
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.
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
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)
Ожидаемый результат — список товаров, требующих внимания, и сводная аналитика по товарным категориям.
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:
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
После этого переключились в режим Build и поручили агенту построить Сценарий. На этот раз задача была решена.
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:
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 обработал 100 товаров из DummyJSON.
37 из 100 товаров (37%) требуют внимания категорийного менеджера.
Наиболее заметные результаты:
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
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.
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.
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.
| Ситуация | Что выбрать | Почему |
|---|---|---|
| Простые Сценарии, типовые преобразования данных | Компактная или недорогая модель | Нет необходимости начинать с самой мощной |
| Сложные Сценарии с большим количеством Узлов и нестандартной логикой | Более мощная модель | Обычно лучше справляется с многоэтапным планированием и сложными зависимостями |
| Работа с конфиденциальными корпоративными данными | Модель в закрытом контуре | Позволяет контролировать размещение модели и передачу данных |
| Быстрый старт без собственной инфраструктуры | Модель через внешний API | Не требуется самостоятельно разворачивать и обслуживать модель |
| Регулярное выполнение большого количества задач | Сравнить локальную модель и внешний API | Экономика 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