DeCode: разделение содержания и подачи в консультационных диалогах

Обнаружено: LLM генерирует ответы «в лоб» из всей истории диалога — важная информация о пользователе размазана по 10+ сообщениям, модель не собирает её явно. Результат формально правильный, но бесполезный для конкретной ситуации. DeCode позволяет давать персонализированные консультации, где контекст критичен — советы по здоровью с учётом профессии, бизнес-рекомендации с учётом ресурсов, техподдержка с учётом опыта пользователя. Фишка: разделить подготовку и реализацию. Вместо одного запроса — 4 последовательных: (1) извлечь контекст пользователя списком, (2) собрать все факты из диалога, (3) создать стратегию подачи (что сказать, чего избегать), (4) сгенерировать ответ по готовым материалам. Каждый модуль — отдельный промпт со своей чёткой целью. К моменту генерации модель имеет сжатый контекст, полный список фактов и готовую стратегию — не нужно держать всё в голове.