Язык специального назначения для LLM: как ограничить модель и получить стабильный результат

Идея принадлежит Unmesh Joshi, ведущему инженеру компании Thoughtworks и автору книги «Patterns of Distributed Systems». В статье на Martin Fowler's blog он разбирает проект Tickloom, предметную модель и DSL для описания поведения распределённых систем, и показывает, как LLM становится партнёром при итеративном создании такого языка. Для российских проектов, где требования к надёжности и воспроизводимости результатов жёстче среднего, подход с DSL решает конкретную боль: хаотичная генерация кода заменяется каркасом, который можно проверить и переиспользовать.

Зачем вообще ограничивать LLM?

Joshi формулирует проблему так: когда вы просите LLM написать систему по высокоуровневому описанию, вы исходите из того, что «намерение» уже сформулировано точно. На практике это не так.

• Все проектные решения невозможно знать заранее. Первая спецификация, по словам Joshi, это гипотеза, а не чертёж.
• Проверка сгенерированного кода не равна его написанию. Просматривая фрагменты, вы оцениваете соответствие замыслу, но не принимаете решения о границах и ответственности.
• Дизайн раскрывается в процессе реализации, а не до неё.

Язык специального назначения для работы с LLM закрывает этот разрыв: вместо того чтобы описывать «сделай мне систему», вы даёте модели набор строительных блоков, за которые она не может выйти.

Почему DSL и LLM работают в связке?

Joshi указывает на знакомые каждому разработчику примеры:

• PlantUML, Mermaid, Graphviz для диаграмм.
• SQL для запросов к базам данных.
• YAML для Kubernetes для описания облачной инфраструктуры.

Все они намеренно ограничены и описывают узкий набор понятий одной предметной области. LLM генерирует диаграммы Mermaid или SQL-запросы по обычному описанию именно потому, что вариантов мало: язык общего назначения вроде Java даёт десятки корректных способов выразить одно намерение, DSL оставляет один-два.

По наблюдению Joshi, достаточно дать модели несколько примеров на DSL прямо в промпте (промпт, текстовая инструкция для модели), и результат становится стабильнее, чем при работе с обычным языком программирования.

Что понадобится

• Доступ к любой LLM, поддерживающей длинный контекст: ChatGPT, Claude, GigaChat или YandexGPT.
• Понимание предметной области, для которой вы создаёте DSL: какие сущности, какие операции, какие ограничения.
• Набор из трёх-пяти примеров на вашем будущем DSL, чтобы дать модели образец.
• Около часа на первую итерацию.

Пошаговая инструкция

1. Определите предметную область и её словарь. Выпишите ключевые понятия. Для блога на Дзене это могут быть «пост», «рубрика», «CTA-блок», «лид», «подзаголовок». Для интернет-магазина: «товар», «скидка», «корзина», «оплата».

2. Опишите три-пять примеров на будущем DSL. Не программируйте синтаксический анализатор, просто напишите, как должен выглядеть ваш язык. Например:

post "Обзор нейросетей для авторов Дзена"
  rubric: "ИИ-инструменты"
  lid: 1 sentence, 25-30 words
  sections:
    - h2: question
    - h2: statement
  cta: link to dzen.guru/tools

1. Передайте примеры в системный промпт (system prompt, скрытая инструкция, задающая роль и правила модели) как образцы. Попросите LLM генерировать ответы строго в этом формате:

Ты — генератор контент-планов для Дзена.
Отвечай ТОЛЬКО в формате DSL, приведённом ниже.
Не добавляй пояснений вне формата.
[вставьте три примера]

1. Итерируйте вместе с моделью. Joshi подчёркивает, что LLM выступает партнёром при создании DSL: вы задаёте границы, модель предлагает варианты синтаксиса, вы проверяете и корректируете. Каждый цикл «описание, генерация, проверка» уточняет и спецификацию, и сам язык.

2. Зафиксируйте DSL как единственный источник истины. Когда формат стабилизировался, любые изменения в системе проходят через DSL-описание, а не через свободный промпт. Модель генерирует код или контент только по каркасу.

Системный промпт: [три примера DSL контент-плана, как в шаге 2]
Запрос: Сгенерируй контент-план для поста про сравнение ChatGPT и GigaChat для копирайтеров.

post "ChatGPT против GigaChat: что полезнее копирайтеру в 2025"
  rubric: "ИИ-инструменты"
  lid: 1 sentence, 28 words
  sections:
    - h2: "Чем отличается генерация текста?"
    - h2: "GigaChat понимает русский контекст лучше?"
    - h2: "Где каждая модель проигрывает"
  cta: link to dzen.guru/tools

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Создайте DSL для своих постов: формат лида, набор допустимых типов подзаголовков, правила CTA-блока. Вставьте три примера в системный промпт и перестаньте каждый раз объяснять модели, «как надо».

Разработчику в российском проекте. Язык специального назначения для LLM решает конкретную задачу: модель перестаёт изобретать архитектуру и работает внутри вашей предметной модели. Для проектов со строгими требованиями к надёжности, от финтеха до госсистем, это переход от «проверяю каждую строчку» к «проверяю каркас один раз, результат стабилен».

Маркетологу. DSL-подход пригодится для генерации однотипного контента: карточек товаров, описаний акций, шаблонов рассылок. Один раз опишите формат, потом масштабируйте через промпт без потери качества.

Попробуйте за час: возьмите свой самый частый тип контента, опишите его формат тремя примерами, вставьте в системный промпт и попросите модель сгенерировать четвёртый. Если результат совпал с ожиданием, вы только что создали свой первый DSL.