4. ИНТУИТИВНЫЙ КОНТУР: как я научил AI-ассистента «чувствовать» запрос до того, как он подумает

Как 3-5 слов-меток вместо 50 строк инструкций помогают LLM понимать жанр запроса, настроение пользователя и уровень собственной уверенности. Сравниваю с «Системой 1» Канемана. В прошлой статье про STM + МНЕМОС цикл сообщения был без этого слоя — сейчас покажу, где он реально стоит и что берёт из памяти.

Это четвёртая статья из серии «Как я собрал self-improving AI-ассистента». Предыдущие:

1. Общий обзор архитектуры
2. МНЕМОС: трёхуровневая долгосрочная память
3. STM + МНЕМОС: двойная память

Проблема: промпт раздувался, LLM тонула

После STM + МНЕМОС ассистент уже помнил: оперативная память держала тему и цифры внутри диалога, долгосрочная — училась между диалогами. Но была другая беда: каждый запрос тянул за собой простыню инструкций.

пользователь → 5000 символов промпта → LLM генерирует ответ

Промпт рос: «не галлюцинируй», «будь вежливой», «проверяй цифры», «уточняй если не уверена», «используй женский род», «сначала проверь календарь», «для валют используй ЦБ РФ»... Правил становилось больше, LLM путалась, ответы становились «серединой по больнице».

А главное — LLM не знала контекста, который человек улавливает мгновенно:

• Это знакомая тема или я спрашиваю впервые?
• Пользователь злится или в хорошем настроении?
• В этой теме уже были ошибки?
• Это заказ на мебель или просьба посчитать спецификацию?
• Нужен короткий ответ или глубокая проработка?

Память знает ответы на эти вопросы. Но она не говорит об этом LLM напрямую — она лишь кладёт данные в хранилище. Между памятью и LLM не хватало слоя, который превратит данные памяти в подсказку для модели. Я пытался компенсировать это инструкциями. Инструкции росли — промпт пух — LLM терялась. Замкнутый круг.

Решение: ассистент должен «пощупать» запрос ДО ответа

В психологии есть модель Канемана: 

• Система 1 — быстрая, интуитивная, работает автоматически; 
• Система 2 — медленная, рациональная, включается для сложных задач. У людей это две системы, работающие вместе.

У LLM всё наоборот — она всегда «Система 2»: получает весь контекст и медленно перебирает. А «Системы 1» у неё нет.

Я решил: сделаю ассистенту Систему 1. Назвал её Интуитивный Контур — слой, который за миллисекунды до ответа оценивает запрос и добавляет в промпт 3-5 коротких меток.

Где он стоит — наконец-то полная картина:

Пользователь пишет
   ↓

STM L1: extract_topic → тема запроса

STM L1: should_anchor? → тема/цифры в якорь

STM L2: load_history → последние сообщения

МНЕМОС: search_experiences → топ-3 примера

   ↓

Prompt Assembler: собирает system_prompt

   ↓

Контур (1ms): читает STM + МНЕМОС → метки  ←── вот здесь!

   ↓

LLM отвечает (видит метки + промпт)

   ↓

Sufler оценивает → STM/МНЕМОС учатся

В прошлой статье цикл заканчивался на Prompt Assembler. Контур — это слой между сборкой промпта и LLM. Он не хранит данные, как STM или МНЕМОС. Он их читает и превращает в метки-подсказки.

Ключевая идея: Контур не генерирует ответ. Он создаёт «атмосферу» для мышления. LLM получает не голый запрос, а 3-5 слов меток — и интерпретирует их сама.

Контур не хранит — он читает

Это самое важное. Контур — не еще одна система памяти, а, скажем так, "фундаментальная надстройка "над уже имеющимся модулями. Он берёт данные из STM и МНЕМОС и «озвучивает» их состояние для LLM:

Контур
   │

   ├── читает STM  → темы, якоря, цифры (оперативная память)

   ├── читает МНЕМОС → знакомость, риск-темы, доверие (долгосрочная)

   ├── читает Чутьё  → настроение, streak

   │

   └── отдаёт LLM  → [УВЕР: HIGH] [ЖАНР: ЗАКАЗ] [РИСК: ПОДБОР]

Контур ничего не хранит — он «Система 1», которая заглядывает в обе памяти и коротко говорит LLM: «вот ситуация, реагируй».

StateVector: сердце контура

Всё, что Контур знает о запросе, — это объект StateVector. Семь полей, каждое — эвристика или данные, прочитанные из STM/МНЕМОС:

@dataclass
class StateVector:

    familiarity: float     = 0.5   # ← из МНЕМОС (ChromaDB async)

    criticality: float     = 0.0   # ← эвристики + Чутьё

    complexity: float      = 0.0   # ← эвристики + STM (анкоры)

    mood: str              = "нейтрально"  # ← Чутьё

    confidence: str        = "MEDIUM"      # ← familiarity + trust

    genre: str             = "диалог"      # legacy keyword

    method: str            = ""            # ← LLM-классификация

    risk_topics: list      = []            # ← МНЕМОС L3 (Sufler fails)

    trust: float           = 0.5   # ← самообучение по Sufler

    def topromptfragment(self) -> str:

        parts = [f"[УВЕР: {self.confidence}]"]

        if self.genre != "диалог":

            parts.append(f"[ЖАНР: {self.genre.upper()}]")

        if self.mood not in ("нейтрально", "спокоен"):

            parts.append(f"[МООД: {self.mood}]")

        if self.risk_topics:

            parts.append(f"[РИСК: {self.risk_topics[0]}]")

        return "  ".join(parts)

На выходе — фраза вида:

[УВЕР: HIGH] [ЖАНР: ЗАКАЗ] [РИСК: ПОДБОР]

Три слова. Вместо 50 строк инструкций. LLM сама понимает: «тема знакомая, это заказ, в подборе аналогов были ошибки — будь аккуратнее».

Как Контур «оценивает» запрос

Знакомость (familiarity) — асинхронный ChromaDB

Первый вопрос: а встречал ли ассистент такую тему раньше? Для этого нужен поиск по МНЕМОС — но он занимает 200-500 мс. Блокировать чат нельзя.

Решение — кэш + фон:

class FamiliarityCache:
    TTL = 300  # 5 минут

    async def get(self, userid, threadid):

        key = (userid, threadid)

        if key in self.cache and свежий:

            return self.cache[key]        # 0ms — хит

        entry = {"familiarity": 0.5, "genre": "", "timestamp": now}

        self.cache[key] = entry

        asyncio.createtask(self.asyncfill(userid, thread_id, key))  # фон!

        return entry

Первый запрос в треде получает familiarity=0.5 (дефолт) и запускает поиск в фоне. Со второго сообщения — точное значение из кэша, 0 миллисекунд. Память на 100 пользователей — ~300 KB. Никакой нагрузки.

Глубина диалога (complexity) — из STM

Анкоры STM — это «save points» диалога: каждая смена темы создаёт якорь. Контур смотрит на их количество:

цифры "1800x400x500"        → +0.3 (возможный Matematicus)
длина сообщения > 50 слов   → +0.3 (нужен глубокий ответ)

> 3 анкоров в STM            → +0.2 (долгий диалог, тема разрослась)

Много якорей = диалог долгий и ветвистый = LLM должна глубже копать. Мало = короткая переписка = ответ покороче.

Критичность — keyword-based

Иногда важнее не «знакомая ли тема», а «горит ли у пользователя»:

CRITICAL_WORDS = {
    "срочно", "горим", "суд", "претензия", "жалоба",

    "налоговая", "санкции", "блокировка", "штраф", "иск"

}

«Срочно нужен шкаф к пятнице» → criticality растёт. Плюс: аномально короткое сообщение (стресс) + негативный streak от Чутья → LLM становится внимательнее.

Метод — семантическая классификация (v4)

Самое важное обновление. Раньше жанр определялся keyword'ами — и это давало ложные срабатывания:

«какое сечение кабеля» → детект «заказ» ❌ (это же про кабель, а не мебель!)

Теперь метод классифицирует LLM — одна лёгкая классификация, ~100 токенов:

METHODVALUES = {"анализ", "бизнес", "сео", "расчёт", "заказ",
                  "поиск", "документы", "секретарь", "диалог"}

async def classifymethod(message: str) -> str:

    # Fast-path: короткие без цифр → диалог (0мс)

    if len(message.split()) <= 2 and not re.search(r'\d', message):

        return "диалог"

    # LLM-классификация (лёгкая модель, без хардкода)

    ...

Метод управляет загрузкой промптов:

class UserModel:
    trust: float = 0.5

    frequent_topics: list = []

    frustration_topics: list = []

    avg_score: float = 0.0

    def update(self, score, topic):

        self.trust = self.trust  0.9 + (score / 5.0)  0.1

        if score <= 2:

            self.frustration_topics.append(topic)  # зона боли

        if score >= 4:

            self.frequent_topics.append(topic)     # сильные темы

if trust < 0.3:
    sv.confidence = "LOW"        # пользователь часто недоволен → осторожнее

elif trust > 0.7:

    sv.confidence = "HIGH"       # доволен → можно смелее

STM: якорь «заказ мебели» + цифры 1800x400x500
Контур: familiarity=0.8 (из МНЕМОС), complexity=0.7 (анкоры STM), method="заказ"

Пользователь: «Шкаф 1800x400x500 нужен срочно к пятнице, подбери аналог»

Без контура:  LLM объясняет про шкафы, теряет размеры

С контуром:   [УВЕР: HIGH] [ЖАНР: ЗАКАЗ] [РИСК: ПОДБОР]

              LLM: «Вижу активный заказ на шкафы. 1800×400×500 —

              аналог Бриз Б-2 (совпадение 87%). Срок до пятницы принят.

              Добавить в заказ?»

STM: якорь «НДС, спецификация»
МНЕМОС L3: в теме НДС была ошибка (Sufler fail)

Пользователь: «Расчёт спецификации с НДС 20%»

Без контура:  LLM считает с ошибкой в НДС

С контуром:   [УВЕР: MEDIUM] [ЖАНР: РАСЧЁТ] [РИСК: НДС] [МООД: деловой]

              LLM: «Давайте посчитаем. По опыту — с НДС бывают ошибки,

              проверю 20%. Разрешите использовать Matematicus?»