drMazai

Дружелюбный Русский Алгоритмический язык, Который Обеспечивает Наглядность сокращенно ДРАКОН — визуальный язык, созданный в СССР для космической программы «Буран». Его разработали для задач высокой ответственности, где ошибка недопустима. Основная цель ДРАКОН — сделать логику однозначной и понятной. Сегодня мне кажется, что ДРАКОН может обрести новую жизнь благодаря искусственному интеллекту. Я не встречал статей о его применении с ИИ, и поэтому решил написать об этом.

В этой статье я разберу практический кейс: от простого алгоритма до готового кода через JSON-представление и проверку логики. Задача будет элементарной, но цель — показать смысл такого подхода. В конце статьи приведу пример из сферы, не связанной с программированием и мы разберём его на примере работы с ДРАКОН.

Введение

Сейчас в разработке популярна практика «вайбкодинга»: программист описывает задачу на словах, а ИИ генерирует код. Иногда это срабатывает, но чаще приходится много раз объяснять, где нужны исправления и что следует проверить. Слова не всегда передают логику. Легко упустить важные проверки, граничные случаи и последовательность действий. В результате мы ловим баги на ровном месте, что только усложняет процесс разработки.

Алгоритмическое мышление помогает решать эту проблему. Визуальная логика убирает двусмысленности, которые не всегда удаётся уловить с помощью текста. С помощью ДРАКОН мы можем разбить задачу на чёткие шаги и увидеть все возможные ветки выполнения, а также то, что происходит в каждом случае. Этот инструмент позволяет описывать логику без неясностей.

Я давно думал о создании редактора, в котором можно было бы строить логику блоками, а код генерировался бы автоматически. Эпоха ИИ вдохновила меня вернуться к этой идее. ДРАКОН — это не просто способ алгоритмизации задачи, а понятный язык общения с моделями ИИ. Схема задаёт структуру, а ИИ отвечает за реализацию кода.

Что такое ДРАКОН и чем он полезен?

ДРАКОН позволяет визуально представить алгоритмы, делая их понятными и доступными. Он исключает двусмысленности и помогает разработчикам чётко формулировать свои мысли. Визуальное представление улучшает качество кода и упрощает коммуникацию как между людьми, так и между человеком и ИИ.

Если вы хотите создать понятный и надёжный код или написать структурированную статью, создать правило обработки входящих сообщений, то стоит обратить внимание на ДРАКОН. Существует несколько бесплатных редакторов ДРАКОН-схем, работающих как в онлайн, так и в оффлайн режимах. Думаю, каждый сможет подобрать вариант для себя.

Главные правила ДРАКОН:
- Читается сверху вниз
- Без пересекающихся стрелок
- Единые блоки для условий, циклов и действий
- Масштабирование детализации: от общей карты до конкретных шагов

Это удобно не только разработчикам. Любой процесс со строгими шагами легче объяснить через ДРАКОН: аналитика, медицина, образование, юриспруденция, инженерия.

Пример: определение возрастной категории пользователя

Для примера я возьму простую задачу, понятную всем: «Определить возрастную категорию пользователя». Я хотел бы расписать классическую для программирования задачу коммивояжёра, но с ней становится слишком много кода. Моя цель — передать именно логику подхода, а не запрограммировать что-то сложное.

Логика задачи:

1. Спросить возраст.
2. Если возраст меньше 0 или больше 150 — попросить ввести снова.
3. Иначе проверить по порогам:
- < 13 → «Ребёнок»
- < 18 → «Подросток»
- < 65 → «Взрослый»
- Иначе → «Пожилой»
4. Вывести результат.

Такую схему удобно представить визуально в редакторе ДРАКОН. Она хранится в структурированном виде (JSON): у каждого блока есть тип (вопрос, действие, выбор), входы и выходы. Для человека это картинка, а для ИИ — точная спецификация, по которой можно сгенерировать код на Python, PHP, JS и других языках, без предположений о том, «что автор имел в виду».

Как AI «читает» ДРАКОН схемы

Модели ИИ могут:
- Разобрать структуру (последовательности, ветвления, циклы).
- Перевести блоки в код (вопрос → if, действие → присваивание/вызов, цикл → while/for).
- Проверить логику (мертвые ветки, непокрытые случаи, лишние проверки).
- Собрать документацию на естественном языке.

Я пробовал разные LLM: ChatGPT, Cloude, Qwen, K2 — все они отлично понимают алгоритмы в виде JSON, и как результат, ДРАКОН становится мостом между замыслом и реализацией. Человек держит в руках логику, а машина — синтаксис и рутину.

Важно: Не все LLM принимают файлы с расширением .drakon. Поменяйте расширение файла на .txt, и ИИ гарантированно его примет.

Результат в виде кода Python

Результат в виде кода PHP

Где ещё это работает

- Бизнес-процессы: заявки, согласования, логистика.
- Медицина: протоколы диагностики и лечения.
- Образование: учим детей думать алгоритмами без синтаксиса.
- Юриспруденция: пошаговые процедуры применения норм.
- Инженерия: аварийные инструкции и чек-листы.

Везде, где важна полнота и порядок, ДРАКОН спасает ИИ от лишних мыслей и предположений. Вы можете задать алгоритм обработки любых данных в понятном LLM формате и получить хорошую предсказуемость поведения.

Почему это важно сейчас

Генеративный код часто выглядит правдоподобно, но внутри могут быть дыры. Чёрный ящик не объясняет свои решения.

ДРАКОН возвращает контроль:
- Мы видим все ветки и что случится в каждом случае.
- Задаём валидации и «пути по умолчанию».
- Передаём ИИ не «текст с идеями», а чёткую схему.

Это снижает риски и сюрпризы на продакшене.

Итог

ДРАКОН — язык честной логики. Он не даёт прятаться за общие фразы: показывайте шаги и связи. В паре с ИИ это работает так:
- Человек формулирует структуру и ограничения.
- ИИ пишет код, находит пробелы, предлагает улучшения.
- Результат становится прозрачным и проверяемым.

Писать «по вайбу» можно. Но если хочется, чтобы система вела себя предсказуемо — лучше один раз собрать логику в ДРАКОН.

Бонус для тех кто не программирует, но дочитал до этого момента:

Я хочу показать, что ДРАКОН применим не только в программировании. Давайте представим эту статью в виде алгоритмической структуры в ДРАКОН.

Попросим ИИ К2 собрать план статьи из схемы

Понравилась статья? Я рассказываю об ИИ-инструментах в Cherry Studio Club — канале о практиках применения ИИ. Подписывайтесь!

Я много общаюсь с ИИ и удивляюсь, как мало в ру‑сегменте пишут про китайский ИИ-клиент Cherry Studio. Cherry мне настолько понравился, что завёл канал с примерами, разборами и настройками — заходите https://t.me/CherryStudioClub

Что это?
Cherry Studio — это ИИ‑клиент: один интерфейс, где подключаются популярные провайдеры (например, OpenAI, Anthropic, DeepSeek,) провайдеры-агрегаторы и локальные модели. Есть помощники (агенты), базы знаний, локальная история чатов и встроенное сравнение: выбираете несколько моделей — они отвечают одновременно.

Почему удобно:
— Меньше подписок, переключений
— Легко работать с разными ИИ
— Агенты под каждую задачу свой: ИИ может быть одновременно и программистом и менеджером
— Несколько задач выполняются параллельно
— Одновременное сравнение нескольких моделей
— При работе с провайдерами не нужен ВПН и оплата в рублях и можно сильно сэкономить
— Можно работать с локальными моделями и провайдерами без абонплаты — платите только за фактическое использование

— Можно использовать «Быстрые фразы» (Пример: «Мы работаем над блогом на тему: {тема блога}, а наша аудитория — {описание аудитории}») и тогда в диалоге появится вопрос: введите тему блога и описание аудитории

С какими ИИ работает:
Можно подключить стандартные модели, если оплачиваете и есть доступ через API. Можно подключить множество моделей через единых API-провайдеров (ссылки есть в закрепе) — так вы экономите и контролируете расходы. Можно работать бесплатно с локальными моделями. Можно выбирать лёгкую и дешёвую модель для черновиков, ограничивать длину ответов, выносить факты в базу знаний.

Как использовать:
— Скачайте клиент: https://www.cherry-ai.com/download
— Вставьте ключ провайдера (ссылки есть в закрепе канала) или выберите локальную модель.
— Создайте агента: цель, стиль, запреты.
— Подключите базу знаний: загрузите файлы/папку.
— Включите сравнение моделей на одном запросе — так вы быстро поймёте, какая модель лучше для ваших задач.

Агенты и ассистенты:
В Cherry очень просто настраивать агентов. Каждый агент может работать со своей LLM, собственной базой и своими MCP-инструментами (Model Context Protocol — подключение папок, API, браузера и т.п.). Можно делать агентов «на все деньги» с дорогими LLM — если не экономить — или «дешёвых» для рутинных черновиков и «дорогих» для точных ответов. Ассистент это «слепок» агента на момент его добавления к чату, он не меняется при изменении агента.

Один запрос в несколько LLM:
Сравнение моделей это прям киллер-фича, экономит время и улучшает понимание отличий LLM. Один запрос уходит в 2–3 модели одновременно. Можно видеть скорость ответа, сравнивать точность, стиль, ссылки. по наблюдениям, тексты часто лучше выходят у одной модели, извлечение фактов — у другой.

В чем экономия:
Я написал «При работе с провайдерами … оплата в рублях и можно сильно сэкономить», это обычно вызывает вопросы, как так, почему дешевле, дешевле = хуже и тд. Провайдеры получают гранты, скидки на объемы и прочие ухищерения, в некоторых вариантах есть динамическое переключение моделей по нагрузке, что удешевляет ответ и т.д.

Лайфхак:
Не по теме статьи, но отдельно я про это писать не буду, может кому-то пригодится. Для повседневных мелочей я использую https://chat.qwen.ai/ — он бесплатный, есть мобильное приложение и запросы с компьютера видно на телефоне. Многие не знают про него, что тоже удивительно.

У Cherry Studio масса других возможностей, но чтобы не перегружать статью, если она вызовет интерес, я сделаю цикл статей, а если не вызовет, все равно буду выкладывать информацию в канале, подписывайтесь.

И да, не ИИ, а я много лет пишу с «ёлочками» и — «длинными тире» используя клавиатуры Ильи Бирмана =)