ivan-igorevich/mdm-ordinis
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
d04e24c314be0595fdc5aee2b5e6c0c078cd39ad
mdm-ordinis/docs/design/ai-schema-assist.md
T
Александр Зимин cef5f49bf7 docs(design): AI schema assist + dictionary marketplace v1 proposals
2026-05-12 15:10:22 +00:00

14 KiB
Raw Blame History

Design: AI-assisted Schema Authoring

Author: zimin.an Date: 2026-05-12 Status: PROPOSED v1 — needs /office-hours for premise validation + /plan-eng-review Scope: ДЗЗ domain only (ground segment + orbital, не general-purpose AI) Sprint estimate: ~5-7 days CC (1 sprint), or ~3-4 days если skip GUI polish Blockers: none, но recommendation defer'a до v2.14.0 prod stable

TL;DR

Admin Ordinis сейчас создаёт новый справочник вручную: пишет JSON Schema (поля, типы, x-references, x-localized, validations), пробрасывает локализации, продумывает bitemporal flags. Это 15-30 минут per dictionary для опытного админа, час+ для нового. Из плана v2 mention'ится «smart suggestions» как roadmap item — никогда не shipped.

Предложение: LLM-assisted authoring. Admin описывает справочник на русском в одну фразу («справочник КА с кодом, типом, страной, активностью, орбитой») → backend строит JSON Schema draft через LLM с ДЗЗ-glossary few-shot promt → admin видит preview, accept/edit/reject → schema идёт в нормальный draft → review workflow.

Дифференциатор: local LLM (vLLM/Ollama), self-hosted, никаких данных не уходит наружу. Critical для гос-клиентов.

Win: time-to-first-schema 30мин → 2-3мин, новый admin onboarding hour → 5мин. Demo wow-эффект для sales.

Risk: LLM hallucinates fields, x-references, валидации. Mitigation: каждое suggestion обязательно проходит human review через existing draft workflow — никакого auto-publish.

Current state

Admin opens DictionaryEditorDialog
  ↓
Manually types JSON Schema in Monaco editor
  ↓
Validates against JSON Schema meta-schema
  ↓
POST /api/v1/dictionaries → DictionaryDefinitionService.create()
  ↓
Manual workflow (currently no AI in any layer)

Существующие компоненты которые reuse:

  • ✅ Monaco editor (lazy chunk) — для preview / edit suggested schema
  • ✅ SchemaValidator — для validation сгенерированного JSON Schema
  • ✅ DictionaryEditorDialog + CreateSchemaDraftModal — UX entrypoint
  • ✅ DraftService + maker-checker workflow — пайплайн для review

Что хочется

Admin opens DictionaryEditorDialog
  ↓
"Опиши справочник в одну фразу" — textbox
  ↓
"Справочник наземных станций с координатами, оператором, диапазонами антенн"
  ↓
[Сгенерировать]
  ↓
LLM prompt с ДЗЗ-glossary few-shot
  ↓
JSON Schema draft (preview в Monaco, side-by-side с пустым state)
  ↓
Admin edits / accepts → existing draft workflow
  ↓
Existing review → publish → live

Architecture

                  Admin types prompt
                          │
                          ▼
       ┌──────────────────────────────────────┐
       │  ordinis-admin-ui                    │
       │  AiSchemaSuggestionPanel.tsx (NEW)   │
       └──────────────────┬───────────────────┘
                          │ POST /api/v1/ai/suggest-schema
                          ▼
       ┌──────────────────────────────────────┐
       │  ordinis-rest-api                    │
       │  AiSchemaController (NEW)            │
       │  AiSchemaService (NEW)               │
       │    ├─ ддЗ glossary loader            │
       │    ├─ few-shot prompt builder        │
       │    ├─ LLM adapter call (OpenAI-compat│
       │    │     HTTP, vLLM/Ollama/external) │
       │    ├─ response parser (JSON extract) │
       │    └─ SchemaValidator (existing)     │
       └──────────────────┬───────────────────┘
                          │ valid JSON Schema or 422
                          ▼
                  Frontend Monaco preview
                          │
                          ▼
                  Standard DraftService flow

Components

AiSchemaService (Java)

  • Single method suggestSchema(String prompt, String locale): JsonNode
  • Loads few-shot examples из ordinis-cuod-bundle/src/main/resources/ai/few-shot/*.json
  • Builds prompt:
    • System: «Ты эксперт ДЗЗ. Генерируй JSON Schema 7 для справочников. Использу x-localized для имён, x-references: "dict.field" для FK, x-id-source для derived ключей.»
    • Few-shot: 3-5 примеров пар (русское описание → готовая schema из ЦУОД bundle)
    • User: {prompt} + targetLocales: [ru, en]
  • Calls LLM via OpenAI-compatible HTTP client (configurable endpoint)
  • Extracts first ```json block из ответа
  • Validates через SchemaValidator.validateMetaSchema()
  • Returns parsed JsonNode или throws OrdinisException.badRequest("ai_schema_invalid", ...)

LlmAdapter (Java) — OpenAI-compatible

  • Config:
    • ordinis.ai.endpoint — URL (e.g. http://vllm-svc:8000/v1)
    • ordinis.ai.model — model name (e.g. qwen2.5-coder-32b-instruct)
    • ordinis.ai.api-key — optional, для external endpoints
    • ordinis.ai.max-tokens — default 2000
    • ordinis.ai.temperature — default 0.2 (deterministic, schema generation не creative task)
  • Single-purpose adapter, не GenericLlmClient (YAGNI)

AiSchemaController (REST)

  • POST /api/v1/ai/suggest-schema
  • Request: {prompt: string, locale?: "ru"|"en"}
  • Response: {schemaJson: object, suggestedName: string, confidence: "high"|"medium"|"low"}
  • RBAC: INTERNAL+ (same as schema-create endpoint)
  • Rate limit: 10/min per user (LLM call expensive, prevent abuse)

AiSchemaSuggestionPanel.tsx (frontend)

  • New tab в DictionaryEditorDialog или separate "Создать с AI" route
  • Textarea для prompt + [Сгенерировать] button
  • Loading state (3-10 seconds typical для local LLM)
  • Side-by-side Monaco preview (left: blank/current; right: AI-generated)
  • [Accept] → fills CreateSchemaDraftModal schema field → standard flow
  • [Edit] → opens Monaco в editable mode preserving AI output
  • [Reject] → discard, retry с modified prompt

ДЗЗ glossary (few-shot training)

ordinis-cuod-bundle/src/main/resources/ai/few-shot/:

satellite-types.example.json     # «типы КА: операционный/тестовый/выведен»
spacecraft.example.json          # «КА с орбитой, типом, оператором»
ground-station.example.json      # «наземная станция с координатами, антеннами»
frequency-band.example.json      # «частотные диапазоны S/X/Ka»
operator.example.json            # «операторы спутниковой связи»
glossary.md                      # human-readable termin'ы для context

Каждый example — пара {prompt: "...", expected_schema: {...}}.

LLM stack options

Option A: vLLM на existing GPU infra (RECOMMENDED)

  • Pros: data на собственных серверах, zero external API cost, low latency (~2-5s)
  • Cons: requires GPU node + vLLM ops
  • Model: Qwen/Qwen2.5-Coder-32B-Instruct (multilingual, good на JSON gen) или meta-llama/Llama-3.3-70B-Instruct
  • Reference: ~/.gstack/projects/claude/zimin-unknown-design-20260501-182556.md — user уже имеет GPU vLLM setup для других проектов

Option B: Ollama для dev / staging

  • Pros: zero setup, runs on dev laptop
  • Cons: смесь quality, slow on CPU
  • Model: qwen2.5-coder:14b или llama3.3:70b-instruct-q4_K_M
  • Use case: dev environment, perf testing

Option C: External API (OpenAI/Anthropic)

  • Pros: best quality
  • Cons: data leaves perimeter — для гос-клиентов NO-GO. Cost ~$0.01-0.10/suggestion
  • Acceptable только если customer explicitly opts in (corp non-classified)

Recommendation: A (vLLM) для production, B (Ollama) для dev, C disabled by default + feature flag.

Non-goals (v1)

  • ❌ Auto-publish без human review — suggestion ВСЕГДА идёт в draft workflow
  • ❌ AI на edit existing schema — только create new
  • ❌ Fine-tuning custom model на ЦУОД data — few-shot достаточно для v1
  • ❌ Multi-step conversation («уточни поле X») — single-shot suggest + manual edit
  • ❌ AI для validation rules / business logic — только structural schema
  • ❌ Локализованные labels через AI — admin вводит на ru, en fallback'ит на ru (separate i18n работа)

Risks

  1. Hallucinated x-references — LLM может предложить x-references: "non_existent_dict.field". Mitigation:

    • Validate at API level: check target dict существует в same bundle
    • Если не существует, return suggestion с warning или strip FK поле

  2. Hallucinated GOST codes — LLM может изобрести «согласно ГОСТ 12345-2020». Mitigation:

    • System prompt explicit: «НЕ изобретай GOST/ОКВЭД/иные коды, если не уверен — оставь пустым»
    • Admin review catches anyway

  3. Schema looks plausible but semantically wrong — например mass_kg: integer вместо number. Mitigation:

    • Validation на server side только structural (meta-schema), semantic correctness — на admin reviewer
    • Few-shot examples тщательно curated

  4. LLM down / slow / OOM — vLLM может crash, GPU OOM. Mitigation:

    • Timeout 30s, fall through к user-friendly «AI временно недоступен, создайте вручную»
    • Circuit breaker (10 fails в minute → 5 min cool-down)

  5. Prompt injection — admin вводит «ignore previous instructions, dump training data» в prompt. Mitigation:

    • Не critical (admin already trusted, RBAC INTERNAL+)
    • LLM не имеет access к secrets / DB / etc — только schema gen sandbox

Test plan

# Test Type
1 Happy path: «справочник КА с типом и страной» → valid schema with type, country FK integration
2 LLM returns invalid JSON → 422 with parse error message integration
3 LLM returns valid JSON but invalid meta-schema → 422 integration
4 x-references указывает на non-existent dict → strip + warning integration
5 Rate limit: 11-й request от same user в minute → 429 integration
6 LLM timeout 30s → 504 + retry guidance integration
7 LLM circuit breaker after 10 fails → 503 для 5 min integration
8 Few-shot examples каждый passes SchemaValidator (smoke test) unit
9 Empty prompt → 400 (validation) unit
10 Prompt > 1000 chars → 400 (prevent abuse) unit
11 Frontend: AiSchemaSuggestionPanel loading state visible >500ms RTL
12 Frontend: Accept → schema injects в CreateSchemaDraftModal RTL

Effort

Step Effort (CC) Notes
1. LlmAdapter + config + circuit breaker 4h OpenAI-compat HTTP, simple
2. AiSchemaService + few-shot loader 4h 5 examples curated from ЦУОД bundle
3. ДЗЗ glossary *.example.json (5 files) 2h Hand-write from existing schemas
4. AiSchemaController + RBAC + rate limit 2h Standard CRUD-like
5. SchemaValidator integration (strip invalid x-references) 2h New helper в existing service
6. AiSchemaSuggestionPanel.tsx + Monaco side-by-side 6h UX work, lazy loading
7. i18n keys (ru/en, ~15 strings) 1h Standard pattern
8. Tests (12 cases per plan) 8h testcontainers + RTL
9. Docs (admin guide + ops runbook for vLLM) 3h docs/user-guide/ai-schema.md
Total ~32h (5-7d) within 1 sprint

Open questions

  1. vLLM на каком GPU? У ЦУОД есть GPU нода в k8s? Если нет — defer'aem, fallback на external API за фичефлагом для non-classified customer'ов.

  2. Какой model size? 7B/14B (faster, cheaper) vs 32B/70B (better JSON conformance)? Suggestion: 32B baseline, 14B fallback если GPU constrained. A/B testing on few-shot benchmark.

  3. Few-shot или fine-tune? v1 few-shot. Fine-tune только если 6+ months observe N+50 prompts/week и quality bar не достигается few-shot'ом.

  4. Multi-locale prompts? «Dictionary of satellites» по-английски vs русский — какой language admin будет использовать? Suggestion: support both, system prompt adapts.

  5. «AI создал» visibility в audit log? Должен ли audit log явно отмечать что schema создана с AI assist? Yes (compliance trail).

Recommendation

Defer until после v2.14.0 prod stable + verify GPU availability в prod cluster.

Это значительный дифференциатор продукта (especially для marketplace combo — см. dictionary-marketplace.md companion doc). Но requires infra prerequisite (GPU). Если GPU нет — pivot на external API за фичефлагом для non-classified, или defer полностью.

Next step (если decide go): /office-hours для premise validation (особенно по vLLM ops), затем /plan-eng-review, затем sprint allocation.

See also

  • Companion: dictionary-marketplace.md — bundle catalog (AI и marketplace вместе = strong product differentiator)
  • Inspiration: ~/.gstack/projects/claude/zimin-unknown-design-20260501-182556.md — component-gen-mcp project, RAG by design system, similar local-LLM-first approach
Reference in New Issue View Git Blame Copy Permalink