RhinoInsight: контроль поведения модели и контекста в глубоких исследованиях

LLM проседает на длинных исследовательских задачах. Дай ей собрать информацию в 5-10 циклов поиска – через несколько шагов начинаются противоречия, повторы, галлюцинации. Чем больше контекста, тем хуже качество. Это называется context rot (деградация контекста): модель тонет в неструктурированной куче данных, теряет фокус, забывает что нашла раньше. RhinoInsight позволяет создавать глубокие аналитические отчёты с сохранением качества на протяжении 10-30+ шагов – для задач где нужно собрать информацию из разных источников, проверить достоверность, структурировать в связный документ с цитатами. Фишка: контроль не в параметрах модели, а в структуре workflow. Два механизма работают только через промпты: Verifiable Checklist превращает размытый запрос в конкретные проверяемые подцели с критериями выполнения (вместо "проанализируй рынок" → 10 подцелей типа "размер рынка в рублях за 2024"). Evidence Audit играет роль библиотекаря: структурирует найденное в таблицу [Источник | Данные | Достоверность], выбрасывает дубли и шум, ранжирует по качеству. К этапу написания модель получает не сырую свалку из 50 страниц, а кураторскую базу знаний с явной привязкой фактов к источникам.