Simpliflow – фреймворк для создания агентных цепочек через последовательные промпты

Исследование представляет simpliflow — инструмент для разработчиков, который позволяет создавать сложные, многошаговые задачи для LLM, разбивая их на последовательность простых шагов. Вместо одного гигантского промпта, создается "конвейер" из нескольких агентов, где каждый выполняет свою маленькую задачу и передает результат следующему.

Ключевой результат: показан структурированный подход к автоматизации сложных задач через декомпозицию на линейную цепь простых, последовательных промптов.

Суть метода simpliflow для обычного пользователя заключается в идее "сборочного конвейера" для решения сложных задач. Вместо того чтобы пытаться написать один идеальный и всеобъемлющий промпт, вы разбиваете большую задачу на несколько маленьких, последовательных этапов.

Представьте, что вам нужно не просто "написать статью", а создать качественный материал. Вместо одного запроса "Напиши статью про пользу медитации", вы создаете цепочку "виртуальных специалистов" (агентов):

1. Агент 1: "Стратег". Его задача — определить цель статьи, целевую аудиторию и ключевые тезисы.
2. Агент 2: "Копирайтер". Он берет тезисы от "Стратега" и пишет на их основе черновик текста.
3. Агент 3: "Редактор". Он получает черновик от "Копирайтера", вычитывает его, исправляет ошибки, улучшает стиль и добавляет заголовки.
4. Агент 4: "SMM-специалист". Он берет финальный текст от "Редактора" и пишет на его основе короткий анонс для социальных сетей с призывом к действию.

В исследовании этот процесс автоматизируется с помощью кода и JSON-файлов. Но для обычного пользователя главная ценность — в самом этом подходе к мышлению. Вы можете вручную "провести" LLM по этому конвейеру прямо в чате, последовательно копируя результат одного шага и вставляя его в промпт для следующего. Это дает гораздо больший контроль и более высокое качество итогового продукта, чем попытка получить все и сразу.

• Прямая применимость: Нулевая. Инструмент требует навыков программирования на Python и умения работать с конфигурационными файлами. Обычный пользователь не сможет установить и запустить simpliflow.

• Концептуальная ценность: Очень высокая. Исследование дает пользователю мощную ментальную модель для решения комплексных задач:

  • Декомпозиция: Любую большую задачу можно и нужно разбивать на подзадачи.
  • Ролевое моделирование: Каждой подзадаче соответствует своя роль (агент) с четко определенной функцией.
  • Последовательная обработка: Результат работы одного агента служит "сырьем" для следующего, что обеспечивает преемственность контекста и логики.
  • Детерминизм и контроль: Разбиение на шаги делает процесс более предсказуемым и управляемым. Легче найти и исправить ошибку на конкретном этапе, чем в огромном монолитном ответе.

• Потенциал для адаптации: Высокий. Пользователь может легко адаптировать эту методологию для ручного использования в любом чат-боте. Механизм адаптации прост:

  1. Определить этапы решения своей сложной задачи.
  2. Сформулировать промпт для первого этапа, задав модели нужную роль.
  3. Получить ответ.
  4. Скопировать этот ответ.
  5. Создать новый промпт для второго этапа, вставив в него результат первого как контекст и назначив модели новую роль.
  6. Повторять до получения финального результата.

Представим, что вам нужно разработать контент-план для блога о здоровом питании. Вместо промпта "Сделай контент-план", мы эмулируем simpliflow вручную.

Ты — система оркестрации AI-агентов. Твоя задача — последовательно выполнить шаги, описанные в XML-структуре ``.

Результат работы предыдущего агента становится входными данными для следующего. Выполняй шаги СТРОГО последовательно и для каждого агента выводи его результат под отдельным заголовком.


    
        Маркетолог-аналитик, специализирующийся на ЗОЖ.
        Определи 3 ключевых сегмента целевой аудитории для блога о здоровом питании. Для каждого сегмента опиши их основные цели, проблемы и интересы. Формат: маркированный список.
    

    
        Креативный контент-стратег.
        На основе анализа аудитории от предыдущего агента, предложи по 3 темы для статей для КАЖДОГО сегмента аудитории (всего 9 тем). Темы должны напрямую отвечать на их боли и интересы.
    

    
        Опытный главный редактор.
        Возьми 9 тем от предыдущего агента и преврати их в структурированный контент-план на месяц. Для каждой темы укажи: 1) Финальное название статьи, 2) Краткий тезисный план (3-4 пункта), 3) Формат (статья, инфографика, рецепт).
    


Приступай к выполнению.

Этот промпт работает, потому что он заставляет LLM имитировать методологию, описанную в исследовании, используя понятные для нее инструкции:

1. Явная роль системы: Промпт начинается с назначения мета-роли: "Ты — система оркестрации AI-агентов". Это настраивает модель на выполнение сложного, структурированного процесса.
2. Декомпозиция задачи: Вместо одной общей цели, задача разбита на три четких, последовательных шага (<agent>). Модели легче справиться с тремя маленькими задачами, чем с одной большой и размытой.
3. Специфические роли для каждого шага: Каждому агенту присвоена узкоспециализированная роль (<role>). "Маркетолог-аналитик" даст более качественный анализ аудитории, чем просто "чат-бот".
4. Передача контекста: Инструкция "Результат работы предыдущего агента становится входными данными для следующего" явно указывает модели на необходимость сохранять и использовать контекст между шагами, имитируя "конвейер".
5. Структурирование и контроль: Использование XML-тегов и требование выводить результат каждого агента под отдельным заголовком делает процесс прозрачным и управляемым, а результат — предсказуемым и хорошо организованным.

Задача: спланировать короткое путешествие на выходные.

Ты — продвинутый ассистент по планированию путешествий, работающий по принципу последовательного выполнения задач.

Я задам тебе workflow в виде XML-структуры. Ты должен выполнить задачи каждого "агента" по очереди, используя результат предыдущего шага как основу для следующего.


    
        Гид-энтузиаст, знающий все о небанальных местах.
        Мои интересы: история, современное искусство, вкусный кофе. Предложи 3 разных концепции для 3-дневной поездки в Санкт-Петербург, каждая с акцентом на одну из моих страстей. Например: "Историческое погружение", "Арт-марафон", "Кофейный тур". Кратко опиши каждую концепцию.
    

    
        Скрупулезный планировщик маршрутов.
        Я выбираю концепцию "Арт-марафон". На основе этой концепции и информации от предыдущего агента, составь подробный пошаговый маршрут на 3 дня. Включи в него музеи, галереи, стрит-арт объекты и 2-3 кофейни по пути. Распиши по дням: утро, день, вечер.
    

    
        Практичный финансовый консультант по путешествиям.
        Возьми готовый маршрут от предыдущего агента и рассчитай примерный бюджет поездки на одного человека. Учти стоимость входных билетов в указанные места, средний чек в кофейнях и примерные расходы на городской транспорт. Представь результат в виде таблицы.
    


Начинай выполнение workflow.

Этот пример работает по тем же фундаментальным причинам, что и предыдущий, демонстрируя универсальность подхода simpliflow:

1. Разбиение сложного на простое: Задача "спланировать поездку" — огромна и неопределенна. Промпт разбивает ее на три управляемых этапа: выбор концепции, построение маршрута, расчет бюджета.
2. Контекстная специализация: Каждый агент получает свою роль. "Гид-энтузиаст" генерирует креативные идеи, "Скрупулезный планировщик" занимается логистикой, а "Бюджетный аналитик" — цифрами. Это позволяет LLM на каждом шаге активировать наиболее релевантные знания и навыки.
3. Управляемый выбор (Human-in-the-Loop): В промпте есть фраза "Я выбираю концепцию 'Арт-марафон'". Это имитирует функцию require_human_approval из исследования. Пользователь может сначала запустить только первого агента, сделать выбор, а затем запустить остальных с уже уточненными данными. Это дает человеку контроль над процессом в ключевых точках.
4. Накопление ценности: Каждый следующий агент не просто выполняет свою задачу, а добавляет ценность к уже проделанной работе. В итоге получается не просто набор фактов, а комплексный, взаимосвязанный и готовый к использованию продукт — полноценный план поездки.

• A. Релевантность техникам промтинга: Низкая. Исследование не предлагает новых формулировок или паттернов для написания промптов. Оно описывает фреймворк для оркестрации агентов, где промпты являются лишь частью конфигурации.
• B. Улучшение качества диалоговых ответов: Косвенное. Применение методологии (разбиение задачи на шаги) может кардинально улучшить качество итогового результата, но само исследование не фокусируется на диалоге.
• C. Прямая практическая применимость: Очень низкая. simpliflow — это Python-фреймворк для разработчиков. Обычный пользователь не может его использовать без навыков программирования, установки пакетов и работы с JSON-файлами.
• D. Концептуальная ценность: Высокая. Исследование блестяще иллюстрирует мощную концепцию декомпозиции задач и агентных рабочих процессов (workflows). Оно учит пользователя мыслить не одним промптом, а "конвейером" из нескольких промптов, где каждый выполняет свою узкую роль.
• E. Новая полезная практика (кластер): Работа попадает в кластеры №1 (Техники формулирования промптов) и №6 (Контекст и память), но на концептуальном уровне. Она предлагает не конкретные фразы, а мета-технику — построение цепочек агентов (Chain of Agents), что является продвинутой формой декомпозиции задач.
• Чек-лист практичности (+15 баллов): Да, исследование показывает, как структурировать сложные запросы, разбивая их на последовательность более простых. Это дает +15 баллов к базовой оценке.

Аргументы за оценку 65: Оценка отражает высокий концептуальный потенциал при почти нулевой прямой применимости для не-разработчика. Исследование дает мощную ментальную модель "сборочного конвейера" для решения сложных задач. Пользователь, понявший эту идею, может вручную воспроизвести такой "workflow" в обычном чате, последовательно давая модели разные роли и задачи, что кардинально повысит качество результата. Это не готовый инструмент, а скорее "чертеж" для продвинутого мышления в промптинге.

Контраргументы (почему оценка могла быть выше или ниже): * Почему могла быть выше (>70): Если бы в статье был хотя бы один пример, показывающий, как эту логику можно эмулировать в обычном чате без кода, ценность для пользователя резко бы возросла. Концепция агентных цепочек — одна из ключевых в современном промпт-инжиниринге, и данная работа ее отлично формализует. * Почему могла быть ниже (<50): Статья на 100% ориентирована на разработчиков. "Python", "JSON", "pip install", "framework" — это стоп-слова для обычного пользователя. Без адаптации и "перевода" на язык промптов, статья бесполезна для широкой аудитории. Ценность извлекается только через интерпретацию эксперта.