ИИ-система 'АЙ_Ленин': как RAG и диалектика анализируют новости через призму литературного наследия

# RAG-система «АЙ_Ленин»: диалектический анализ новостей с позиций исторической личности

Проблема интерпретации новостей требует не просто фактоидов, а глубокого анализа контекста. В мире информационного шума и блогерской риторики возникает естественный вопрос: как бы оценил современный факт человек, оставивший значительный след в истории? Автор проекта NLegion реализовал ответ на этот вопрос в виде технической системы «АЙ_Ленин», использующей литературные источники о Владимире Ильеиче Ленине как базу знаний для генерации аналитических выводов.

От fine-tuning к RAG: почему дообучение здесь не сработало

После первых экспериментов в 2025 году автор столкнулся с закономерной проблемой, знакомой многим разработчикам ИИ: попытка использовать fine-tuning (дообучение) небольшой языковой модели (7B параметров) привела к массовым галлюцинациям. Система начала выдумывать цитаты, искажать исторические факты и выдавать карикатурно упрощенные ответы в духе клише «революция» или «эксплуатация». Такой подход сформировал бы у пользователя негативное отношение к самой исторической фигуре.

Решение пришло в 2026 году с отказом от переобучения в пользу RAG (Retrieval-Augmented Generation). Эта технология позволяет использовать предобученную модель (в данном случае Gigachat3-10b) как генератор, который опирается на внешнюю базу знаний. Вместо того чтобы пытаться «выучить» личность на весу, система извлекает релевантные фрагменты из подготовленного корпуса текстов — «Полного собрания сочинений», философских работ оппонентов и исторических трудов того времени — и предоставляет их модели в контексте вопроса.

Подготовка источников заняла значительное время: тексты прошли очистку от типографского шума, были нарезаны на чанки размером 256–512 токенов с перекрытием в 10% и промаркированы онтологическими тегами. Для поиска использовался гибридный механизм в базе данных Qdrant, объединяющий плотные векторные эмбеддинги и классический поиск по словам BM25. Это позволило обеспечить высокое качество поиска даже в большом корпусе текстов.

Диалектическая оркестрация: R1–R2–R3

Сердце системы — уникальный алгоритм, который автор называет «диалектической оркестрацией». Вместо простого запроса к базе данных, система строит запрос, имитирующий метод диалектики, предложенный Гегелем и развитый Марксом и Лениным (тезис — антитезис — синтез). Оркестратор разбивает поиск на три параллельных направления:

1. R1 (Тезис): Прямая позиция. Система ищет в источниках утверждения, которые могли бы служить центральным аргументом по обсуждаемой теме. Это обязательная опора для любого ответа. 2. R2 (Поддержка): Аргументы согласия. Ищутся источники, на которые опирался Ленин (Маркс, Гегель), которые развивают и укрепляют тезис R1. 3. R3 (Антитезис): Критическая позиция. В этот слот загружаются взгляды оппозиции или критические точки зрения, позволяющие испытать тезис на прочность.

Собранные данные структурируются в специальный промпт, где модель обязана синтезировать итоговый вывод, преодолевая противоречия между позициями. При этом в промпте содержатся жесткие инструкции: не выдумывать цитаты, не использовать термины, появившиеся после 1924 года, и не выдавать себя за очевидца современности.

Системный контроль и митигация ошибок

Работа с ИИ требует надежных механизмов безопасности и качества. Проект включает многоступенчатую систему постобработки («гейты»):

* PreRagCensor (Цензура до генерации): Модуль отсеивает новости по тематическим стоп-словам, экономя ресурсы. Однако автор признает, что такой фильтр на основе списков не идеален и может допускать ошибки. * Анти-клише и Анти-анахронизм: После генерации текст проверяется на наличие современных штампов и аномалий. Если в ответе появляются термины, не существовавшие в эпоху Ленина, или характерные для нашего времени клише, публикация блокируется. * Обработка «мертвой онтологии»: Одним из главных вызовов является ограничение базы знаний текстами начала XX века. Чтобы анализ новостей о современном мире (например, о кризисе или трансферах в футболе) был осмысленным, система определяет тему новости не через поиск точного совпадения фраз, а через анализ смысловых категорий, применимых к историческому контексту.

Результаты и статистика

По данным с производственной среды (VPS) за август 2026 года, система продемонстрировала высокую эффективность фильтрации. Из потока RSS ленты новостей (около 1000–1150 сообщений в день) лишь около 39% проходили через все фильтры и получали полноценный анализ от ИИ. Около 58% сообщений блокировались на этапе предварительной цензуры как не относящиеся к тематике или содержащие триггеры, а ещё часть отправлялась на ручной пересмотр.

Стоимость обработки составила незначительную сумму при использовании внешних API для генерации, что подтверждает гипотезу автора о том, что «малая LLM с качественной программной обвязкой на узкой задаче может показать результат, сопоставимый с большой моделью». Проект открыт на GitHub, а результаты анализов публикуются в мессенджер.

Создание «АЙ_Ленина» — это пример того, как техническая реализация RAG может сочетаться с философскими концепциями для создания нового типа медиа-аналитики, хотя автор честно указывает на остающиеся проблемы: нестабильность API, сложность обновления статичной онтологии и постоянную необходимость подкрутки фильтров безопасности.