Мы работаем на крупном проекте, где присутствует десятки интеграций, сотни бизнес-сценариев, документация в Confluence, а теперь ещё и описания бизнес-сценариев с помощью ИИ прямо в репозиториях. Это здорово выручает для погружения в проект, но всё равно не покрывает всю картину при работе над конкретной доработкой. Поэтому в команде аналитиков мы начали заводить собственных ИИ-агентов: собираем в папку нужные репозитории из Git, БФТ от заказчика, заметки со встреч, и вместе с агентом проектируем и анализируем.
Дальше в статье мы разберём полный конвейер: как готовим данные для ИИ-агента, передаём ему контекст и затем превращаем результат анализа в готовое ЧТЗ. Без нормальной подготовки на входе даже самый умный агент выдаст ерунду, а Markdown-результат на выходе ещё нужно оформить в корпоративный .docx.
Что у нас на входе?
Если посмотреть на рабочий день аналитика, на него сыплется:
Если посмотреть на рабочий день аналитика, на него сыплется:
Устные договорённости с созвонов. «Мы тут обсудили… надо поправить логику обработки статусов, ну ты понял – Ага, понял».
Формальные БФТ от заказчика в .docx. Иногда на 10-20 страниц с таблицами и вложенными списками.
Заметки самого аналитика, комментарии из документов или просто мысли из головы.
Историческая документация в Confluence, которая обновлялась последний раз года два-три назад.
Описание бизнес-сценариев в репозиториях в гите – вот это золото, которое с недавнего времени начали писать разработчики при создании и изменении кода, и которое мы потом ревьюим.
Теперь представьте, что вы открываете проект, а там уже лежит пачка репозиториев, БФТ на N страниц, итоги трёх встреч и ваши собственные заметки. И как это скормить AI-агенту, чтобы он все смог корректно обработать?
Ответ простой, нужен конвейер. Три инструмента, которые мы для себя выстроили:
Инструмент 1. Транскрайбер: от голоса к смыслу
Для начала, что вообще такое транскрайбер и зачем он аналитику. Транскрайбер (от английского transcribe – расшифровывать) – это инструмент, который переводит аудио в текст. Бывают облачные решения: те же Otter.ai, Sonix, встроенные движки в Zoom/Teams. Бывают локальные – и вот тут главный герой последних пары лет: Whisper от OpenAI. Он умеет гонять аудио в текст прямо на вашем железе, без интернета, и качество расшифровки для русского языка в последних версиях очень приличное.
У нас встречи с заказчиком проходят регулярно, и часто именно там всплывают ключевые детали: «А давайте ещё вот этот функционал добавим», «А вот этот сценарий теперь работает по-другому», «А этот параметр мы сможем тут отображать?» В протокол это попадает не всегда: кто-то что-то записал, кто-то нет.
У нас с заказчиками запрещено использовать ботов, подключаемых к встречам, поэтому мы пошли по другому пути: пишем аудио встречи (с согласия участников, разумеется) и прогоняем через транскрайбер. Сейчас есть куча вариантов: от внешних ИИ-инструментов до локальных моделей. Главное, что на выходе текстовый файл с расшифровкой.
Чтобы AI-агент понял суть, мы делаем второй шаг – смысловую выжимку. Берём LLM и просим: «Выдели из этого разговора договорённости, решения и требования, оформи в Markdown». На выходе получаем готовый конспект встречи с решениями и требованиями.
У нас в компании есть собственные ИИ-инструменты, которые могут делать это чудо всё разом: конвертация разговора в текст, а потом сразу выжимка этого текста. Но даже без корпоративных решений связка Whisper + LLM собирается в локальный прототип за полчаса.
Итак, со встречами разобрались, теперь про документы.
Инструмент 2. Pandoc: всё приводим к Markdown
Pandoc – это бесплатная консольная утилита с открытым исходным кодом. Она конвертирует документы между множеством форматов: из Word в Markdown, из Markdown в Word, из LaTeX в HTML и так далее. Проще всего представить Pandoc как одну команду, которой почти любой документ превращается в Markdown – и обратно в нужный формат.
Установка простая: для Windows скачиваете установщик с официального сайта, для Linux – «sudo apt install pandoc» или через brew на macOS. И всё, можно работать. Кстати, в VS Code есть отличное расширение Pandoc (ищется по имени, автор – DougFinke), которое позволяет конвертировать документы прямо из редактора по правому клику. Удобно, если вы не любите терминал.
Заказчик присылает БФТ в .docx, иногда в PDF, иногда вообще Excel с таблицами требований. Современные модели могут открывать эти форматы, но при извлечении часто теряются таблицы, списки, изображения и связи между разделами. Результат получается нестабильным – агент может пропустить важное или сделать неверный вывод.
В этом деле нас спасает Pandoc. Мы просто написали скрипт, и наш исходный файл успешно конвертировался в необходимый формат для AI-агента:
bash pandoc "ctz.docx" -o "ctz.md" --from docx --to gfm --wrap=none --extract-media=./media
Но тут у нас возникает проблема, что Pandoc не умеет форматировать под необходимые стили, принятые по ГОСТ. Мы много раз пробовали настроить конвертацию, но результат всё равно требовал ручной доработки.
Разберу флаги: «--from docx» – исходный формат, «--to gfm» – целевой формат (GitHub-Flavored Markdown, умеет таблицы и всё что надо), «--wrap=none» – не разрывать строки по ширине (AI-агенту это только мешает), «--extract-media=./media» – картинки вытаскивает в отдельную папку и прописывает пути в Markdown. Если таблиц нет – хватит и «-t markdown».
Что особенно приятно – Pandoc можно встроить в CI/CD или просто запускать по кнопке.
Инструмент 3. Обратный путь: из Markdown в .docx
AI-агент отработал, выдал результат – например, проект ЧТЗ или анализ требований. Всё красиво, в Markdown. Но заказчику нужен полноценный ЧТЗ в формате .docx, потому что так принято.
Тут у нас два варианта:
Вариант А – простой
Pandoc и в обратную сторону умеет конвертировать файлы:
bash pandoc output.md -f markdown -t docx -o result.docx
Но тут у нас возникает проблема, что Pandoc не умеет форматировать под необходимые стили, принятые по ГОСТ. Мы много раз пробовали настроить конвертацию, но результат всё равно требовал ручной доработки.
Вариант Б – для требовательных
Для ситуации, когда нужно тонко настроить шаблон, а именно шрифты, стили и колонтитулы, мы написали простой макрос в Word, который конвертирует MD-формат под корпоративный шаблон. Этот инструмент был правда неожиданным решением для нас, но с конвертацией он прекрасно справляется. Вот, например, как выглядит обработка заголовков: ищем # и применяем стили Heading:
Sub ApplyHeadings() Dim para As Paragraph, level As Integer, i As Integer For Each para In ActiveDocument.Paragraphs level = 0 For i = 1 To Len(para.Range.Text) If Mid(para.Range.Text, i, 1) = "#" Then level = level + 1 Else Exit For End If Next i If level > 0 And level <= 6 Then para.Range.End = para.Range.Start + level para.Range.Delete Select Case level Case 1: para.Range.Style = wdStyleHeading1 Case 2: para.Range.Style = wdStyleHeading2 Case 3: para.Range.Style = wdStyleHeading3 Case 4: para.Range.Style = wdStyleHeading4 Case 5: para.Range.Style = wdStyleHeading5 Case 6: para.Range.Style = wdStyleHeading6 End Select End If Next para End Sub
Полный макрос состоит из шести таких шагов:
Как устроен макрос (псевдокод)
1. NormalizeDocument
мягкие переносы (^l -> ^p), убрать лишние пустые строки,
нормализовать пробелы, применить wdStyleNormal.
Ведущие пробелы НЕ трогаем (они нужны для списков).
2. ApplyHeadings
Найти строки с #, ## ... ######, определить уровень, удалить #,
применить Heading 1..6.
3. ApplyLists (ключевой)
По количеству ведущих пробелов определить уровень (4 пробела = 1 уровень).
Удалить пробелы и маркер (-, *, 1.),
создать список через Word API, назначить стили
"Маркированный список" / "Нумерованный список".
4. ApplyCodeBlocksAsTable
Найти блоки ```, заменить на таблицу 1x1,
фиксированная ширина, без авто-подгона, стиль "Текст".
5. ApplyInlineFormatting
Find/Replace: жирный, курсив,
код– шрифт с кавычками.
6. RemoveEmptyParagraphs
Подчистить строки, которые остались пустыми.
Списки и таблицы не трогаем.
Как установить за пару минут:
Открываете Word, Alt+F11 – VBA.
Вставляете модуль с макросом.
Копируете Markdown-текст и вставляете "Вставить только текст" в шаблон документа.
Запускаете макрос ConvertMarkdownToDocx – готово.
Можно, конечно, взять python-docx (Python-библиотека для работы с .docx) и написать скрипт – мы пробовали и так. Выбирайте, что вам ближе.
Контроль качества: что может пойти не так
ИИ часто ошибается, поэтому мы не отдаём результат агенту сразу. Вот что проверяем перед запуском:
Стенограмму – выборочно сверяем с исходной записью, особенно места с техническими терминами.
Выжимку – проверяем, что решения и требования не противоречат БФТ и коду.
Конвертированный .docx – выборочно смотрим, не потерялись ли таблицы и списки.
Источники – если требование было озвучено на встрече, помечаем его. Это помогает при разборе спорных моментов
Мы построили процесс подготовки данных, который превращает разрозненные записи, документы и код в проверяемый контекст требований, но все равно финальное решение всегда за человеком.
Как это работает вместе
Вот наш конвейер целиком:
Аналитик утром заходит в папку проекта, а там уже:
описания бизнес-сценариев из гита,
выжимки со вчерашних встреч,
БФТ заказчика в читаемом виде.
Всё в Markdown. Можно открыть, почитать, дополнить и запустить AI-агента, а готовый результат отдать заказчику в .docx.
Что это нам дало
По нашим наблюдениям, после внедрения конвейера:
Обработка часовой встречи сократилась с 1–2 часов до 10–20 минут, включая проверку выжимки.
Подготовка .docx из Markdown занимает 5–10 минут вместо ручного форматирования документа.
Количество ошибок в требованиях снизилось примерно на 30% – большая часть данных проходит через выжимку и перекрёстную проверку.
Время написания итогового ЧТЗ сократилось с одного-двух дней до нескольких часов.
Это не отменило ревью, но сократило рутинную часть работы примерно вдвое, так что главное правило остаётся простым: без нормальной подготовки данных на входе даже самый умный агент выдаст ерунду.
