Як підготувати дані для AI агентів: 5 активів для підвищення продуктивності автоматизації - Aitematic

Більшість AI агентів працюють погано не через слабку модель, а через неякісні вхідні дані — сміття на вході дає сміття на виході. Цей туторіал покаже, як підготувати 5 ключових типів даних, які перетворять вашого агента з хаотичного виконавця на точний інструмент. На виконання знадобиться від 2 до 4 годин, залежно від обсягу ваших існуючих матеріалів. Для старту вам потрібен доступ до будь-якої платформи для AI агентів (n8n, Make, LangChain або AutoGPT) та базові дані про ваш бізнес або проєкт.

🛠️ Що знадобиться

Notion або Obsidian — для структурування бази знань агента; Notion безкоштовний для особистого використання, Obsidian повністю безкоштовний
Google Sheets або Airtable — для зберігання структурованих даних і таблиць із правилами; обидва мають безкоштовні тарифи
n8n або Make (Integromat) — платформа для запуску AI агентів і автоматизацій; n8n має self-hosted безкоштовну версію, Make дає 1000 операцій безкоштовно
ChatGPT або Claude API — для тестування агента на підготовлених даних; потрібен платний акаунт або API ключ
JSON Formatter (jsonformatter.org) — безкоштовний онлайн-інструмент для валідації та форматування JSON-файлів

📋 Покрокова інструкція

Крок 1: Створіть системний промпт-документ (Актив №1)

Відкрийте Notion і створіть нову сторінку з назвою “Agent System Prompt — [назва вашого агента]”. У першому блоці напишіть чіткий опис ролі агента у форматі: “Ти — [роль], який допомагає [цільовій аудиторії] вирішувати [конкретну задачу]”. Нижче додайте три розділи: “Що агент робить завжди”, “Що агент ніколи не робить” і “Тон спілкування”. Наприклад, у розділі “Ніколи не робить” пропишіть конкретні заборони: “не дає юридичних порад”, “не обіцяє конкретних результатів у цифрах”. Збережіть документ і скопіюйте його вміст у поле System Prompt вашого агента в n8n або Make — це основа, від якої залежить поведінка всього ланцюжка.

Крок 2: Побудуйте базу знань у форматі Markdown (Актив №2)

У тій самій Notion-сторінці або в Obsidian створіть папку “Knowledge Base” і додайте окремі файли для кожної теми, з якою працює агент. Кожен файл має починатися з тегів у форматі YAML-шапки: напишіть три дефіси, потім “topic: назва теми”, “priority: high/medium/low”, “last_updated: 2026-01”, знову три дефіси. Обмежте кожен файл до 500-800 слів — більші документи агент “ріже” посередині і втрачає контекст. Після наповнення натисніть в Notion кнопку “Export” у верхньому правому куті → оберіть “Markdown & CSV” → клікніть “Export”. Отримані .md файли завантажте у векторну базу даних вашого агента (Pinecone, Weaviate або вбудоване сховище n8n).

Крок 3: Підготуйте таблицю правил і винятків (Актив №3)

Відкрийте Google Sheets і створіть новий файл з назвою “Agent Rules Matrix”. Додайте чотири колонки: “Trigger” (що запускає правило), “Condition” (за якої умови), “Action” (що робити), “Priority” (від 1 до 5). Заповніть мінімум 15-20 рядків — наприклад: Trigger “клієнт питає про ціну”, Condition “ціна не вказана в базі знань”, Action “запитати у клієнта бюджет і передати менеджеру”, Priority “1”. Після заповнення натисніть “File” → “Download” → “Comma-separated values (.csv)”. Цей CSV-файл підключіть до агента як інструмент-довідник через вузол “Read File” або “Google Sheets” у вашому workflow в n8n — агент звертатиметься до нього при кожному рішенні.

Крок 4: Сформуйте бібліотеку прикладів (Few-Shot Examples) (Актив №4)

Це найважливіший крок для якості відповідей агента. Зберіть 20-30 реальних прикладів взаємодії у форматі “запит → ідеальна відповідь” і збережіть їх у JSON-файл. Структура кожного елемента: відкрийте фігурну дужку, напишіть “user”: “текст запиту”, “assistant”: “текст ідеальної відповіді”, “tags”: [“категорія1”, “категорія2”], закрийте дужку. Вставте весь JSON на сайт jsonformatter.org → натисніть кнопку “Validate JSON” — переконайтесь, що немає помилок (має з’явитися зелений напис “Valid JSON”). Готовий файл examples.json підключіть до системного промпту агента, додавши інструкцію: “При відповіді орієнтуйся на приклади з файлу examples.json, підбираючи найближчий за тегами”.

Крок 5: Налаштуйте систему метаданих і версіонування (Актив №5)

Створіть в Airtable нову базу “Agent Assets Registry” з полями: “Asset Name”, “Type” (dropdown: prompt/knowledge/rules/examples/metadata), “Version” (число), “Status” (Active/Draft/Deprecated), “Last Tested” (дата), “Performance Score” (число від 1 до 10). Заповніть реєстр усіма чотирма активами, які ви створили раніше. Щоразу, коли ви змінюєте будь-який актив — збільшуйте Version на 0.1 і записуйте дату тестування. Підключіть Airtable до n8n через вузол “Airtable” → “List Records” і додайте на початку кожного workflow агента перевірку: агент зчитує реєстр і підвантажує лише активи зі статусом “Active”. У підсумку ви отримаєте повністю керовану екосистему даних, де кожна зміна відстежується і легко відкочується.

⚠️ Типові помилки та як їх уникнути

Занадто великі документи в базі знань — агент обрізає контекст після ~2000 токенів; розбийте кожну тему на окремі файли до 600 слів і перевіряйте розмір через tokenizer.openai.com
Суперечливі правила в таблиці Rules Matrix — якщо два правила з однаковим Priority спрацьовують одночасно, агент поводиться непередбачувано; завжди призначайте унікальний Priority кожному правилу і тестуйте граничні випадки вручну
Few-shot приклади без тегів — агент не може знайти релевантний приклад і ігнорує бібліотеку; обов’язково додайте мінімум 2-3 теги до кожного прикладу і перевірте, що теги збігаються з термінологією вашої бази знань
Відсутність версіонування активів — після оновлення промпту неможливо зрозуміти, яка версія спричинила погіршення; ніколи не перезаписуйте файли, а створюйте нові з суфіксом _v2, _v3 і оновлюйте статус старих на Deprecated в Airtable

💡 Поради для кращого результату

Тестуйте агента після кожного нового активу окремо, а не всі разом — так ви точно знатимете, який файл покращив або погіршив результат. Додайте до системного промпту інструкцію “Якщо ти не впевнений — скажи про це прямо і запитай уточнення”, замість дозволу вигадувати відповіді. Для бази знань використовуйте активну мову і конкретні цифри замість загальних описів: замість “ми швидко відповідаємо” пишіть “час відповіді — до 2 годин у робочі дні”. Раз на два тижні переглядайте Performance Score в Airtable і видаляйте few-shot приклади з оцінкою нижче 6 — застарілі приклади активно шкодять якості відповідей.

❓ Часті запитання (FAQ)

1. Скільки прикладів потрібно в бібліотеці few-shot?
Мінімум 15, оптимально 30-50. Менше 15 прикладів — агент не бачить патернів і відповідає непослідовно. Більше 100 — збільшується час обробки без суттєвого приросту якості, якщо приклади не розділені за тегами.

2. Чи можна використовувати PDF замість Markdown для бази знань?
Можна, але небажано — PDF часто містить артефакти форматування, таблиці розпізнаються некоректно, а розмір токенів важко контролювати. Конвертуйте PDF у Markdown через інструмент marker-pdf (безкоштовний, open source) і потім редагуйте вручну.

3. Як часто оновлювати активи?
Системний промпт — не частіше разу на місяць, бо кожна зміна потребує повного перетестування. Базу знань — одразу після зміни реальних процесів або продуктів. Таблицю правил — щотижня в перший місяць роботи агента, потім за потреби.

4. Що робити, якщо агент ігнорує правила з таблиці?
Найчастіша причина — таблиця підключена як статичний файл, а не активний інструмент. Переконайтесь, що в промпті є явна інструкція “перед кожною відповіддю перевір таблицю rules.csv і застосуй відповідне правило”. Також перевірте, що CSV-файл не містить пустих рядків і зайвих пробілів у назвах колонок.

5. Чи підходять ці 5 активів для локальних моделей (Ollama, LM Studio)?
Так, підходять повністю — формати Markdown, JSON і CSV є універсальними і не залежать від конкретної моделі. Єдина відмінність: локальні моделі мають менший контекст (зазвичай 4k-8k токенів), тому обмежте розмір бази знань і кількість few-shot прикладів, які підвантажуються одночасно, до 5-7 штук.

🏁 Підсумок

Ви навчились створювати 5 структурованих активів: системний промпт-документ, базу знань у Markdown, таблицю правил у CSV, бібліотеку few-shot прикладів у JSON і реєстр версій в Airtable. Разом вони формують керовану, передбачувану і легко оновлювану основу для будь-якого AI агента.

Почніть прямо зараз з найпростішого — відкрийте Notion і за 20 хвилин напишіть системний промпт за шаблоном з Кроку 1. Після першого тесту агента з якісним промптом ви одразу помітите різницю і зрозумієте, у якому напрямку рухатись далі.