Главный прорыв Notion в области искусственного интеллекта случился не благодаря усложнению, а вопреки ему — через радикальное упрощение.
Первоначально команда Notion AI, экспериментируя с большими языковыми моделями (LLM) и агентным ИИ, пошла по классическому для разработчиков пути: использовала продвинутую генерацию кода, сложные схемы и многослойные инструкции.
Однако практика быстро показала, что от всего этого громоздкого моделирования данных можно и нужно отказаться. Руководитель инженерной группы по ИИ Райан Нистром и его коллеги совершили поворот в сторону простых запросов, понятных человеку представлений, минимальной абстракции и привычных форматов вроде markdown. Результат не заставил себя ждать: производительность моделей заметно возросла.
Внедрив этот пересмотренный подход, компания выпустила в сентябре третью версию своего продуктивного ПО. Её визитная карточка — настраиваемые ИИ-агенты, которые мгновенно стали самым востребованным ИИ-инструментом Notion на сегодняшний день. Сравнивая паттерны использования с прошлыми версиями, Нистром говорит о «скачкообразном улучшении».
«Это ощущение, когда продукт словно сам рвётся из твоих рук, а не ты пытаешься его протолкнуть, — объяснил Нистром в подкасте VB Beyond the Pilot. — Уже тогда, в самом начале, мы поняли: у нас получилось нечто особенное. Сейчас же невозможно представить, как пользоваться Notion без этой функции».
«Перепрошивка» под эпоху ИИ-агентов
Будучи традиционным инженером-программистом, Нистром привык к «крайне детерминированному» опыту. Однако озарение настигло его, когда коллега посоветовал просто описывать задачу для ИИ так, как он сделал бы это для человека, вместо того чтобы прописывать правила поведения агентов для каждого сценария. Логика проста: LLM созданы для того, чтобы понимать, «видеть» и анализировать контент почти как люди.
Проверь свои знания в наших бесплатных тестах по ИИ! Пройди тест и узнай, насколько хорошо ты разбираешься в технологиях искусственного интеллекта!
«Теперь, работая с ИИ, я перечитываю промпты и описания инструментов и спрашиваю себя: смог бы я дать это человеку без контекста, и он бы понял, что от него требуется? — сказал Нистром. — Если нет, то и модель справится плохо».
Отказавшись от «довольно сложного представления» данных внутри Notion (вроде JSON или XML), команда стала переводить страницы в markdown — популярный универсальный язык разметки, который определяет структуру и смысл с помощью простого текста. Это позволило модели легко взаимодействовать с текстовыми файлами: читать, искать и вносить изменения.
В итоге это потребовало от Notion фактически «перепрошить» свои системы, сосредоточившись на переходном промежуточном слое.
Кроме того, команда рано осознала важность сдержанности в предоставлении контекста. Велик соблазн загрузить в модель как можно больше информации, но это замедляет работу и сбивает ИИ с толку. Для Notion оптимальным «золотым сечением» стал лимит в 100 000–150 000 токенов.
«Бывают случаи, когда можно загрузить огромные объёмы контента в контекстное окно, и модель начнёт барахлить, — отметил Нистром. — Чем больше вы добавляете, тем заметнее снижение производительности, скорости и точности».
Спартанский подход критически важен и для инструментария: он помогает избежать «скользкого склона» бесконечного добавления функций. Notion делает ставку не на объёмное, как меню ресторана, а на тщательно отобранный набор инструментов, чтобы не ставить пользователя перед мучительным выбором.
«Когда люди просят новые функции, мы могли бы просто добавить ещё один инструмент для модели или агента, — говорит он. — Но чем больше инструментов мы добавляем, тем больше решений приходится принимать модели».
Главный вывод: направляйте модель, а не командуйте ей. Используйте API по их прямому назначению. Не пытайтесь быть изощрёнными и не усложняйте сверх меры. Говорите на простом языке.
