном видео:


 

​​​Другие материалы по теме:

MCP-server Loginom: от «умных» ответов ИИ к реальным решениям

Корпоративная аналитика приходит к композитному ИИ

#AI

Смотрите также

Подписывайтесь на телеграмм-канал Loginom
Новости, материалы по аналитике, кейсы применения, активное сообщество
Подписаться