3.8 KiB
Вопросы Opus 4.8 — раунд 2: неизведанное для реального проекта
Дата: 2026-06-23 Контекст: свой облачный LLM (gpt-oss-120b), бесплатный, без structural output. Проект для сверки договоров облачного провайдера и ЦОД (colocation, стойко-места, каналы связи, IP-адреса, облачные ресурсы). Не универсальный юрист — узкая доменная специфика. Документы: базовые договоры + допсоглашения + спецификации услуг.
Вопрос 1: Самое конкурентное из неизведанного
Ты дал 9 идей. У нас ограниченный ресурс (1 разработчик). Какую ОДНУ идею внедрить первой, чтобы получить максимальное конкурентное преимущество именно для сверки договоров? Не для галочки «у нас ES» — а чтобы юрист сказал «вау, без этого теперь не могу».
Вопрос 2: Бесплатная LLM + confidence-gating
gpt-oss-120b — бесплатный, без ограничений по токенам. Self-consistency (N=3 прогона → консенсус) утроит время (80с → 240с), но токены бесплатны. Стоит ли? Или лучше N=1 + показывать confidence самой модели (logprobs)? Как проще всего вытащить confidence из gpt-oss-120b?
Вопрос 3: Двухслойный лог без фанатизма
Твоя идея двухслойного лога правильна архитектурно. Но у нас Lucee CFML + PostgreSQL — не микросервисы с Kafka. Как сделать минимальную версию двухслойного лога, не переписывая всё? Может, просто добавить event_type в spec_events (ingestion vs interpretation) и parent_event_id?
Вопрос 4: Эмбеддинги vs NFKC — что реально?
Мы уже сделали NFKC-нормализацию (normalize + translate тире + regexp). Эмбеддинги требуют pgvector + модель. Для 100-1000 услуг в спецификации — эмбеддинги реально дадут прирост точности матчинга строк по сравнению с NFKC? Или NFKC уже покрывает 95% случаев?
Вопрос 5: Temporal UI — дизайн для юриста
«Спецификация на дату» — killer-фича. Как должен выглядеть UI? Ползунок? Календарь с выбором допника? И главное — как визуализировать НЕ только конечную спецификацию, но и дифф между двумя датами («что изменилось между допником 2 и 4»)?
Вопрос 6: Provenance — минимально жизнеспособно
Что добавить в spec_events прямо сейчас (2-3 колонки) чтобы включить provenance, не раздувая таблицу? llm_model, prompt_version, raw_llm_response (JSONB)? Или что-то ещё?
Важно
- НЕ делай код. Только анализ и рекомендации.
- Помни: стек Lucee CFML + PostgreSQL + Python ВМ. Не Kubernetes, не Kafka, не микросервисы.
- LLM свой, облачный, бесплатный, 120B, без structural output.