Мы перестали писать промпты и начали компилировать технические задания

Новая проблема эпохи LLM

Большие языковые модели стали привычным рабочим инструментом разработчиков. ChatGPT, Claude, Gemini, DeepSeek и другие модели позволяют быстро получить архитектуру проекта, написать код, подготовить документацию или провести анализ существующей системы.

Однако по мере роста сложности проектов стало очевидно: главная проблема заключается не только в качестве моделей. Настоящая проблема начинается ещё до первого обращения к AI — на этапе постановки задачи.

Иллюзия бесплатного промпта

На первый взгляд взаимодействие с AI выглядит просто:

Идея
↓
Промпт
↓
Ответ

На практике процесс часто развивается иначе:

Идея
↓
Первый запрос
↓
Уточнения
↓
Исправление промпта
↓
Новые ограничения
↓
Повторная генерация
↓
Финальный результат

Каждый дополнительный запрос расходует токены. Каждое уточнение увеличивает стоимость работы. Каждый новый диалог повышает вероятность того, что модель начнёт менять первоначальные требования, добавлять собственные предположения или предлагать решения, которых никто не просил.

Не улучшать модель, а ограничивать её

Большинство инструментов для работы с LLM пытаются сделать модель «умнее». Мы попробовали противоположный подход: не улучшать модель, а максимально ограничить пространство решений ещё до обращения к искусственному интеллекту.

Именно так появилась идея PHP Hyper Platform — платформы, которая превращает человеческую идею в инженерно определённое техническое задание.

Builder как компилятор технических заданий

В основе платформы лежит Builder. Несмотря на название, он не является обычным генератором кода и не заменяет разработчика.

Его задача — преобразовать идею пользователя в строго определённое техническое задание для AI.

Все вопросы заранее описаны. Все варианты ответов заранее известны. Все правила формирования задания заранее определены. Builder не пишет свободный текст, а собирает техническое задание из подготовленных блоков.

По этой причине большинство типовых проектов не требуют обращения к AI на этапе подготовки ТЗ. Искусственный интеллект используется только тогда, когда пользователь выбирает нестандартный вариант, который невозможно формализовать заранее.

Неопределённость как источник затрат

Во время разработки платформы мы пришли к важному выводу: пользователь оплачивает не только токены, а прежде всего устранение неопределённости.

Если задача полностью определена, модель практически сразу переходит к выполнению работы. Если задача сформулирована расплывчато, начинается длинный диалог, который может занимать десятки сообщений.

Именно поэтому в платформе появилось понятие стоимости неопределённости. Стандартные инженерные задачи могут быть описаны автоматически. Нестандартные требования переводятся в режим подготовки сметы и согласования стоимости составления технического задания.

AI Firewall

Следующим важным компонентом стал слой, который внутри проекта получил название AI Firewall.

Его задача — не улучшать ответ модели, а запрещать модели выводить всё лишнее.

Например, если пользователь заказал только архитектуру проекта, модель получает право вывести исключительно архитектуру. Она не должна писать SQL, генерировать код, описывать API, предлагать дополнительные функции или добавлять инструкции по установке.

Если требуется OpenAPI, модель имеет право вернуть только спецификацию OpenAPI. Если требуется структура базы данных — только структуру базы данных.

Таким образом система ограничивает не пользователя, а саму модель.

Почему это снижает стоимость

Сокращение затрат достигается несколькими способами:

• уменьшается количество повторных запросов;
• исключаются длинные объяснения и рассуждения, которые пользователь не запрашивал;
• техническое задание становится более точным и воспроизводимым;
• AI получает меньше свободы для отклонения от задачи;
• платформа автоматически подбирает подходящий режим выполнения.

Пользователь больше не выбирает конкретную модель. Он выбирает режим работы: быстро, стандартно, профессионально или автоматически.

После этого PHP Hyper Platform самостоятельно подбирает подходящего исполнителя с учётом стоимости API, доступности моделей, скорости ответа и внутренних правил маршрутизации.

Экономия — следствие, а не цель

Можно сказать, что платформа экономит деньги пользователя. Но это было бы слишком простым объяснением.

Сначала уменьшается неопределённость задачи. Затем сокращается количество итераций. После этого уменьшается расход токенов. И только затем снижается итоговая стоимость выполнения проекта.

Если задача изначально сформулирована неудачно, никакая модель сама по себе не способна полностью решить эту проблему.

Преимущества подхода

• Предсказуемость: AI получает строго ограниченное задание.
• Экономия: уменьшается количество лишних запросов и повторных генераций.
• Контроль: пользователь платит за результат, а не за хаотичный диалог с моделью.
• Масштабируемость: платформа может менять AI-провайдеров без изменения пользовательского сценария.
• Формализация: типовые проекты собираются из заранее подготовленных инженерных блоков.

Ограничения и недостатки

Такой подход подходит не для всех сценариев. Он наиболее эффективен там, где предметную область можно формализовать:

• CRM;
• ERP;
• CMS;
• интернет-магазины;
• API-сервисы;
• SaaS-платформы;
• корпоративные информационные системы.

Если цель — свободный творческий поиск, исследование неизвестной области или генерация художественного текста, жёсткое ограничение пространства решений может оказаться недостатком.

Поэтому PHP Hyper Platform не является универсальной заменой обычному общению с LLM. Это инструмент для инженерных задач, где важны точность, воспроизводимость и соблюдение технических требований.

Что дальше

Сейчас платформа находится на этапе практического тестирования. Уже работает связка Builder, AI Firewall, AI Gateway, баланс пользователя, биллинг и автоматический подбор исполнителя.

Следующий важный этап — тестирование на реальных пользователях и накопление статистики: сколько запросов экономится, насколько точными оказываются технические задания и как меняется итоговая стоимость генерации проекта.

Вместо заключения

За последние годы вокруг искусственного интеллекта сформировалась новая профессия — промпт-инженер. Возможно, следующим этапом станет переход от написания промптов к проектированию формализованных технических заданий.

В этом случае главным объектом оптимизации станет не сама языковая модель, а степень определённости задачи, которую она получает на вход.

Если эта гипотеза подтвердится, конкурентным преимуществом будут не самые большие модели и не самые длинные промпты, а способность системы автоматически превращать человеческую идею в инженерно точную постановку задачи.

Именно эту идею мы сейчас проверяем на практике в PHP Hyper Platform. Мы не рассматриваем её как окончательно доказанную концепцию — для этого потребуется опыт реальных пользователей и статистика эксплуатации. Однако уже сейчас видно, что снижение неопределённости до обращения к LLM может стать не менее важным фактором эффективности, чем выбор самой модели искусственного интеллекта.