AI workflow з власною адмінкою: практичний приклад

2026-11-15

Більшість AI-функцій ламаються однаково. Демо виглядає чудово, промпт лежить десь у коді, а за місяць ніхто не може пояснити, чому модель у 3% випадків пише нісенітниці, скільки це коштує на день і хто взагалі має право змінювати її поведінку. Проблема рідко в самій моделі. Проблема в тому, що бізнес не має чим нею керувати.

У цій статті розбираю один конкретний AI workflow і адмінку, побудовану навколо нього. Приклад: інтернет-магазин отримує від постачальників тисячі товарів, і йому потрібні охайні картки. Та сама схема підходить для обробки заявок, документів, звернень у підтримку чи модерації контенту. Саме такі системи я проєктую й розробляю для клієнтів, від першого промпту до роботи в продакшені.

Задача

Магазин продає взуття й одяг від десятка постачальників. Щотижня приходять прайси з рядками на кшталт «Крос. чол. NB 574 сір. р.42, верх: текстиль/шкіра нат.». У каталозі 5 000 товарів, і кожному потрібні нормальна назва, категорія з дерева магазину, характеристики для фільтрів (колір, розмір, матеріал, підошва) та опис українською й англійською. Вручну це тижні роботи копірайтера й вічне відставання. Якщо просто «закинути в ChatGPT», виходить швидко, але результату ніхто не довіряє.

Мета не в тому, щоб прибрати людей. Мета в тому, щоб модель робила 80-90% рутини, кожен сумнівний випадок одразу потрапляв до редактора, а власник бачив зрозумілі цифри: якість, швидкість і вартість.

Як працює процес, крок за кроком

ІмпортАтрибути · LLMОпис · LLMАвтоперевіркиПублікаціяЧерга перевіркипройшлиє сумнівисхваленоперегенерувати з коментаремверсії промптівправки стають прикладамиАдмінка: промпти й версії · тестовий набір · журнал запусків · витрати й бюджет · ролі
Схема процесу: модель працює невеликими кроками, автоматичні перевірки вирішують, що публікувати одразу, а що віддати людині, а адмінка керує промптами, журналом і витратами на кожному кроці.

1. Імпорт і черга задач. Файли постачальників розбираються на рядки, і кожен рядок стає задачею в черзі зі статусом: нова, в обробці, чекає перевірки, опублікована, відхилена. Повторна обробка нічого не ламає: якщо той самий файл завантажили двічі або воркер упав посередині, нічого не задублюється й не загубиться. Це нудна інфраструктура, і саме її пропускають у демо.

2. Витяг характеристик. Перший виклик моделі робить одну річ: перетворює рядок постачальника на JSON за суворою схемою. Назва, бренд, категорія, колір, розмір, матеріали. Головне правило в промпті: значення можна брати лише з вхідних даних. Якщо поля немає, модель повертає null і нічого не вигадує. Структурована відповідь плюс перевірка схеми перетворюють модель із креативного автора на уважного оператора даних.

3. Опис. Другий виклик пише текст товару на основі вже перевірених характеристик, а не сирого рядка. Цей поділ важливий: опис не може «придумати» матеріал, якого немає в характеристиках, а стиль тексту можна налаштовувати, не чіпаючи витяг даних.

4. Автоматичні перевірки. Перш ніж щось потрапить у магазин, результат перевіряє код: JSON відповідає схемі, кожне значення характеристики має джерело у вхідних даних, категорія існує в дереві магазину, опис укладається в ліміти довжини й не містить заборонених тверджень, товар не є дублем. Модель також повертає оцінку впевненості. Картки, які пройшли всі перевірки й мають високу впевненість, публікуються автоматично. Усе інше йде до людини.

5. Перевірка людиною. Редактор бачить поруч дані постачальника й результат моделі, проблемне місце підсвічене. Одним кліком можна схвалити, виправити поле, перегенерувати з коментарем або відхилити. Кожна правка зберігається, і саме з цього система починає вчитися.

Що вміє адмінка

Адмінка тут не прикраса над процесом. Це місце, де бізнес керує AI без розробника. У цьому проєкті в ній чотири основні екрани.

Черга перевірки в адмінці: зліва дані постачальника, справа результат моделі, поле «Матеріал верху» підсвічене, бо замші немає у вхідних даних
Черга перевірки (демо-макет). Модель додала «замшу», якої немає в даних постачальника. Автоматична перевірка це помітила, тож картка пішла до редактора, а не на сайт.

Черга перевірки. Редактор переглядає не всі 5 000 карток, а лише ті, що потребують уваги. На кожній видно, чому вона в черзі: низька впевненість, поле без джерела, нова категорія, можливий дубль. Унизу повний технічний слід: які версії промптів і яка модель працювали, скільки токенів пішло і скільки це коштувало. Коли щось іде не так, не треба гадати.

Екран промптів: зліва чернетка промпту зі змінними, справа версії v13, v14 і v15 з результатами на тестовому наборі
Промпти з версіями (демо-макет). Нова версія стає активною лише після прогону на тестовому наборі, і видно, чи вона справді краща за поточну.

Промпти з версіями. Промпти зберігаються в базі, а не в коді. Кожна зміна створює нову версію з автором і датою, повернутися назад можна одним кліком. Нову версію не можна зробити активною, доки її не прогнали на тестовому наборі: це близько сотні товарів із відомими правильними відповідями. Адмінка показує точність характеристик і частку карток, схвалених без правок, порівняно з поточною версією. Так зникає найнебезпечніша звичка в AI-продуктах: виправити один поганий випадок і непомітно зламати десять хороших.

Тестовий набір. Це перелік еталонних товарів, на яких перевіряють систему. Він наповнюється з реальної роботи: коли редактор виправляє складну картку, її можна одним кліком додати в набір. З часом він покриває саме ті випадки, де модель раніше помилялася.

Екран запусків і витрат: графік витрат за днями, частка витрат за кроками, використання бюджету й таблиця окремих викликів моделі
Запуски й витрати (демо-макет). Кожен виклик моделі з токенами, ціною, часом і статусом, а також місячний бюджет з автоматичною зупинкою.

Запуски й витрати. Кожен виклик моделі записується в журнал: що пішло на вхід, що повернулося, скільки токенів, ціна, час відповіді, помилки й повтори. Власник бачить витрати за день, за кроком процесу й на один товар і задає місячний бюджет із жорсткою зупинкою. Якщо постачальник надішле зламаний файл і система почне без кінця повторювати запити, вона зупиниться на ліміті, а не спалить рахунок за ніч. Для глибшого трасування я часто під'єдную Langfuse, про нього є окрема стаття: https://zavada.dev/ua/blog/langfuse-what-it-is-and-how-to-use-it

Налаштування й ролі. Яка модель працює на якому кроці, пороги впевненості для автопублікації, заборонені слова, ліміти довжини. Ролі визначають, хто може редагувати промпти, хто лише перевіряє картки, а хто бачить витрати. Редактор не повинен випадково перевести весь каталог на дорожчу модель.

Як правки людей покращують систему

Human-in-the-loop, тобто участь людини в процесі, це не просто кнопка «схвалити». Уся цінність у тому, що відбувається з правками. У цьому процесі вони повертаються в систему трьома шляхами. По-перше, найкращі виправлення стають прикладами в промпті, і модель бачить, як саме цей магазин хоче подавати товари. По-друге, складні випадки потрапляють у тестовий набір, і наступну версію промпту перевіряють уже на них. По-третє, адмінка рахує частку карток, схвалених без правок. Коли вона зростає з 70% до 85%, власник бачить, що система покращується, і може підняти поріг автопублікації.

Хто що вирішує в цьому процесі
РішенняХто ухвалюєЧому
Витягти характеристики з рядка постачальникаМодельРутина, великий обсяг, легко перевірити
Перевірити схему, джерела, дубліКодЧіткі правила дешевші й надійніші за другу модель
Опублікувати картку з високою впевненістюСистема автоматичноПоріг задають і коригують люди
Виправити сумнівний або новий випадокРедакторКонтекст і відповідальність за те, що бачить покупець
Змінити промпт або модельВласник чи керівникЛише після прогону на тестовому наборі

Скільки коштує робота системи

Ось приблизна оцінка для цього прикладу з моделлю середнього рівня за ціною $2 за мільйон вхідних токенів і $10 за мільйон вихідних. Одна картка товару — це три виклики, загалом близько 4 000 вхідних і 800 вихідних токенів, тобто приблизно $0,01-0,02 за картку. Увесь каталог на 5 000 товарів обійдеться приблизно в $50-100 з урахуванням повторів, а щотижневе оновлення кількох сотень товарів коштуватиме кілька доларів. Модель майже ніколи не є головною статтею витрат. Головне — інженерна робота, яка робить результат надійним: черга, перевірки, процес рецензування й адмінка. Саме вона й окуповується, бо замінює тижні ручної роботи кількома годинами перевірки.

Сприймайте ці цифри як порядок величин, а не як комерційну пропозицію. Ціни моделей змінюються, а кількість токенів залежить від довжини ваших даних і текстів. Сенс екрана витрат саме в тому, що з першого дня ви бачите реальні цифри замість оцінок.

Стек

Типовий набір такий: адмінка на Next.js з ролями й авторизацією; воркер на Node.js або Python, який обробляє чергу; PostgreSQL для товарів, задач, версій промптів і журналу; Redis із BullMQ для черги й повторів; Claude або OpenAI API зі структурованими відповідями; Langfuse для трасування, коли обсяги зростають. Нічого екзотичного. Цінність не в рідкісних інструментах, а в тому, як кроки, перевірки й екрани складаються в одну систему.

Помилки, які я бачу найчастіше

Один величезний промпт, що робить усе. Коли він ламається, неможливо зрозуміти, яка саме частина підвела. Невеликі кроки з власними перевірками легше налагоджувати й дешевше покращувати.

Промпти в коді. Кожна зміна формулювання перетворюється на деплой, а люди, які розуміються на контенті, не можуть нічого змінити самі. Промптам місце в адмінці, з версіями.

Немає тестового набору. Без нього кожна зміна промпту — це вгадування. З ним за десять хвилин видно, чи нова версія краща.

Немає лімітів витрат. Несподіваний цикл чи зламаний файл за одну ніч можуть коштувати більше, ніж місяць звичайної роботи. Бюджет із жорсткою зупинкою — обов'язкова річ, а не побажання.

Перевіряти все або нічого. Якщо люди переглядають кожну картку, AI нічого не заощаджує. Якщо ніхто нічого не перевіряє, помилки доходять до покупців. Правильна відповідь — пороги й черга лише із сумнівних випадків.

Де ще працює цей підхід

Схема «невеликі кроки моделі, автоматичні перевірки, черга для людини, адмінка з промптами й витратами» підходить для багатьох задач: сортування вхідних заявок і чернетки відповідей, витяг даних із рахунків і договорів, модерація контенту користувачів, підготовка відповідей для підтримки, генерація SEO-сторінок із бази даних. Кроки змінюються, а пульт керування лишається тим самим.

Якщо хочете вбудувати AI у реальний бізнес-процес і тримати його під контролем, надішліть короткий опис: що надходить на вхід, що має вийти і хто зараз перевіряє результат. Я відповім планом першої версії, ризиками, які бачу, і приблизною вартістю роботи системи.

Шукаєте розробника надовго?

Можу почати вже зараз і працювати з вами місяцями й роками, а не два тижні. Напишіть мені, обговоримо проєкт, вимоги й наступні кроки.

Запитайте про досвід чи послуги