Как фермер без знаний кода создает движок исполнения на LLM и интерпретаторе

Проблема: Фермер против цифрового барьера

Представьте себе фермера Ивана из Воронежской области. У него 200 гектаров земли, теплицы, животные и одна большая проблема — административная рутина. Отчеты в Минсельхоз, расчет удобрений, планирование посевных, мониторинг цен на рынке. Каждый день уходит на бумажную работу, которую можно было бы автоматизировать.

Иван пытался найти готовые решения, но они либо слишком дорогие, либо не учитывают специфику его хозяйства. Он обращался к программистам — те называли суммы в 500+ тысяч рублей за «простой скрипт». Знаний кода у Ивана нет, но есть упрямство и понимание, что современные технологии должны быть доступны всем, а не только технарям.

Решение: LLM как переводчик с человеческого на машинный

Иван наткнулся на статью про Production-ready AI-агенты и осознал главное: большие языковые модели (LLM) понимают естественный язык. Значит, они могут стать «переводчиком» между его запросами («посчитай, сколько удобрений нужно для поля №3») и исполняемым кодом.

Его гениальная идея была проста:

1. Пользователь формулирует задачу на русском языке
2. LLM переводит её в код на простом языке (например, Python)
3. Интерпретатор выполняет этот код
4. Результат возвращается пользователю

Архитектура: Как устроен фермерский движок исполнения

Иван создал систему из трех основных компонентов:

1Шаг 1: Создание безопасного интерпретатора

Самая сложная часть — выполнение кода безопасно. Иван использовал подход с ограниченным окружением:

import ast
import sys
import math
from datetime import datetime

class SafeInterpreter:
    def __init__(self):
        # Разрешенные модули и функции
        self.allowed_builtins = {
            'abs': abs, 'round': round, 'min': min, 'max': max,
            'sum': sum, 'len': len, 'range': range,
            'int': int, 'float': float, 'str': str,
            'datetime': datetime, 'math': math
        }
        
    def execute(self, code: str, context: dict = None):
        """Безопасное выполнение Python кода"""
        if context is None:
            context = {}
            
        # Проверка синтаксиса
        try:
            ast.parse(code)
        except SyntaxError as e:
            return f"Ошибка синтаксиса: {e}"
        
        # Ограниченное окружение
        local_env = {**self.allowed_builtins, **context}
        
        try:
            # Выполнение в изолированном пространстве
            exec_globals = {'__builtins__': self.allowed_builtins}
            exec(code, exec_globals, local_env)
            
            # Возвращаем результат из переменной 'result'
            if 'result' in local_env:
                return local_env['result']
            return "Выполнено успешно"
            
        except Exception as e:
            return f"Ошибка выполнения: {type(e).__name__}: {e}"

2Шаг 2: Настройка LLM для генерации кода

Иван создал промпт-шаблон, который учит LLM генерировать безопасный код:

CODING_PROMPT = """
Ты — помощник, который преобразует запросы на русском языке в исполняемый Python код.

ПРАВИЛА:
1. Используй только разрешенные функции: математические операции, datetime, базовые встроенные функции
2. НЕ используй: import, open(), eval(), os, sys, subprocess, network calls
3. Результат сохраняй в переменную 'result'
4. Код должен быть простым и понятным
5. Если нужны данные — используй предоставленный контекст

КОНТЕКСТ ДАННЫХ:
{context}

ЗАПРОС ПОЛЬЗОВАТЕЛЯ:
{user_query}

Сгенерируй только Python код, без объяснений:
"""

Контекст данных — это предзагруженная информация о ферме (площади полей, цены, планы):

{
  "fields": [
    {"id": 1, "name": "Поле №1", "area": 45, "crop": "пшеница"},
    {"id": 2, "name": "Поле №2", "area": 32, "crop": "кукуруза"}
  ],
  "prices": {"пшеница": 15000, "кукуруза": 18000},
  "expenses": {"удобрения": 5000, "топливо": 3000}
}

3Шаг 3: Интеграция всех компонентов

Финальная система выглядит так:

import openai
from safe_interpreter import SafeInterpreter
import json

class FarmerExecutionEngine:
    def __init__(self, api_key):
        self.llm_client = openai.OpenAI(api_key=api_key)
        self.interpreter = SafeInterpreter()
        self.context = self.load_farm_data()
    
    def load_farm_data(self):
        """Загрузка данных фермы из файла"""
        try:
            with open('farm_data.json', 'r', encoding='utf-8') as f:
                return json.load(f)
        except:
            return {}
    
    def process_query(self, user_query: str):
        """Обработка запроса пользователя"""
        # 1. Генерация кода через LLM
        prompt = CODING_PROMPT.format(
            context=json.dumps(self.context, ensure_ascii=False),
            user_query=user_query
        )
        
        response = self.llm_client.chat.completions.create(
            model="gpt-4",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.1
        )
        
        generated_code = response.choices[0].message.content.strip()
        
        # 2. Выполнение кода
        result = self.interpreter.execute(generated_code, self.context)
        
        # 3. Форматирование ответа
        return self.format_result(result, generated_code)
    
    def format_result(self, result, code):
        """Красивое форматирование ответа"""
        return f"""
📊 **Результат:** {result}

python
{code}

"""

Практические кейсы: Что умеет фермерский движок

Вот реальные примеры использования системы:

total_area = sum(field['area'] for field in context['fields'])
result = f'Общая площадь: {total_area} га'

wheat_fields = [f for f in context['fields'] if f['crop'] == 'пшеница']
wheat_area = sum(f['area'] for f in wheat_fields)
# Предполагаемая урожайность 3т/га
yield_per_ha = 3
price = context['prices']['пшеница']
revenue = wheat_area * yield_per_ha * price
result = f'Выручка: {revenue:,} руб.'

from datetime import datetime, timedelta
sowing_date = datetime(2024, 4, 15)
prep_days = 14
purchase_date = sowing_date - timedelta(days=prep_days)
result = f'Закупить удобрения до {purchase_date.strftime("%d.%m.%Y")}'

Нюансы и возможные ошибки

При создании подобной системы Иван столкнулся с проблемами:

• Безопасность: LLM иногда пытается сгенерировать опасный код. Решение — строгий промпт и пост-проверка.
• Качество кода: GPT не всегда пишет оптимальный код. Добавьте этап рефакторинга через второй LLM-вызов.
• Контекстные ограничения: LLM забывает данные. Используйте RAG-подход для работы с большими объемами данных.
• Стоимость: Каждый запрос к GPT-4 стоит денег. Для фермерских расчетов можно использовать более дешевые модели типа GPT-3.5 или локальные решения.

FAQ: Ответы на частые вопросы

Вывод: Демократизация AI уже здесь

История Ивана — не просто мотивационная сказка. Это доказательство того, что современные AI-технологии доступны каждому, кто готов экспериментировать и учиться. Ключевые выводы:

1. LLM — это новый тип интерфейса, который понимает естественный язык и может генерировать исполняемый код.
2. Безопасность важнее функциональности: всегда ограничивайте среду выполнения.
3. Начинайте с простого: даже базовый калькулятор на LLM экономит часы ручной работы.
4. Сообщество — ваш лучший ресурс: все решения уже есть в открытом доступе.

Создание движка исполнения на LLM — это не магия, а логичное применение существующих технологий. Как сказал Иван: «Раньше я боялся кода как огня. Теперь я просто говорю с компьютером, а он меня понимает. Это как научиться ездить на тракторе — страшно только первый раз».