Сооснователь Modeloptic Люк Харрис опубликовал в блоге компании (октябрь 2026 года) разбор подхода, который, по его мнению, способен повысить надёжность ИИ-агентов в сложных повторяющихся задачах, — использование предметно-ориентированного языка (DSL).
Почему агентам нужен предметно-ориентированный язык
Харрис выделяет два ключевых ограничения больших языковых моделей: «амнезию» (необходимость заново передавать всю предметную информацию при каждом обращении) и жёсткие лимиты контекстного окна. Чем больше данных удерживает модель в рабочей памяти, включая промежуточные рассуждения, тем хуже она справляется. Поэтому, утверждает он, из области ответственности агента нужно убирать «случайную сложность» — накладные расходы, не связанные с существом решаемой задачи. Создание DSL, адаптированного к конкретной предметной области, Харрис считает одним из способов добиться такого упрощения (данные).
Пример: финансовая модель в Excel и через DSL Modeloptic
Харрис разбирает типовой паттерн финансового моделирования, который он называет «hardcode carry-forward»: заданное значение заносится в один период и автоматически продлевается на последующие до тех пор, пока не будет заменено новым значением. Для записи такой строки через плагин к Excel, по его подсчётам, агенту потребуется выполнить 9 шагов — определить лист, вычислить номер строки и колонки, запомнить привязку столбцов к периодам, отдельно вписать формулы, учесть переход через границу года и построить суммирующие выражения для годовых итогов. При использовании DSL Modeloptic та же задача сводится к трём шагам: идентифицировать паттерн, прочитать описание предоставленного инструмента и вызвать функцию с аргументами, например, operation="add logic row", forecast-option="hardcode carry-forward" и values="3Q26:25, 3Q27:50". Детали исполнения — адреса ячеек, формулы, суммарные столбцы — остаются за пределами контекста модели (данные).
Оценка автора: меньше контекста — выше производительность
Сокращая расстояние между концепцией «перенос жёстко заданного значения» и её воплощением в данных, Modeloptic, по мнению Харриса, добивается «значительно лучшей производительности» модели. Важно подчеркнуть: это утверждение самого автора, а не результат независимого сравнительного тестирования. Публикация не содержит ни методики замера, ни контрольных групп, ни внешней верификации заявленного эффекта (данные).
Как применить DSL в своей области: совет Modeloptic
Харрис рекомендует отдавать детерминированные части задачи обычному программному коду, а языковую модель привлекать только тогда, когда требуется суждение. В качестве примеров он приводит инструменты send_invoice (отправка счёта), update_status (обновление CRM) или генерацию персонализированных писем через специализированные функции, а не через прямое взаимодействие с протоколами и базами данных. Идея заключается в том, чтобы агент оперировал понятиями предметной области и не отвлекался на низкоуровневые детали исполнения (данные).
Материал основан на единственном источнике — статье Люка Харриса «Give Your AI Agent a Domain-Specific Language». Количественные сравнения и выводы об улучшении производительности являются позицией автора и не подтверждены независимыми измерениями.
