Когда большинство компаний боятся трогать устоявшуюся технологическую платформу, Notion пошел на радикальный шаг — полностью перестроил свою архитектуру с нуля. В версии 3.0 популярного инструмента продуктивности инженеры отказались от попыток адаптировать существующую систему под агентный ИИ и создали принципиально новую платформу, способную масштабироваться на уровне корпоративных решений.
От задач к целям: новая философия агентов
Традиционные ИИ-воркфлоу основаны на пошаговых инструкциях и обучении на малом числе примеров (few-shot learning), тогда как современные модели рассуждения (reasoning-models) способны самостоятельно планировать действия, идентифицировать доступные инструменты и принимать решения. Notion 3.0 представляет собой полный пересмотр подхода к архитектуре — от жестких потоков, ориентированных на подсказки (prompt-ориентированных), к унифицированной оркестрационной модели.
Как объяснила VentureBeat Сара Сакс, глава отдела AI-моделирования Notion: «Вместо того чтобы пытаться встроить новые возможности в существующую архитектуру, мы решили играть на сильных сторонах моделей рассуждения. Мы перестроили всю систему, потому что рабочие процессы (workflow) принципиально отличаются от агентов».
Новая архитектура основана на модульных суб-агентах, которые могут:
- Контекстно выбирать инструменты поиска (Notion, Slack, веб)
- Выполнять последовательные поисковые запросы до нахождения релевантной информации
- Конвертировать заметки в предложения, создавать последующие сообщения (follow-up сообщения)
- Отслеживать задачи и автоматически обновлять базы знаний
Решение перестроить все с нуля — это либо признание технического долга катастрофических масштабов, либо стратегическое предвидение. В случае Notion это выглядит как и то, и другое. Пока конкуренты латают дыры в устаревших архитектурах, они создали платформу, которая может поглотить следующее поколение ИИ-прорывов без очередного апокалипсиса рефакторинга.
Борьба с галлюцинациями и оптимизация задержек
Notion внедрил строгую систему оценки, сочетающую детерминистические тесты, вербальную оптимизацию, данные с человеческими аннотациями и LLM (большие языковые модели) в качестве судьи. «Разделяя оценку, мы можем идентифицировать источник проблем и изолировать ненужные галлюцинации», — пояснила Сакс.
Особое внимание уделяется контекстной задержке — пониманию, когда пользователи готовы ждать, а когда требуют мгновенного ответа. Для навигационного поиска ожидания минимальны, тогда как сложные задачи, требующие 20 минут автономной работы агента через сотни сайтов и файлов, пользователи готовы терпеть.
Notion как собственный главный тестировщик
Компания активно использует свой продукт внутри организации, создавая быстрые циклы обратной связи. Сотрудники работают в активных песочницах, генерируя тренировочные и оценочные данные, а система thumbs-up/thumbs-down позволяет собирать детальную аналитику.
«Мы действительно „едим свою же собачью еду“ каждый день, и это дает нам невероятно быстрые циклы обратной связи», — отметила Сакс. При этом компания балансирует внутреннее тестирование с привлечением «очень продвинутых в ИИ» партнеров по дизайну для объективной оценки.
По материалам VentureBeat