протокол уточненийдата: 2026-10-06
Доступ LLM-агентов к сервису: MCP с базой знаний против MD-репозитория с OpenAPI
Исходная формулировка пользователя
сделай дип ресерч сравнения подоходо mcp+"база знаний как им пользоваться(тоже md репозиторий)" против "MD-репозиторий и OpenAPI как карта API". Мне надо понимать:
- Если ли явное преимущество у какого-то подхода и в каких случаях
- Есть ли у крыпных игроков рынка движения в ту или иную сторону и почему, были ли смены парадигмы
- Есть ли какие-то лучшие практики именно для нашего кейса(онтрек для менеджеров оцифровки данных) и возможно для "чата клиента, как механика управления данными" на октябрь 2026
- Есть ли какие-то тренды в этом вопросе? Почему?
- Может есть ещё какие-то стратегии?
- Возможен ли впринципе в обозримом будущем какой-то стандарт похода или это всегда будет на выбор разработчика
Какие ещё вопросы я забыл поставить?
Раунд 1
Вопросы координатора с рекомендациями и ответы пользователя. Если ось зафиксирована по умолчанию без вопроса, это отмечено.
Перед вопросами координатор собрал факты:
- Подход «MD-репозиторий и OpenAPI» в OnTrack уже работает. В документации бэкенда около 640 md-файлов для людей и LLM: состояние, направления, руководства, спецификации. Документацию REST API для LLM и интеграторов можно загружать частями. OpenAPI 3.0 генерирует drf-spectacular, схема нарезана по доменам.
- Подход «MCP и база знаний» есть в черновике плана MCP-сервера от 30.09.2026, кода нет. Сервер — удалённый HTTP внутри Django, OAuth 2.1. Знания агент получает из инструкций сервера, описаний инструментов, подсказок в ответах и инструмента, который отдаёт md-руководства из репозитория. Первый клиент — Claude, поддержка ChatGPT обязательна.
- Контуры. Менеджеры оцифровки подключают хозяйство: данные приходят в любом формате, агент разбирает, сверяет, сообщает конфликты в чате и пишет после подтверждения человека. Чат клиента: хозяйство спрашивает своего ассистента о своих данных.
- В принципах управления продуктом (
knowledge/framework/management-harness-handoff.md, принцип 3) — безинтерфейсная операционка: интерфейс подстраивается под задачу в чате (опрос, демонстрация, сводка). - Смежные исследования. В
2026-10-01-django-api-practicesесть MCP-сервер внутри Django через django-mcpz и сверка ответов API с OpenAPI в тестах Zulip. В2026-09-21-specification-writing-practicesописаны эксперименты 2026 года с AGENTS.md: файлы, сгенерированные моделью, значимо не помогают и дороже на 20–23 %.
Координатор ответил и на вопрос «Какие ещё вопросы я забыл поставить?» — предложил 11 дополнительных вопросов:
- Безопасность: чужие инструкции, спрятанные в данных хозяйств (фото, xlsx, переписка), когда у агента одновременно чужой контент, доступ к данным и право записи.
- Подтверждение и откат записи: предпросмотр, пакеты, журнал «кто и через какого агента записал».
- Цена и скорость: токены на описания инструментов против чтения кусков OpenAPI; что будет при сотне коллекций.
- Проверка качества: как измерять точность оцифровки и ловить ухудшение при смене модели.
- Расхождение источников: как держать API, OpenAPI, инструменты и руководства в согласии.
- Хосты и зависимость от вендора: что на октябрь 2026 реально поддерживают Claude, ChatGPT, Gemini, Copilot и что будет, если хост уберёт функцию.
- Данные и юрисдикция: персональные данные хозяйств в Украине и Казахстане, передача провайдерам LLM, согласие компании.
- Кто платит за модель: подписка менеджера, подписка клиента или модель внутри OnTrack.
- Интерфейс в чате: таблица, форма или карта поля прямо в чате вместо текста (MCP Apps и аналоги).
- Наблюдаемость: журнал действий агента и разбор его ошибок.
- Чужие агенты как клиенты OnTrack: банк, страховая или трейдер получают данные хозяйства с его согласия.
| # | Ось | Вопрос | Рекомендация | Ответ |
|---|---|---|---|---|
| 1 | Цель и решение | Какое решение должно обслуживать исследование? | Выбор того, как агенты получают доступ к OnTrack: контур менеджеров — решение нужно сейчас, до кода по плану MCP; чат клиента — направление на 6–12 месяцев; результат — вердикт по каждому контуру и правки к плану, решает владелец | «Да»; ответ 8 убрал правки к плану |
| 2 | Контекст применения | Через каких агентов работают люди? | Менеджеры — Claude (веб, десктоп, проекты и навыки) и ChatGPT интеграторов на личных аккаунтах; агенты с терминалом (Claude Code, Codex) — контрольная точка, где подход с OpenAPI работает без MCP; клиенты — сравнить свой чат в OnTrack, ассистента клиента с подключённым OnTrack и мессенджеры (Telegram, Viber, WhatsApp); в чужом ассистенте путь к API задаёт хост: коннектор MCP, Actions на OpenAPI в ChatGPT или код в песочнице — сравнить и их | «ДА» |
| 3 | Ограничения | Давать ли моделям материалы OnTrack: черновик плана MCP, разборы спецификации и звонка, README документации, образцы руководств и кусок OpenAPI? | Да, пакет только для чтения, без файлов хозяйств и кода, после проверки на секреты и персональные данные | «Нет, это неважно»: модели получают только краткое описание контекста в задании |
| 4 | Границы темы | Где границы темы? | Внутри: MCP; знания для агента (AGENTS.md, Agent Skills, llms.txt, инструкции, руководства через инструмент); OpenAPI как карта (нарезка, Arazzo, Overlays, Actions); гибриды (MCP из OpenAPI, код поверх API, CLI для агентов); коротко — A2A и агент в браузере. Вне: дообучение, выбор провайдера LLM; RAG по документам — только как часть базы знаний | «Да, все возможные способы взаимодействия llm с сервисом» |
| 5 | Обязательные объекты сравнения | Каких игроков разобрать обязательно? | Хосты и протоколы: Anthropic, OpenAI, Google, Microsoft, AWS, Linux Foundation; поставщики API, публично выбиравшие между MCP и OpenAPI: Stripe, Shopify, GitHub, Atlassian, Salesforce, Cloudflare, Twilio, Notion, Linear; инструменты для API: Postman, Kong, Stainless, Speakeasy; агро- и учётные системы: John Deere Operations Center, Climate FieldView, Syngenta Cropwise, SAP, Odoo, 1С | «Хосты и протоколы: Anthropic, OpenAI, Google. Инструменты для API - не надо. Агро- и учётные системы - если есть инфо по интеграции с llm - было бы неплохо»; к поставщикам API возражений нет — группа оставлена |
| 6 | Акценты по разделам | Включить дополнительные вопросы координатора (список выше)? | Да, все 11; одиннадцатый — коротко, как направление | «1-6, 9-11»: без юрисдикции данных и без вопроса, кто платит за модель |
| 7 | Акценты по разделам | Какие разделы важнее и какие артефакты нужны? | Глубже всего: вердикт; движения рынка и смены парадигмы с датами; дерево решений; практика для двух контуров OnTrack; антипаттерны и метрики; прогноз стандарта. Артефакты: дерево выбора с порогами; шаблоны описания инструмента и руководства для агента; проверочные сценарии оцифровки; чек-лист записи с подтверждением; таблица «что поддерживает каждый хост на 06.10.2026» | «норм» |
| 8 | Критерии успеха | По каким признакам поймём, что исследование удалось? | Для каждого контура — вердикт и условия, при которых выигрывает другой подход; карта движений игроков с датами и причинами; правки к плану; прогноз стандарта со сроком и уверенностью; практики подкреплены внедрениями, а не пересказом блогов | «правки в план не надо, просто исследование» |
Ось «Исторический горизонт» координатор предложил зафиксировать без вопроса: история с 2023 года, от плагинов ChatGPT на OpenAPI через Actions к MCP. Пользователь поправил: «история - НАЧИНАЯ с появления mcp и дальше(назад не надо)».
В задании вопросы пользователя помечены В1–В6, дополнительные — Д1–Д9: это пункты 1–6 и 9–11 списка выше. Модели ставят метку в начале каждого ответа.
Раунд 2
Не потребовался.
Итог уточнения
| Ось | Значение | Источник |
|---|---|---|
| Цель и решение | Общая картина выбора способа доступа LLM-агентов к сервису: «MCP и база знаний в MD» против «MD-репозитория и OpenAPI как карты API», плюс остальные стратегии. Прямые ответы на шесть вопросов пользователя и на дополнительные вопросы. Вердикт для двух контуров OnTrack: менеджеры оцифровки (решение нужно сейчас) и чат клиента как механика управления данными (направление на 6–12 месяцев). Правки к конкретному плану не входят | ответы 1 и 8 |
| Границы темы | Все способы взаимодействия LLM с сервисом: MCP во всех частях; прямой вызов API по карте OpenAPI и MD; Actions на OpenAPI; инструменты в собственном агенте продукта; код поверх API, CLI, SDK; знания для агента (AGENTS.md, Agent Skills, llms.txt, инструкции, руководства через инструмент, документация через MCP); GraphQL, доступ к данным через SQL, файлы и шаблоны импорта, события и вебхуки; агент в браузере и управление компьютером; агент-агент (A2A и смежные протоколы); каналы чата клиента. Вне: дообучение моделей, выбор провайдера LLM, обзор вендоров инструментов для API; RAG по документам — только как часть базы знаний | ответ 4, ответ 5 |
| Контекст применения | OnTrack — B2B-система для агрохозяйств на Django и DRF: REST API, OpenAPI 3.0 с нарезкой по доменам, MD-база для LLM около 640 файлов; MCP-сервер в проекте, кода нет. Мультиарендность по компаниям. Контур 1 — менеджеры оцифровки через Claude и ChatGPT, контрольная точка — агенты с терминалом. Контур 2 — чат клиента в трёх местах: свой чат, ассистент клиента, мессенджеры. Материалы OnTrack моделям не передаются | ответы 2 и 3 |
| Исторический горизонт | С появления MCP (конец 2024 года) по 06.10.2026. Раньше не углубляться: живые на дату среза способы, появившиеся до MCP (например, Actions на OpenAPI), рассматриваются как текущие, без истории | поправка пользователя |
| Обязательные объекты сравнения | Подходы А и Б, их гибриды и остальные способы из границ. Обязательно: Anthropic, OpenAI, Google. Поставщики API: Stripe, Shopify, GitHub, Atlassian, Salesforce, Cloudflare, Twilio, Notion, Linear. Агро- и учётные системы (John Deere Operations Center, Climate FieldView, Syngenta Cropwise, SAP, Odoo, 1С и другие) — если есть публичные сведения об интеграции с LLM. Остальные игроки — на усмотрение моделей, в объёме, нужном для вопроса о стандарте | ответ 5 |
| Акценты по разделам | Шесть вопросов пользователя и дополнительные вопросы 1–6, 9–11. Глубже всего: вердикт, движения рынка и смены парадигмы с датами и причинами, тренды, дерево решений с порогами, практика для двух контуров, антипаттерны и метрики, прогноз стандарта. Артефакты: дерево выбора с порогами, шаблоны описания инструмента и руководства для агента, проверочные сценарии оцифровки, чек-лист записи с подтверждением, таблица поддержки по хостам на 06.10.2026 | ответы 6 и 7 |
| Критерии успеха | Прямой ответ на каждый из шести вопросов. Для каждого контура — вердикт и условия, при которых выигрывает другой подход. Карта движений игроков с датами, направлением и причинами; смены парадигмы названы и доказаны. Прогноз стандарта со сроком и уровнем уверенности. Практики подкреплены внедрениями или измерениями, а где их нет — так и сказано | ответ 8 |
| Ограничения | Правок к плану OnTrack нет, исследование общее. Материалы OnTrack не запрашиваются. Юрисдикция данных и оплата модели отдельно не раскрываются — только если от них зависит выбор. Вендоры инструментов для API не разбираются. Запреты стандарта исследования. Деплой — только по команде пользователя | ответы 3, 5, 6 и 8 |