Клиент — производитель промышленных подъемников. Использует автоматический воркфлоу с LLM для генерации статей блога. Проблема: AI систематически врет. Называет стационарные подъемники мобильными. Путает типы привода. Приписывает характеристики, которых нет. Для промышленного оборудования это не неточность — это ответственность.
Почему AI врет
Проблема не в промпте. LLM обучена на общих данных обо всех подъемниках мира. Без явных ограничений она усредняет факты — и выдает правдоподобную, но ложную информацию о конкретном производителе.
Что сделал Claude Code
Я поставил задачу: скрейпить сайт клиента и создать базу знаний, которая не даст LLM выдумывать.
Claude Code скрейпнул 41 страницу сайта, синтезировал структурированную базу знаний и сформулировал 7 критических правил. Например: все подъемники стационарные (никогда мобильные), ножничные — только гидравлика, шахтные — только тельфер, сервисные — максимум 300 кг итд.
Плюс 8 документов по типам оборудования, глоссарий терминов и антигаллюцинационный документ с примерами типичных ошибок и правильных формулировок.
Интеграция
Воркфлоу клиента — 19 нод в n8n. Claude Code проанализировал граф и нашел 4 точки, куда нужно инъектировать базу знаний: анализ тематики, финальный анализ, RAG-агент, генерация текста.
Формат: 9 строк в Google Sheets — ядро + 8 продуктов. Нода читает Sheets и передает KB в системный промпт каждой LLM. Claude Code написал инструкции по интеграции — клиент внедрил сам.
Результат
Ноль фактических ошибок по продукции в новых статьях. Побочный эффект: глоссарий стал полезен не только AI, но и копирайтерам клиента — они тоже путали термины.
Почему это важно
Любой бизнес с AI-контентом в технической нише столкнется с этой проблемой. Медицина, юриспруденция, финансы — везде, где неточность = ответственность.
Рецепт: скрейпинг сайта, синтез базы знаний, инъекция в промпт. Claude Code сделал всю цепочку за 3 часа. Я не трогал код — только проверял корректность правил.