Знакомьтесь, Daisy — наш сервис для быстрого доступа ко всем передовым LLM. Он вырос из инициативы друзей, которым хотелось разобраться, какие пользовательские сценарии работают в GenAI и как сделать удобный AI-based UX. Начав с внутреннего исследования, мы открыли доступ к сервису для внешнего мира и увидели, что им начали активно пользоваться.
За полгода у Daisy — 300 тыс. пользователей, 5 тыс. DAU и более 3,5 млн обращений к моделям. Рассказываем, как мы пошли дальше простого доступа к LLM через API — и сделали полноценный AI-сервис со своим подходом к архитектуре и взаимодействию с пользователями.
Daisy — единое окно для разных моделей
Daisy — не просто очередной интерфейс к ChatGPT. Это технологический эксперимент, где нейросети работают в связке со сложной логикой, защищены собственным контент-фильтром, дополнены модулями распознавания документов, генерации изображений и семантическим поиском. Проще говоря, у нас под капотом не просто токен, а многоуровневая архитектура, которая делает опыт работы с LLM уникальным.
Cуть сервиса в возможности использовать разные модели в едином окне. Пользователям доступны актуальные версии ChatGPT, Gemini, Claude, Grok и DeepSeek. Интерфейс выглядит как обычный чат, где в одном диалоге можно обращаться к разным LLM для решения конкретных задач. С помощью Daisy быстрее и проще создавать контент, писать код, разрабатывать проекты или проводить аналитику.
Например, мы пишем статью на Хабр — выбираем в Daisy подходящие модели. GPT поможет собрать план и основу статьи из идеи и фактуры, а чтобы найти дополнительную информацию по теме, включаем в чате «поиск в интернете». Claude сгенерирует код для вставки в статью — код удобно скопировать из диалога, но скоро появится возможность сразу редактировать артефакты в чате. Иллюстрации сделаем в кастомной нейросети для генерации изображений. Так мы в одном окне, без перехода между разными сервисами и повторения контекста задачи, собрали почти готовый материал — остаётся только отредактировать и добавить «человечности» в текст.
На подходе целое семейство AI-агентов, чтобы получать стабильные ответы по заданным инструкциям, к примеру, для ревью кода или форматирования текста. А если пользователю будет непонятно, какая LLM лучше справится с задачей, встроенный роутинг-агент сам перенаправит запрос к нужной модели.
Архитектура — модульный AI-сервис
Daisy построен как связанный набор модулей, каждый из которых отвечает за свою часть пользовательского сценария. В центре находится координационный сервис, который получает запрос, определяет тип задачи и направляет его в нужный модуль: генерация текста, изображений, поиск по базе знаний, оплата, авторизация и другие.
Интерфейс взаимодействия с AI — то, что видит пользователь: ввод текста, вывод ответа, история запросов, базовая навигация. Но за каждым ответом скрыта внутренняя маршрутизация: если задача связана с тарифами — подключается блок тарификации; если есть риск работы с персональными данными — запрос идёт через модуль защиты данных. Все вызовы к языковым и мультимодальным моделям проходят через общий слой, где настроено взаимодействие с OpenAI, Gemini, DeepSeek, Anthropic и другими поставщиками.
Архитектура основана на разделении ответственности: каждое решение Daisy принимает осознанно, исходя из запроса, бизнес-логики и уровня допуска. Это позволяет быстро адаптировать сервис под новые сценарии, масштабировать нагрузку и внедрять дополнительные проверки — от контент-фильтра до модели оплаты.
Повышаем безопасность — собственный контент-фильтр
AI-сервису важно найти баланс между свободой творчества и ответственностью за безопасность контента. Чтобы защищать пользователей и соблюдать нормы законодательства, мы разработали собственный фильтр — он анализирует контекст запросов и принимает решения на основе смысла, а не отдельных слов.
Контент-фильтр в Daisy — это не готовое решение с рынка, а наша собственная разработка. Мы начали с мысли о том, что система должна понимать не только слова, но и смысл, чтобы не мешать творчеству и при этом блокировать опасный контент. Классические фильтры по ключевым словам не справлялись и выдавали слишком много ошибок. Мы использовали подход structured output — модель не просто даёт ответ, а возвращает понятную структуру с категорией нарушения и объяснением. Это позволяет нам точно управлять логикой и при необходимости дообучать систему на реальных кейсах.
Фильтр реагирует на контекст, а не на отдельные триггер-слова. Например, «ядерная бомба» может быть частью технического или исторического запроса, а не призывом к агрессии. Запрос «девушка с бензопилой в саду» не блокируется, если речь идёт о мирной сцене. При этом очевидно неприемлемый контент — сексуализация, сцены насилия, упоминания несовершеннолетних в сомнительном контексте — блокируются мгновенно.
Ежедневно система обрабатывает в среднем 1200+ запросов. Из них около 15% блокируется — в большинстве случаев из-за попыток сгенерировать откровенно сексуализированный контент. Общая точность фильтра — 87% с учётом ложных срабатываний. |
Мы не используем жёсткие стоп-списки: фильтр работает на интерпретации смысла, с учётом иронии, метафор и культурных контекстов. Он адаптируется к новым сценариям и обновляется по мере роста продукта — это позволяет запускать масштабные AI-функции без риска, сохраняя доверие пользователей и партнёров.
Кому нужен AI-сервис — портреты и сценарии
Большинство пользователей Daisy — это студенты и молодые специалисты: 84% всех опрошенных обозначили себя как учащиеся. Среди профессий выделяются IT-специалисты — 9%, маркетологи и создатели контента — 5%.
В топе задач — генерация текстов, создание презентаций и помощь в написании историй или книг. Несмотря на преобладание молодой аудитории, цели варьируются: от учебных и творческих до прикладных. Daisy поможет и написать рассказ, и собрать pitch deck, и разобраться в коде.
По тематикам запросов лидируют: |
Образовательные сценарии оказались ключевыми — 64% всех обращений связаны с обучением. Логично, что внутри этой категории 89% пользователей школьники и студенты. Однако в таком сегменте есть типичный негативный паттерн — оформлять подписку на время сессии или экзаменов, после чего отписываться.
Внутри категорий запросов своя логика:
В обучении — сочинения, курсовые, тесты и юридическая помощь; главные действия — «списать домашку» и «найти информацию»;
В работе — соцсети, маркетинг, преподавание, резюме, поиск работы;
В lifestyle — общение с AI, хобби, спорт, отношения.
Чаще всего пользователи просят написать, отредактировать или сократить текст. Преподаватели используют Daisy для методических разработок, юристы — для подготовки официальных писем, блогеры и маркетологи — для создания контента.
Метрики и рост
За полгода работы аудитория сервиса сильно выросла.
> 300 тыс. пользователей
85 тыс. MAU
2,5 млн запросов к моделям
3–5 тыс. уникальных пользователей в сутки
У Daisy широкая сетка тарифов — от бесплатного Free до Pro за 499 рублей в месяц. Ядро аудитории — начинающие пользователи, которые ищут «ChatGPT без VPN».
Основной акцент сейчас на развитии аудитории и расширении функционала: гиперперсонализация, артефакты, агенты для решения специализированных задач. Так Daisy сможет помогать почти во всех сферах жизни и станет ещё привлекательнее для пользователей
Что дальше
Daisy — часть большой экосистемы AI-продуктов внутри red_mad_robot. В ближайших планах объединить сервис с платформами по созданию low-code и smart-агентов, добавить ещё больше моделей и кастомные пайплайны для команд и проектов. На подходе — анонс крупного партнёрства с бигтех по интеграции Daisy во внешнюю платформу на миллионы пользователей. Ждите новостей.
Над материалом работали:
текст — Игорь Решетников
иллюстрации — Юля Ефимова
Это блог red_mad_robot. Мы запускаем цифровые бизнесы и помогаем компаниям внедрять AI. Здесь наша команда разработки на собственных кейсах рассказывает о том, что происходит с AI сегодня, а стратегические аналитики подсказывают, что будет завтра. Мы бы подписались.
Наш Telegram-канал (там всё другое, а ещё есть анонсы мероприятий): t.me/redmadnews
