Unimatch agents: генерация презентаций из текста, материалы и поиск

Разделить задачу на planning, structured slide spec, asset/table generation, render, validation и edit loop.

Нельзя сразу просить LLM "сделай pptx" и надеяться на качество. Лучше разбить pipeline. Сначала planner извлекает цель, аудиторию, структуру и ограничения. Затем LLM генерирует typed slide spec: title, bullets, charts, tables, image prompts, speaker notes. Этот spec валидируется схемой.

Дальше отдельные tools делают assets: таблицы из данных, charts, изображения, layout/render в PPTX/PDF. После render нужен checker: нет ли пустых слайдов, переполненного текста, битых картинок, несогласованных чисел. Пользователь должен иметь edit loop: поменять стиль, убрать слайд, перегенерировать chart.

В production важны версии шаблонов, reproducibility, хранение artifacts и ограничения по приватным данным.

Хранить immutable versions: input, prompt/model/tool versions, structured spec, rendered artifact, diff и user edits.

У LLM-артефакта важно хранить не только финальный файл. Минимальный version record: user request, normalized structured spec, model/prompt/tool versions, generated assets, rendered output, validation status и user edits. Каждая новая генерация или ручная правка создает новую версию.

Откат становится простым: показываем список версий и восстанавливаем structured spec или rendered file. Diff лучше считать на уровне structured spec, а не бинарного PPTX. Для collaborative editing нужны ownership, timestamps и conflict handling.

Такой подход также помогает debugging: можно понять, какой prompt/model сломал качество и воспроизвести генерацию.

Full-text хорош для точных терминов и фильтров; vector search - для семантической близости; hybrid объединяет lexical precision и semantic recall.

Full-text поиск вроде BM25 хорошо работает, когда запрос содержит важные ключевые слова, имена, коды, названия полей. Он прозрачен, быстрый и удобно комбинируется с фильтрами.

Vector search нужен, когда пользователь формулирует смысл другими словами или ищет похожие документы без точного совпадения терминов. Но embeddings могут ошибаться на числах, редких именах и точных constraints.

Поэтому часто используют hybrid: retrieve кандидатов BM25 и vector search, затем merge/rerank. В RAG это повышает recall, а reranker или business rules помогают вернуть точный порядок.

Нужны API/orchestrator, job queue, tool execution layer, cache, artifact storage, streaming updates, auth и observability.

LLM-задачи часто долгие и stateful, поэтому backend должен быть не только HTTP wrapper над model API. Обычно есть API gateway, orchestrator, очередь задач, workers для tool execution, storage для intermediate artifacts и канал обновлений статуса через streaming/websocket/polling.

Cache нужен на нескольких уровнях: retrieval results, expensive tool outputs, rendered artifacts, иногда model responses для deterministic prompts. Но cache должен учитывать user permissions, version prompts/models и invalidation.

Для production важны timeouts, idempotency, retries, cancellation, rate limits, tracing, cost accounting и audit log. Если агент вызывает внешние системы, tool layer должен валидировать аргументы и права доступа.