«Умные инструменты» — набор сервисов для работы со сценариями Loginom. Первый сервис, ИИ-отчет, анализирует файл .lgp и формирует структурированный отчет: показывает зависимости и статистику, а также описывает логику пакета и его модулей.
Развитие больших языковых моделей (LLM) открыло новые возможности не только для разработки программного кода. Они применимы и в low-code-платформах, где логика решения задается не текстом программы, а диаграммой: узлами, связями между ними и настройками обработки данных.
Анализировать такие сценарии раньше было непросто: недостаточно распознать отдельные узлы — нужно восстановить, как данные проходят через всю схему, где преобразуются, разделяются и объединяются. С появлением LLM мы начали исследовать, какие типовые задачи анализа сценариев можно автоматизировать.
Результатом стал проект «Умные инструменты» — набор сервисов для работы со сценариями Loginom, доступный по адресу tools.loginom.ru. Представляем первый сервис проекта — ИИ-отчет: он анализирует файл .lgp и формирует структурированный отчет о пакете, его зависимостях, статистике и логике модулей. В этой статье расскажем, как устроен сервис: какие данные он извлекает из сценария, как передает их языковой модели и из чего собирается итоговый отчет.
Документирование сценария — задача, которую аналитик обычно откладывает на потом. Посчитать количество узлов и подмоделей несложно, а вот описать, зачем они соединены именно таким образом и что делает каждая часть сценария — работа, требующая вникнуть заново в логику, которую сам же и выстраивал неделю или месяц назад.
Особенно это заметно в сложных сценариях. Поток данных может разветвляться, проходить через несколько преобразований, объединяться с другими потоками и передаваться во вложенные подмодели. Сама диаграмма дает общее представление о структуре, но не всегда позволяет быстро понять назначение сценария, последовательность обработки и роль отдельных блоков.
Большие языковые модели умеют работать с такой задачей: получать структурированное представление сценария и излагать его в связном тексте. Однако модели недостаточно просто передать файл .lgp. Сначала нужно извлечь из него сведения о модулях, узлах, подмоделях, связях и зависимостях, представить их в понятном для модели виде, а затем собрать ее ответ в структуру отчета.
Именно эту цепочку выполняет ИИ-отчет. Пользователь загружает пакет, а сервис разбирает его структуру, передает подготовленные данные языковой модели и формирует итоговый отчет. Посмотрим, как это выглядит со стороны пользователя, а затем окунемся внутрь.
Чтобы сформировать отчет, достаточно загрузить файл сценария Loginom в формате.lgp и запустить обработку.
ИИ-отчет: запуск на обработку
После загрузки сервис обрабатывает пакет и формирует отчет. Никаких дополнительных настроек сценария или подготовки шаблона не требуется: ИИ-отчет сам извлекает из пакета нужные сведения и создает документ.
Готовый отчет открывается в браузере им доступен в двух форматах: html и markdown. В его шапке указаны имя обработанного пакета, дата и время формирования, версия сервиса и использованная языковая модель.
Верхняя часть отчета
Все запуски отображаются в журнале. Здесь видны имя загруженного файла, инструмент, статус обработки и время создания отчета. По кнопке Посмотреть можно открыть результат повторно, не загружая сценарий заново.
Журнал также помогает отслеживать неуспешные запуски: если при обработке возникла ошибка, это будет видно в столбце Статус. Завершенные записи при необходимости можно удалить из журнала.
Журнал запусков: список отчетов, статусы и кнопка просмотра
Отчет начинается с общей информации о пакете. Здесь можно увидеть версию Loginom, краткое описание назначения сценария, а также сведения о внешних пакетах, на которые он ссылается - так называемые зависимости. Такая информация помогает понять, насколько сценарий самостоятелен и какие артефакты потребуется проверить вместе с ним.
Далее идет статистика: количество модулей, узлов, подмоделей и заметок. Отдельно показывается количество узлов программирования, ссылок и производных узлов — это помогает быстро оценить масштаб и особенности сценария.
Общее описание, статистика, внешние зависимости
Основная часть посвящена модулям. Для каждого из них отчет описывает общую логику обработки и, при наличии подмоделей, показывает их роль: какие данные поступают на вход, как они преобразуются и какой результат получается на выходе. В конце каждого раздела приводится статистика модуля, включая глубину вложенности сценария.
Текстовые описания не заменяют диаграмму сценария. Их задача — дать быстрый ориентир: показать, какие данные используются, где они преобразуются, какие ветви обработки есть в сценарии и как формируется результат. После этого проще открыть нужный модуль в Loginom и перейти к детальному разбору его настроек.
На скриншоте ниже — фрагмент отчета по модулю стандартизации нормативно-справочной информации. Сервис определил его назначение, перечислил основные входные данные и проследил поток обработки: от формирования датасета промптов до преобразования результата GigaChat в дерево и таблицу. Ниже он отдельно описал логику подмоделей «Примеры», «Дополнительные инструкции» и «Системный запрос».
Описание модуля и подмоделей
С точки зрения пользователя работа с сервисом выглядит просто: загрузить файл, запустить обработку и через несколько минут открыть готовый отчет. Внутри процесс анализа проходит несколько этапов — разбирается пакет Loginom, подготавливаются сведения о его структуре для языковой модели и результат собирается в единый документ. Обработка выполняется асинхронно: не нужно держать страницу открытой и ждать завершения — результат появится в журнале запусков, откуда его можно открыть позднее.
Пакет Loginom в формате .lgp — это XML-документ, в котором описаны объекты сценария и связи между ними. Диаграмма, видимая в Loginom, — лишь визуальное представление этой структуры.
Казалось бы, пакет можно целиком передать языковой модели и попросить описать сценарий. Но такой подход плохо масштабируется: XML-файл содержит много служебной информации: параметры отображения диаграммы, идентификаторы объектов, настройки, технические атрибуты и другие данные, которые важны для работы платформы, но почти ничего не говорят о логике обработки. Если отправлять пакет «как есть», значительная часть контекстного окна языковой модели будет занята XML-разметкой и техническими деталями. Для больших сценариев файл может не поместиться в доступный контекст целиком; даже если поместится, обработка станет дороже и медленнее, а модели будет сложнее выделить действительно важные связи между узлами.
Поэтому инструмент сначала разбирает пакет и отделяет существенное от служебного. В представление для языковой модели попадают сведения о структуре сценария: состав модулей и подмоделей, типы и названия узлов, связи между ними, важные настройки, заметки и зависимости. Вместо объемного XML-документа модель получает компактное, последовательное описание потока данных — то есть именно тот контекст, который нужен ей для формирования отчета.
Такая предварительная обработка позволяет экономнее расходовать токены, укладываться в ограничения контекстного окна и, главное, повышать качество результата: модель анализирует логику сценария, а не пытается «пробраться» через техническую разметку.
«ИИ-отчет» собран на самой платформе Loginom. Это не внешнее приложение, которое обращается к платформе со стороны, а сценарий, работающий по тем же правилам, что и пользовательские решения: с теми же узлами, библиотеками компонентов и принципами обработки данных.
В его основе лежат две открытые библиотеки компонентов:
Misc Kit из семейства Python Kits — отвечает за разбор пакета .lgp;
LLM Kit — обеспечивает взаимодействие с большими языковыми моделями.
Вспомогательную роль выполняет библиотека JSON Kit. Она преобразует табличные данные в JSON — этот формат используется для передачи данных между этапами обработки и подготовки запросов к модели.
Работа сервиса разделена на пять последовательных этапов.
Проверка пакета. Сервис убеждается, что загруженный файл — корректный и доступный для чтения архив .lgp, а не поврежденный или неподходящий файл.
Разбор пакета. Из XML-структуры извлекаются сведения о модулях, узлах, связях и заметках. На этом же этапе сервис проверяет, соответствует ли пакет условиям обработки: в нем должен быть хотя бы один узел, а в одном модуле должно быть не более 100 узлов. Актуальные ограничения приведены в описании ИИ-отчета.
Описание модулей. Данные, полученные при разборе, вместе со специальной инструкцией передаются языковой модели. Для каждого модуля формируется отдельный запрос, поэтому каждый из них получает самостоятельное описание. Если модель не смогла обработать хотя бы один запрос, сервис завершает работу с ошибкой: неполный отчет хуже, чем отсутствие отчета.
Описание пакета. Затем сервис передает модели описания всех модулей одним запросом. На их основе формируется общее описание: назначение пакета, его ключевые части и логика обработки в целом.
Сборка отчета. Результаты разбора пакета и тексты, сгенерированные моделью, передаются в узел JavaScript. Он собирает итоговый Markdown-документ по заданному шаблону — именно его пользователь открывает как готовый отчет.
А что делает непосредственно языковая модель? Разделение задач здесь принципиально. Все, что можно определить однозначно, сервис получает без участия LLM: статистику по узлам и модулям, состав пакета, связи, зависимости, проверку ограничений. Языковой модели остается задача, в которой она действительно сильна: связно объяснить смысл уже подготовленной структуры. Благодаря этому отчет сочетает точные сведения из сценария с понятным описанием его логики.
Для генерации текстовых описаний сервис (на момент запуска) использует модели семейства DeepSeek. Название фактически использованной модели всегда указано в шапке готового отчета вместе с версией сервиса. Условия использования публичного сервиса и порядок обработки данных закреплены в Соглашении о генерации контента. Перед загрузкой пакета стоит ознакомиться с ним и убедиться, что передача содержащихся в сценарии сведений во внешнюю языковую модель допустима в рамках внутренних правил компании и требований к защите данных.
«Умные инструменты» доступны бесплатно. В базовом режиме пользователь получает 5 кредитов в день; один запуск ИИ-отчета стоит 1 кредит. Кредиты начисляются автоматически в начале суток, неиспользованный остаток не переносится, а текущий баланс отображается в шапке сайта.
Клиентам с действующей технической поддержкой и доступом к Loginom.Навыки доступен расширенный режим. В нем дневной лимит увеличивается до 30 кредитов, а журнал запусков хранится бессрочно — к ранее сформированным отчетам можно вернуться в любое время.
Для многих компаний публичный сервис неприменим по одной причине: сценарий Loginom — это, по сути, описание бизнес-процесса. Имена узлов и заметки на сценарии могут раскрывать логику и правила принятия решений, структуру источников данных и другие чувствительные данные. Отправлять такое во внешнюю языковую модель — вопрос не удобства, а политики безопасности.
Поэтому «Умные инструменты» можно развернуть во внутреннем контуре компании. В этом случае данные сценариев и результаты обработки остаются внутри периметра, а организация получает:
Свободу выбора языковой модели. Можно подключить любую модель: локально развернутую через Ollama или аналогичное решение, модель во внутреннем LLM-шлюзе либо корпоративный сервис генеративного ИИ.
Исходные сценарии сервисов. Компания получает сценарии, на которых собран ИИ-отчет, и может адаптировать их под свои процессы: изменить шаблон отчета, промпты, порядок проверки, состав извлекаемых сведений и логику обработки, и все это - на low-code.
Персонализацию результата. Терминологию, язык, формат и структуру отчета можно привести к внутренним стандартам и принятым в компании правилам.
Другие материалы по теме:
MCP-server Loginom: от «умных» ответов ИИ к реальным решениям
