Август '26. Harness для e-commerce: как устроен Shopping Assistant

Современная большая языковая модель — LLM — способна начать решать практически любую покупательскую задачу. Она поймёт просьбу подобрать корм для питомца, сравнит две модели техники, предложит ингредиенты для ужина и задаст уточняющий вопрос о бюджете.

Для демо этого уже достаточно. В реальном интернет-магазине появляется следующий уровень задач.

Модель должна узнать актуальный ассортимент, найти товары в наличии, учесть бизнес-правила и историю пользователя, получить контекст открытой страницы, вернуть карточки в интерфейс, передать события в аналитику и сделать всё это за приемлемое время. При этом ответ должен сохранять качество на тысячах разных запросов, после обновления каталога, промпта или самой модели.

Если поручить весь процесс универсальному AI-агенту, он тоже доберётся до результата. Но для каждого сообщения ему придётся заново разбираться в контексте, выбирать инструменты, последовательно искать данные и проверять собственный ответ. Такой путь получается долгим, дорогим и сложным для управления.

Поэтому вокруг AI-моделей Shopping Assistant мы построили Harness — среду исполнения, которая готовит контекст, планирует запрос, подключает данные и инструменты, контролирует результат и связывает ассистента с возможностями Gravity Field.

Что входит в Harness

Один запрос проходит через несколько специализированных слоёв:

Каждый слой появился из конкретной задачи, с которой ассистент сталкивается в реальном интернет-магазине.

Проблема 1. Универсальный агент тратит время на подготовительную работу

LLM умеет самостоятельно рассуждать, обращаться к внешним системам и двигаться к ответу шаг за шагом. Без дополнительной подготовки она сначала определяет тип задачи, затем читает историю, строит поисковый запрос, обращается к каталогу, оценивает результаты и при необходимости запускает новый поиск.

Для сложной задачи такая гибкость полезна. Для типовых покупательских сценариев часть пути можно подготовить заранее.

Решение: маршрутизация и подготовка данных до запуска агента

Перед запуском основной модели Harness определяет класс покупательской задачи: подбор, сравнение, уточнение предыдущей выдачи, поиск совместимого товара, консультацию или комплексную покупку. Для каждого сценария платформа готовит подходящие инструкции, поисковый контекст и доступные действия.

Одновременно Harness заранее запрашивает наиболее вероятные данные: товары, характеристики и релевантные материалы из базы знаний. Модель начинает работу с компактным планом и подготовленным контекстом, сохраняя возможность обратиться к дополнительным источникам для сложного случая.

Так типовые задачи проходят по короткому маршруту. Количество последовательных операций сокращается, время ответа становится предсказуемее, а вычислительные ресурсы расходуются на решение покупательской задачи.

Проблема 2. LLM не знает текущий ассортимент магазина

Знания модели формируются во время обучения. Каталог интернет-магазина меняется постоянно: обновляются цены, наличие, названия, изображения, характеристики и товарные позиции. Даже убедительный ответ теряет ценность, если в нём фигурирует отсутствующий товар или устаревшая цена.

Передавать большой каталог целиком в промпт тоже неэффективно: ассортимент может включать сотни тысяч товаров и миллионы атрибутов.

Решение: поиск по каталогу и grounding

Shopping Assistant подключается к каталогу через интеграционный слой. Источником может быть поисковый индекс Gravity Field или программный интерфейс — API — ритейлера. По подготовленному запросу система получает релевантные товары вместе с актуальными данными:

• идентификатор и название;
• цену и доступность;
• изображение и ссылку на карточку товара;
• бренд, категорию и характеристики;
• дополнительные атрибуты для фильтрации и сравнения;
• данные для учёта показов и кликов.

Модель выбирает товары только среди полученных кандидатов, а товарные карточки собираются напрямую из каталога. Этот процесс называется grounding — привязка ответа модели к проверенным данным: текст, выбранные товары и интерфейсная выдача опираются на один актуальный источник.

Для консультационных вопросов работает RAG — Retrieval-Augmented Generation, то есть генерация ответа с поиском по источникам. Harness ищет фрагменты в инструкциях, справочных материалах, правилах сервиса и документах категории. Система сохраняет связь ответа с использованными источниками, чтобы качество можно было проверять и улучшать.

Поиск можно настраивать по типу источника: использовать поиск по словам или комбинировать его с поиском по смыслу, управлять глубиной выдачи и отдельно обрабатывать справочные и регуляторные материалы.

Проблема 3. Магазин должен управлять поиском и порядком товаров

Релевантность в онлайн-торговле определяется не только близостью запроса к описанию товара. На выдачу влияют наличие, категория, персональные сигналы, правила мерчандайзинга и стратегия самого магазина.

Если ассистент использует отдельную логику поиска, покупатель может увидеть один порядок товаров в диалоге и другой — на сайте или в приложении. Бизнес-команда при этом теряет привычные инструменты управления выдачей.

Решение: подключаемый слой поиска и ранжирования

Harness разделяет понимание диалога и товарное ранжирование. Реплика пользователя превращается в поисковую задачу с запросом, фильтрами, категорией и контекстом. Дальше специализированный движок возвращает упорядоченный набор товаров, с которым работает агент.

Для этого предусмотрены два контура.

Gravity Search и рекомендательные алгоритмы Gravity Field работают из коробки. Gravity Search объединяет точный и смысловой поиск, фильтры, сортировки и правила поискового мерчандайзинга. Рекомендательные стратегии добавляют персональные сигналы и бизнес-правила. Выдачу можно проверять в A/B-тестах и связывать с показами, кликами и покупками.

BYOA — Bring Your Own Algorithm, то есть подключение собственного алгоритма, позволяет использовать поиск или ранжирование клиента. Harness передаёт в API согласованный запрос и получает готовый порядок товаров. Поэтому ассистент может использовать ту же логику выдачи, которая уже работает на сайте или в мобильном приложении: общие модели, признаки, правила и приоритеты. Gravity Field продолжает отвечать за запуск сценария, аналитику и эксперименты. Подробнее о BYOA.

Оба варианта используют единый интерфейс Harness. Можно начать со встроенного движка Gravity Field, подключить существующий контур клиента или сравнить стратегии на реальном трафике без изменения диалогового слоя и SDK.

Проблема 4. У каждой категории собственная логика выбора

Покупательская задача меняется вместе с категорией.

В продуктовом ритейле запрос «собери продукты для домашней пиццы» означает несколько товарных полок: основа, соус, сыр и начинка. В мебели важны размеры, материалы и визуальные признаки. В товарах для животных появляются требования к доказательности и безопасности. В электронике — совместимость, характеристики и аксессуары.

Один универсальный промпт быстро превращается в длинный набор пересекающихся правил.

Решение: профили ритейлеров и доменные сценарии

Для каждого ритейлера Harness учитывает доступные возможности, правила работы с каталогом, допустимые действия и требования к ответам. Поверх общей архитектуры подключаются доменные сценарии, которые описывают логику выбора в конкретной категории.

Например, сценарий комплексной покупки помогает собирать несколько связанных товарных групп. Сценарий для мебели учитывает размеры, материалы и визуальные признаки. Для товаров с повышенными требованиями к безопасности задаются более строгие правила работы с источниками и условия перехода к специалисту.

Модель получает только те инструкции и возможности, которые относятся к текущей задаче. Так единое AI-ядро адаптируется к разным ритейлерам и категориям без одного огромного промпта со всеми возможными правилами.

Проблема 5. Значительная часть запроса находится за пределами сообщения

Пользователь пишет «а этот подойдёт?» или «покажи похожий, но дешевле». Смысл такой фразы хранится в предыдущем диалоге, открытой странице и истории взаимодействия с ассортиментом.

У другого пользователя на той же странице может быть другая задача. Один уже сравнил пять моделей и готов выбрать, второй только начинает знакомство с категорией.

Решение: память диалога и персонализация Gravity Field

Shopping Assistant использует два уровня памяти.

История разговора хранит последние реплики и товарные подборки. Компактная рабочая память сохраняет смысл текущей задачи: выбранную категорию, требования покупателя, активные фильтры и товары, которые уже обсуждались. Harness обновляет это состояние после каждого ответа и передаёт модели только значимый контекст.

К памяти диалога добавляется слой данных Gravity Field. Стабильный идентификатор связывает ассистента с профилем посетителя, а события просмотров, кликов, добавлений в корзину и покупок формируют поведенческий контекст.

Во время запроса платформа учитывает контекст текущего посещения:

• текущую страницу и её тип;
• категорию или открытый товар;
• устройство и клиентский канал;
• историю интереса к ассортименту;
• активную аудиторию и условия кампании;
• контекст текущей сессии.

Эти сигналы меняют весь пользовательский сценарий. На странице смартфона ассистент предлагает сравнение, объяснение характеристик и совместимые аксессуары. В категории он начинает с уточняющих вопросов о сценарии использования и бюджете. Для посетителя, который уже изучал несколько моделей, быстрые варианты ответа продолжают сформировавшуюся задачу выбора.

Аудитории, таргетинг и ограничение частоты показов Gravity Field управляют точкой входа и моментом запуска: разные сценарии можно показывать новым и возвращающимся посетителям, отдельным категориям, источникам трафика и поведенческим сегментам.

Проблема 6. Покупательские задачи выходят за рамки одного списка товаров

Пользователь может прислать фотографию, попросить собрать комплект, перейти от общей идеи к точным параметрам или последовательно уточнять несколько частей покупки.

Решение: работа с изображениями и специализированные сценарии покупки

Shopping Assistant принимает текст и изображения. Например, покупатель фотографирует кресло и просит подобрать модель похожего стиля в другом цвете.

Изображение безопасно подготавливается к анализу, а визуальные признаки становятся частью поисковой задачи. Правила конкретной категории определяют, какие свойства важны для подбора: например, форма и материал мебели, тип одежды или особенности упаковки товара.

Для комплексной покупки работает отдельный сценарий. По запросу «собери продукты для домашней пиццы на четверых» Harness строит несколько поисковых групп, а агент формирует отдельные товарные полки.

Следующая фраза «сыр возьми подешевле» обновляет только нужную часть подбора и сохраняет остальные позиции.

Проблема 7. Свободный текст нужно превратить в продуктовый интерфейс

Интернет-магазину нужны товарные карточки, быстрые ответы, кнопки действий, состояния загрузки и события аналитики. Свободный текст модели должен превратиться в предсказуемый контракт для сайта и мобильного приложения.

Решение: структурированный ответ и готовый интерфейсный слой

Ответ агента проходит проверку структуры и превращается в предсказуемый контракт для интерфейса. Он может содержать текст консультации, одну или несколько товарных полок, кнопки действий и быстрые варианты продолжения диалога.

Благодаря этому клиентский канал получает готовые элементы интерфейса, а не пытается извлечь товары и действия из свободного текста модели.

На сайте Shopping Assistant запускается через Web-интеграцию Gravity Field и JS SDK — готовый набор компонентов для подключения. Платформа доставляет точку входа, диалог, товарные карточки, быстрые ответы, действия, состояния загрузки и обработку событий.

Интерфейс и пользовательский сценарий развиваются на основе реальных клиентских запусков. Команда получает проверенные механики диалога и товарного выбора, а затем адаптирует оформление, тексты и размещение под собственный бренд.

В приложении тот же подход поддерживают Gravity Field SDK для iOS, Android и Flutter. Единая модель событий помогает сохранять логику ассистента между сайтом и мобильным приложением.

Для собственного интерфейса доступна API-интеграция. Клиентский канал получает структурированный ответ и самостоятельно отображает сообщения, товарные полки и действия.

Проблема 8. Архитектура не должна зависеть от одного поставщика моделей

У разных моделей отличаются качество рассуждений, скорость, цена, поддержка изображений и доступность в конкретной инфраструктуре. Разные классы задач также могут требовать разных моделей: использовать одну конфигурацию для всех операций не всегда эффективно.

На больших объёмах диалогов к этому добавляется стоимость запуска моделей. Даже небольшая разница в стоимости запроса становится значимой, а команде может потребоваться собственная модель или уже развёрнутая вычислительная инфраструктура.

Решение: единый LLM Gateway

В Harness работа с моделями проходит через унифицированный LLM Gateway. Он даёт общую точку подключения для российских и зарубежных моделей и отделяет агентную логику от API конкретного провайдера.

LLM Gateway позволяет направлять разные классы задач в наиболее подходящие модели. Например, быстрая модель может классифицировать запрос, более сильная — решать сложную покупательскую задачу, а специализированная — обрабатывать изображение или оценивать качество ответа. При смене модели сохраняются общий сценарий работы, доступные инструменты, формат результата и интеграция с клиентским каналом.

Шлюз также приводит к единому виду эксплуатационные показатели: время ответа, использование токенов и стоимость. Это позволяет сравнивать конфигурации на общих сценариях и выбирать баланс качества, скорости и затрат.

В стандартной конфигурации запуск моделей управляется Gravity Field. Для проектов с очень большим объёмом диалогов Harness может работать с вычислительным контуром клиента — например, с моделью, развёрнутой в его инфраструктуре. Это отдельный сценарий глубокой интеграции: команды согласуют интерфейс, требования к производительности и качеству, после чего модель подключается через тот же LLM Gateway.

Проблема 9. Убедительный ответ ещё нужно сделать управляемым

Генеративная модель может выбрать неподходящий товар, нарушить формат, использовать лишний исторический контекст или сформулировать слишком уверенное утверждение в чувствительной категории.

Решение: многоуровневый контроль ответа

Контроль распределён по всему пути запроса:

• модель получает только разрешённый контекст и доступные для сценария действия;
• доменные правила учитывают специфику категории и требования к источникам;
• лимиты ограничивают продолжительность и сложность выполнения задачи;
• grounding связывает выбранные товары с актуальными данными каталога;
• проверка структуры гарантирует, что интерфейс получит корректный ответ;
• правила безопасности ограничивают чувствительные утверждения и при необходимости переводят диалог к специалисту.

Так качество ответа зависит не от одной инструкции модели, а от нескольких независимых уровней контроля.

Проблема 10. Качество AI-системы меняется вместе с её компонентами

Новая модель может улучшить стиль ответа и одновременно изменить выбор товаров. Обновление поиска влияет на полноту найденной информации. Изменение инструкций может поменять время ответа, а обновление каталога — затронуть сценарии, которые уже работали стабильно.

Решение: наблюдаемость и автоматическая оценка качества

Harness измеряет время выполнения отдельных этапов и всего запроса, использование токенов, обращения к внешним системам, число найденных и выбранных товаров, ошибки и стоимость ответа. Для RAG дополнительно контролируются качество поиска и источники, на которые опиралась модель.

Для регулярной оценки используются датасеты покупательских сценариев. Автоматические проверки измеряют релевантность товаров, полноту комплексной покупки, согласованность текста и карточек, корректность структуры, безопасность и качество ответа в конкретной категории.

Часть показателей рассчитывается по формальным правилам, часть — с помощью AI-оценки, когда одна модель проверяет ответ другой. Регрессионные тесты позволяют сравнивать модели, инструкции, поиск и каталожные правила на общей выборке до запуска на реальном трафике.

Проблема 11. Техническое качество нужно связать с поведением покупателей

Хорошая оценка на тестовой выборке показывает, что система корректно решает подготовленные сценарии. Для интернет-магазина остаётся главный вопрос: помогает ли ассистент пользователю выбирать и покупать.

Решение: аналитический контур Gravity Field

Shopping Assistant подключён к экспериментам и продуктовой аналитике Gravity Field. Команда может проводить A/B-тесты и сравнивать:

• запуск ассистента с контрольной группой;
• точки входа и варианты интерфейса;
• приветствия и быстрые варианты ответа;
• версии сценария, инструкций или модели;
• поиск и стратегии товарной выдачи;
• персонализированные сценарии для разных аудиторий.

Gravity Field связывает показы и клики с конкретной товарной подборкой. События Shopping Assistant фиксируют открытие диалога, отправку сообщения, получение ответа, появление товарной выдачи и технические сбои. Стандартные события платформы продолжают воронку через просмотр карточки, добавление в корзину и покупку.

Команда видит связь между AI-ответом и показами товаров, кликабельностью, переходами в карточки, добавлениями в корзину, конверсией, заказами и выручкой.

К поведенческим данным добавляется обратная связь о качестве. Покупатель ставит конкретному ответу положительную или отрицательную оценку, а команда добавляет экспертную оценку и комментарий. Сигналы собираются в аналитике обратной связи и формируют очередь диалогов для разбора.

В обзоре диалогов видны использование ассистента, возвращаемость, нагрузка и точки входа. Вместе с A/B-тестами, отслеживанием товарной выдачи и автоматической оценкой качества эти данные замыкают цикл улучшения:

1. Найти сценарий с потенциалом роста.
2. Разобрать путь запроса и использованные источники.
3. Определить слой для изменения.
4. Запустить оценку на тестовой выборке и регрессионные тесты.
5. Выпустить новую версию на реальный трафик.
6. Сравнить обратную связь, продуктовые события и бизнес-метрики.

Как все слои работают вместе

Представим посетителя, который несколько дней изучал смартфоны, а сейчас открыл карточку конкретной модели и написал: «Хочу примерно такой же, но с камерой получше и до 80 тысяч».

Gravity Field передаёт профиль пользователя, историю интереса и контекст текущей карточки товара. Память диалога добавляет ранее обсуждавшиеся требования. Harness распознаёт уточнение предыдущего запроса и формирует новую поисковую задачу. Подключённый поисковый контур — Gravity Search или алгоритм клиента через BYOA — ранжирует подходящие модели. Агент сравнивает характеристики и выбирает товары, а LLM Gateway направляет AI-задачи в подходящие модели.

Grounding связывает выбор с карточками из каталога. Структурированный ответ возвращает объяснение, товарную полку и быстрые варианты продолжения диалога. SDK отображает готовый интерфейс и отправляет события аналитики. Реакция пользователя, переходы в карточки товаров и покупка попадают в аналитику, а вариант сценария участвует в A/B-тесте.

Для пользователя это один естественный диалог. Для Harness — управляемая цепочка подготовки контекста, поиска, работы модели, проверки результата, доставки интерфейса и измерения эффекта.

От возможностей модели к работающему продукту

Сильная LLM даёт Shopping Assistant способность понимать язык, рассуждать и решать широкий класс задач. Harness добавляет скорость, актуальные данные, управляемый поиск и ранжирование, доменную специализацию, персональный контекст, единый доступ к моделям, готовый интерфейс и контроль качества.

Gravity Field продолжает эту цепочку до реального покупательского опыта: запускает ассистента через SDK для сайта и мобильных приложений, персонализирует интерфейс, проводит A/B-тесты и связывает товарную выдачу с поведением и бизнес-метриками.

Подключение и формат взаимодействия описаны в документации Shopping Assistant, а попробовать продукт можно на shopping.gravityfield.ai.