Почему голого ChatGPT мне не хватило

Я разработчик и многодетный отец. Вечером у меня обычно не хакатон, а «дежурство в приёмном покое»: работа, дедлайны, быт — и параллельно кто-то из детей приходит с «пап, у меня что-то болит».

В 2025-м кажется, что решение очевидно: открыл ChatGPT/Claude, описал симптомы, получил ответ. Я так и делал — до тех пор, пока не стало понятно: голого чат-ИИ мне не хватает.

Мне нужен был не ещё один «умный собеседник», а система, которая помнит историю конкретного ребёнка, умеет её поднимать и объяснять мне ситуацию человеческим языком.

Так появился Telegram-бот @NoPanicHealthBot, который я сначала делал исключительно для своей семьи, а уже потом увидел в нём архитектурный паттерн, масштабируемый на широкую аудиторию.

Дисклеймер: бот не ставит диагнозы и не заменяет врача. Это инструмент для структурирования данных и получения подсказок, а не медицинское устройство.

Три вещи, которых нет у «голого» ChatGPT

1. ИИ не знает человека:

• какие анализы уже были;
• на что есть аллергии;
• какие хронические истории у конкретного ребёнка;
• что уже пробовали из лечения и как это сработало.

Каждый раз получается мини-эпикриз: «Смотри, это Маша, 7 лет, в прошлом году…» — и так по кругу.

Это утомляет, а главное — нет гарантии, что модель вытащит действительно важные детали.

2. Память одноразовая

Сегодня вы честно выгрузили полгода истории ребёнка в чат, а через пару месяцев:

• вы снова ищете те же анализы;
• снова объясняете те же эпизоды;
• снова прогреваете контекст.

Модель не живёт вместе с вашей семьёй. Это не «личный врач», а просто ещё один диалог где-то в облаке.

3. Нет нормального контура управления

У голого чата нет:

• красных флажков: когда нужно закончить разговор и сказать «иди к живому врачу»;
• ограничений: что нельзя советовать детям определённого возраста, какие темы лучше вообще не трогать;
• истории решений: кто что посоветовал, что потом сработало/не сработало.

Да, можно как-то промптить, но это быстро превращается в мешанину из правил, которые сложно проверять, обновлять и объяснять.

Что я в итоге сделал: бот как внутренний MCP-сервер

В какой-то момент я перестал думать «как бы получше промптнуть ChatGPT», и стал думать так:

«Пусть LLM будет просто умным, но амнезирующим вычислителем.

Архитектурно это выглядит как личный MCP-сервер:

• Telegram-бот @NoPanicHealthBot — только интерфейс.

• Внутри — сервис, который хранит: людей и членов семьи;обращения; анализы; файлы; историю рекомендаций.

• LLM подключается к этому сервису как клиент к набору инструментов (tools).

Вместо длинной простыни текста модель получает возможность вызывать понятные операции:

• «дай профиль этого ребёнка»;
• «дай последние анализы такого-то типа»;
• «дай прошлые обращения по теме горла»;
• «сохрани вот такое summary и список рисков».

Модель вообще не знает ни про Telegram, ни про БД.

Она видит интерфейс инструментов и работает в рамках этих границ.

Типичный кейс: «у дочки снова болит горло» Разберём, как это выглядит изнутри (упрощённо).

1. Пользовательский слой Родитель пишет в @NoPanicHealthBot:

«У дочки снова болит горло».

Бот задаёт стандартные уточняющие вопросы:

• сколько длится;
• температура;
• есть ли кашель/насморк;
• были ли такие эпизоды раньше;
• что уже приняли.

Это не ИИ-магия, а обычная детерминированная «машина состояний», чтобы ничего критичного не забыть.

2. Слой памяти

Дальше сервис:

• находит в базе соответствующего ребёнка (member_id);
• поднимает: возраст; прошлые обращения по ЛОР-темам; последние анализы; аллергии и хронические заболевания.
• возраст;
• прошлые обращения по ЛОР-темам;
• последние анализы;
• аллергии и хронические заболевания.

На этом шаге появляется структурированная «карточка случая», а не просто текст:

• жалоба + длительность;
• ключевые симптомы;
• вытащенные значения из анализов;
• релевантные куски истории.

3. Слой ИИ как инструмента

Затем включается LLM. Внутри у меня несколько «виртуальных врачей»:

• условно отечественная школа;
• западная доказательная;
• более мягкий / «восточный» профиль;
• отдельный профиль под косметологию.

Каждый профиль — это свои инструкции и ограничения, но данные у всех одни и те же: та самая «карточка случая».

Модель на вход получает:

• системное описание роли («ты врач такой-то школы, твоя задача…»);
• структурированный кейс;
• ограничения: когда нужно отправить к живому врачу, что нельзя советовать детям и т.п.

На выходе я прошу не просто «ответ текстом», а набор полей:

• краткое человеческое summary;
• список рисков / поводов для офлайна;
• список наблюдений;
• текст объяснения для родителя.

Бот показывает объяснение, а сервис записывает всё это в историю конкретного визита.

Если хочется второе мнение — тот же кейс уходит в другой профиль врача, и бот показывает ответы рядом.

Косметология: тот же подход, другая предметка

Косметология родилась почти автоматически — на тех же рельсах.

Сценарий:

1. Бот спрашивает про кожу и цели (зона лица, жалобы, уход).
2. Пользователь кидает селфи.
3. Сервис: сохраняет оригинальное фото; прогоняет через распознавание; превращает в набор признаков: тип кожи, наличие покраснений, пигментации и т.п.
4. сохраняет оригинальное фото;
5. прогоняет через распознавание;
6. превращает в набор признаков: тип кожи, наличие покраснений, пигментации и т.п.
7. В LLM уходит уже структурированное описание кожи + история прошлых рекомендаций по этому человеку.
8. Профиль «косметолог» строит план ухода, который бот показывает и складывает в историю.

Для модели это всё те же инструменты:

• «дай мне признаки кожи по этому человеку»;
• «дай историю прошлых назначений»;
• «запиши новые рекомендации».

Предметная область другая, архитектурный подход — тот же.

Почему я не стал просто «увеличивать контекст»

На этом месте обычно спрашивают:

«Ну ок, а если просто давать модели побольше текста? Контекст-то растёт».

Проблемы не исчезают:

1. Окно всё равно конечно. В какой-то момент вы всё равно обрезаете историю. Чем — эвристикой и удачей.
2. Шум. В реальной жизни диалог с ботом полон случайных реплик, уточнений, опечаток. Модель тратит токены и внимание на то, что в медицинском смысле ничему не помогает.
3. Сложно объяснить решение. Когда всё завязано на текст, тяжело честно ответить: откуда модель взяла тот или иной вывод; какие анализы были учтены, а какие нет; не опирается ли она на устаревшую рекомендацию полугодичной давности.
4. откуда модель взяла тот или иной вывод;
5. какие анализы были учтены, а какие нет;
6. не опирается ли она на устаревшую рекомендацию полугодичной давности.

Когда у вас есть MCP-подход, вы:

• явно определяете, какие факты входят в кейс;
• можете логировать именно «факты, на основе которых работала модель»;
• в любой момент воспроизводите ситуацию: тот же кейс → та же или другая модель → сравнение результатов.

Зачем это всё мне — и почему это не только про мою семью

Первая мотивация была очень приземлённой:

• перестать паниковать ночью, когда «что-то болит»;
• иметь одну точку правды по анализам и историям болезней;
• не пересказывать всё заново каждому врачу и каждой модели.

Для моей семьи @NoPanicHealthBot уже стал чем-то вроде

«семейной медицинской карты с умным слоем сверху».

Но по мере развития стало очевидно, что:

• паттерн «личный MCP-сервер для человека» универсален;
• сверху можно подключать разные LLM (облачные, локальные, self-hosted);
• интерфейсом может быть не только Telegram, но и веб, мобильные приложения, интеграции с клиниками или страховыми.

То есть из «домашнего проекта» это легко превращается в продукт для широкой аудитории — с тем же ядром:

структурированная персональная память + слой инструментов для ИИ.

Что можно утащить из этого опыта

Если вы работаете с LLM и вам тесно в формате «ещё один чат-бот», вот три идеи, которые я вынес:

1. Разделяйте интеллект и память. Модель не обязана помнить вашу доменную историю. Память должна быть в вашем сервисе.
2. Смотрите на свой бэкенд как на MCP-сервер. Опишите, какие именно инструменты нужны модели: не «текст диалога», а функции с чёткими контрактами над вашей предметкой.
3. Стройте контуры управления вокруг ИИ, а не внутри промпта. Ограничения, проверка, аудит — это нормальная инженерная работа, а не «магия подсказок».

Голый ChatGPT отлично отвечает на разовые вопросы.

Но как только вы хотите, чтобы ИИ жил вместе с человеком, помнил его историю и работал по понятным правилам, вам почти неизбежно приходится строить вокруг него что-то вроде личного MCP-сервера.

В моём случае это вылилось в @NoPanicHealthBot — семейного медбота, который со временем, возможно, перестанет быть только семейным.