Как подключить локальные MCP-серверы 1С к Ollama через MCPHost: пошаговое руководство

16.02.26

Интеграция - Нейросети

Ollama позволяет работать с разными облачными и локальными нейросетями бесплатно в виде чат-бота. Настроим полноценную среду для AI-ассистированной разработки на 1С, используя: Docker-контейнеры с MCP-серверами для 1С (метаданные, справка, проверка синтаксиса). Ollama работает с облачной моделью (поддерживающей function calling) MCPHost в качестве LLM-агента. Весь стек работает полностью локально без зарубежных платежей и номеров телефонов. Не требует VPN.

Хочу поделиться опытом решения  задачи вайб-кодинга в чат-боте Ollama на примере "Infostart MCP серверов", и это должно работать с любыми MCP серверами. В пользу чат-бота ориентирует преимущество концентрации на промпт-инжениринге.

Данное рещение Infostart MCP серверы - не первое, которое я вижу, и нужно отметить, что удобство эксплуатации является его большим достоинством.

 

📦 Что потребуется

Системные требования

  • Windows 10/11 (или другая ОС с поддержкой Docker)

  • 8+ ГБ RAM (рекомендуется 16 ГБ)

  • Docker Desktop

  • Ollama (установленная и настроенная)

  • Современные бесплатные новаторские модели ИИ MiniMax M2.5, GLM-5. Неважно, локальные или облачные - их можно использовать без ВПН, в том числе на сайте Оллама доступен клиент  облачного ДипСик.

  • MCPHost (бинарник для Windows) 

Компоненты для 1С

  • Приобретенное решение "MCP-сервера для программирования на 1С с LLM" с сайта Infostart

  • Docker-образы из поставки решения

  • Внешняя обработка ВыгрузитьОписаниеСтруктурыКонфигурации.epf

  • MCP-сервер для доступа к текстам модулей 1С: простая реализация на Node.js

 

🎨 Архитектура решения

Как это работает: краткое описание

  1. 1С Конфигуратор выгружает метаданные и модули в файлы

  2. Docker-контейнеры обрабатывают эти данные:

    • Загрузчик (loader) помещает метаданные в векторную БД Qdrant

    • Серверы (metadata, syntax-help, syntax-check) предоставляют API для доступа к данным

  3. Qdrant хранит векторные представления метаданных для семантического поиска

  4. Сервер модулей (Node.js) работает с файлами выгрузки, предоставляя доступ к коду

  5. MCPHost координирует работу:

    • Получает запрос пользователя

    • Выбирает нужный инструмент

    • Вызывает соответствующий MCP-сервер

    • При необходимости обращается к Ollama для обработки естественного языка

  6. Ollama с моделью minimax-m2.5:cloud обеспечивает понимание запросов и поддержку function calling

 

Компонент Роль Взаимодействие
MCPHost Оркестратор Получает запросы, вызывает инструменты
metadata-1c Поиск по метаданным Читает из Qdrant коллекцию 1c_rag
syntax-help-1c Справка синтакс-помощника Работает с собственной БД справки
syntax-check-1c Проверка синтаксиса Использует BSL Language Server
1c-modules Доступ к коду Читает файлы из I:\ssl_cf
Qdrant Векторная БД Хранит эмбеддинги метаданных
Ollama LLM Понимает запросы, помогает выбирать инструменты

 

🚀 Пошаговая инструкция

Теперь подробнее о настройке част-бота Ollama

🔹 ФАЗА 1: Инфраструктура (Docker + контейнеры)

🔹 ФАЗА 2: Модели (Ollama + minimax/glm)

🔹 ФАЗА 3: Данные (загрузка метаданных и модулей)

🔹 ФАЗА 4: Оркестрация (настройка MCPHost)

🔹 ФАЗА 5: Работа (запросы и диагностика)

 

Шаг 1: Установка Docker Desktop

  1. Скачайте Docker Desktop с официального сайта

  2. Установите, следуя инструкциям

  3. Запустите Docker Desktop и дождитесь появления значка в трее (зеленый кит)

  4. Проверьте работу в PowerShell:

    powershell

    docker --version
    docker-compose --version

Шаг 2: Подготовка файлов решения

Распакуйте приобретенное решение в удобную папку, например I:\mcp_v1.6.1\. Убедитесь, что там есть:

  • docker-compose.yml

  • Папка bsl-ls

  • Папка Примеры настроек

  • Обработка ВыгрузитьОписаниеСтруктурыКонфигурации.epf

Шаг 3: Запуск Docker-контейнеров

  1. Откройте PowerShell в папке с docker-compose.yml:

    powershell

    cd I:\mcp_v1.6.1
  2. Запустите контейнеры:

    powershell

    docker-compose up -d
  3. Проверьте, что все контейнеры запустились:

    powershell

    docker ps

    Вы должны увидеть примерно такой список:

    metadata, bsl-checker, help, loader, metadata-loader, qdrant, embedding-service

Шаг 4: Установка Ollama

  1. Скачайте Ollama с официального сайта

  2. Установите и запустите

  3. Убедитесь, что сервер работает:

    powershell

    ollama serve

    (Оставьте это окно открытым)

  4. Войдите в аккаунт для доступа к облачным моделям:

    powershell

    ollama signin
  5. Проверьте доступные модели:

    powershell

    ollama list

Одно из ключевых преимуществ данной архитектуры — возможность использовать любую модель Ollama. Вы можете экспериментировать с разными моделями, переключаясь между ними.  

Шаг 5: Установка MCPHost

  1. Скачайте последнюю версию mcphost_Windows_x86_64.zip со страницы релизов

  2. Распакуйте в удобную папку, например I:\mcphost\

  3. Проверьте, что файл mcphost.exe на месте

Бинарники и настройки находятся в одной папке. Это позволяет подбирать оптимальную модель под конкретную задачу: быстрый поиск по коду, глубокий анализ архитектуры или работу в офлайн-режиме. Конфигурационный файл хранится рядом с исполняемым файлом MCPHost, что делает всю систему переносимой — достаточно скопировать папку на другой компьютер, и все настройки сохранятся. 

Шаг 6: Создание конфигурационного файла

В папке I:\mcphost\ создайте файл .mcphost.yml со следующим содержимым:

yaml

mcpServers:
  # Сервер метаданных 1С
  metadata-1c:
    type: "remote"
    url: "http://localhost:9001/mcp"
  
  # Сервер справки
  syntax-help-1c:
    type: "remote"
    url: "http://localhost:9002/mcp"
  
  # Сервер проверки синтаксиса
  syntax-check-1c:
    type: "remote"
    url: "http://localhost:9004/bsl/mcp"

model: "ollama:minimax-m2.5:cloud"

Примечание: Чтобы выбрать модель Ollama, нужно изменить одну строчку в конфигурационном файле .mcphost.yml, который находится в той же папке, что и программа MCPHost (в нашем примере I:\mcphost\). Порты могут отличаться в зависимости от вашей версии. Проверить реальные порты можно командой docker ps.

Шаг 7: Системный промпт. Как задействовать системные инструкции в MCPHost

MCPHost поддерживает системные промпты через специальный флаг --system-prompt . Это позволяет задать модели общий контекст, роль и правила поведения, которые будут действовать на протяжении всей сессии.

📝 Два способа передачи системных инструкций

Способ 1: Через JSON-файл (рекомендуется)

Создайте файл, например I:\mcphost\1c-system-prompt.json, со следующим содержимым, адаптированным из вашего agents.md:

json

{
  "systemPrompt": "Ты — опытный разработчик 1С (уровень синьор, >10 лет практики). Отвечай кратко и по делу, давай готовый для вставки код и чёткие шаги. Предпочитай стандартные методы платформы вместо самописных решений. Всегда сверяйся с актуальными справочными данными и/или диагностикой через MCPR09;сервисы.\n\nТехнический контекст: Платформа 1С:Предприятие 8.3.21, язык BSL. Код должен быть совместим с указанной версией платформы.\n\nПравила работы с MCP-сервисами:\n1. При работе с метаданными всегда используй двухшаговый подход: сначала search_metadata, затем metadata_details_by_id для выбранного объекта.\n2. При необходимости подтвердить сигнатуру метода обращайся к help_search.\n3. После написания или исправления кода обязательно прогоняй диагностику через check_bsl_file и учитывай замечания линтера.\n\nСтандарты кода BSL:\n- Предпочитай стандартные методы платформы.\n- Не используй Попытка...Исключение для выборок из БД и записи данных.\n- Не используй ЗаписьЖурналаРегистрации() без явного указания в задаче.\n- Не используй Сообщить() для логирования без прямого запроса.\n- Ограничивай строки 130 символами.\n- Внутри блоков Если/Пока/Для/Процедура/Функция добавляй пустые строки до и после содержимого для читаемости.\n- Код в ответе должен быть готовым для вставки, без псевдокода."
}

Затем запустите MCPHost с этим файлом:

powershell

.\mcphost.exe --config .mcphost.yml -m ollama:minimax-m2.5:cloud --system-prompt I:\mcphost\1c-system-prompt.json
 
 Тест системного промпта


Способ 2: Прямая передача текста (для коротких инструкций)

powershell

.\mcphost.exe --config .mcphost.yml -m ollama:minimax-m2.5:cloud --system-prompt "Ты — опытный разработчик 1С. Отвечай кратко, давай готовый код."

🎨 Что это даёт

После установки системного промпта модель будет:

  1. Придерживаться роли — отвечать как опытный разработчик 1С

  2. Следовать правилам — не использовать неподходящие конструкции

  3. Использовать MCP-инструменты в правильном порядке — сначала метаданные, потом детали

  4. Проверять код — автоматически прогонять диагностику

  5. Форматировать ответы — согласно стандартам

💡 Ещё более мощный вариант: Script Mode

MCPHost также поддерживает Script Mode , где можно создавать исполняемые YAML-скрипты с встроенными системными инструкциями. Это удобно для разных типов задач:

yaml

#!/usr/bin/env -S mcphost script
---
# Скрипт для работы с документами
mcpServers:
  metadata-1c:
    type: "remote"
    url: "http://localhost:9001/mcp"
  syntax-help-1c:
    type: "remote"
    url: "http://localhost:9002/mcp"

system_prompt: |
  Ты — эксперт по документам 1С. 
  При анализе документа всегда сначала смотри его структуру через metadata_details_by_id,
  потом проверяй код модуля через read_module_text, и только затем предлагай изменения.

model: "ollama:minimax-m2.5:cloud"
---
Проанализируй документ "РеализацияТоваров" и предложи оптимизацию его проведения.

 

Важное замечание

Не все модели одинаково хорошо следуют системным инструкциям. Из вашего опыта:

  • MiniMax M2.5 и GLM-5 хорошо поддерживают system prompts

  • При возникновении зацикливаний можно попробовать с ним бороться как я покажу сейчас, сменить модель или упростить инструкции

 

Проблема зацикливания (Loop) и методы борьбы с ней

В процессе эксплуатации системы я столкнулся с неприятным явлением: модели ИИ иногда зацикливаются, начиная бесконечно повторять один и тот же блок текста. Это проявляется по-разному:

text

В конфигурации найдено 10 документов:
В конфигурации найдено 10 документов:
В конфигурации найдено 10 документов:
...

Или с накоплением:

text

1. Поступление товаров
1. Поступление товаров
2. Реализация товаров
1. Поступление товаров
2. Реализация товаров
3. Перемещение товаров
...

🤔 Почему это происходит

Зацикливание (loop) возникает по нескольким причинам:

Причина Описание
Переполнение контекста Модель "забывает", что уже выдала результат, и начинает повторяться
Слишком большой объём данных При обработке 300+ результатов модель теряет фокус
Особенности архитектуры Некоторые модели (MiniMax, GLM) более склонны к зацикливанию
Нечёткие инструкции Модель не понимает, когда нужно остановиться

🎯 Сравнение моделей по склонности к зацикливанию

Модель Склонность к зацикливанию Примечание
MiniMax M2.5 Высокая Часто зацикливается при больших объёмах
GLM-5 Средняя Заметно лучше, но требует настройки
     

💡 Антициклические промпты (Anti-Loop Prompts)

Главное открытие: зацикливание можно контролировать через системный промпт. Специальные инструкции заставляют модель остановиться после вывода результата.

 

Антициклический промпт

Создайте файл glm-anti-loop-prompt.json:

json

{
  "systemPrompt": "Ты — разработчик 1С. Отвечай максимально кратко и строго по делу.\n\nЖЁСТКИЕ ПРАВИЛА:\n1. НИКАКИХ ПОВТОРОВ — каждый факт упоминается только один раз.\n2. НИКАКИХ ТАБЛИЦ — используй простые списки (1. 2. 3.).\n3. МАКСИМУМ 3 ПРЕДЛОЖЕНИЯ после вывода данных.\n4. Если данные уже были показаны — не дублируй их.\n5. Завершай ответ чётким итогом и предложением уточнить.\n\nПример правильного ответа:\nНайдено 10 документов:\n1. Поступление товаров\n2. Реализация товаров\n3. Перемещение товаров\n...\n\nЭто демо-конфигурация. Уточните, по какому документу нужны детали."
}

🚀 Как использовать антициклические промпты

Запуск MCPHost с антициклическим промптом:

Запуск в терминале

.\mcphost.exe --config .mcphost.yml -m ollama:glm-5:cloud --system-prompt I:\mcphost\glm-anti-loop-prompt.json

📊 Результаты применения

До антициклического промпта После антициклического промпта
Таблица с документами повторяется 10+ раз Чистый список один раз
Модель "увязает" в повторениях Ответ компактный и по делу
Приходится прерывать Ctrl+C Работает без вмешательства

🎯 Тактики предотвращения зацикливания

Помимо системных промптов, помогают следующие приёмы:

1. Ограничение объёма ответа

 

Плохо: "Найди все упоминания слова 'Версия'"
Хорошо: "Найди 10 самых важных упоминаний слова 'Версия'"

2. Явное указание формата

 

перечисли документы простым списком, без повторений и без таблиц

3. Разбивка сложных запросов

Вместо одного запроса на всё, делайте несколько последовательных:

  1. Сначала найдите объекты

  2. Потом детали по конкретному объекту

4. Если зацикливание началось — Ctrl+C

Не надо ждать, пока модель остановится сама. Прерывайте (Ctrl+C) и формулируйте запрос точнее.

 

Антициклические промпты — это простой и эффективный способ сделать работу с моделями комфортной. Для GLM-5 они работают особенно хорошо, практически полностью устраняя проблему повторений.

Рекомендуемая связка для повседневной работы:

  • Модель: GLM-5

  • Промпт: антициклический

  • Тактика: конкретные запросы + Ctrl+C при необходимости

Теперь вы знаете, как бороться с зацикливанием и можете работать продуктивно!.
 

В процессе экспериментов я также тестировал облачную модель DeepSeek-V3.2 (deepseek-v3.2:cloud). Это мощная модель с отличными показателями в бенчмарках, однако при работе с MCPHost возникла неожиданная трудность.

Проблема: несовместимость форматов вызова инструментов

DeepSeek, как и многие современные модели, имеет собственный механизм function calling, который не совпадает со стандартом, ожидаемым MCPHost. MCPHost разработан для работы с универсальным JSON-RPC форматом, а DeepSeek при попытке вызвать инструмент отправляет свой специфический XML-подобный формат.

Вот как это выглядит на практике:

Компонент Ожидаемый формат Что отправляет DeepSeek
MCPHost JSON-RPC с tools —
DeepSeek <function_calls> <function_calls> Документ </function_calls>

При попытке выполнить запрос перечисли какие документы есть в конфигурации я получил:

text

<function_calls>  Document   </function_calls>

Это означает, что DeepSeek пытается вызвать инструмент, но делает это в формате, который MCPHost не может интерпретировать. В результате инструмент не вызывается, и система не возвращает данные.

Почему это происходит

DeepSeek использует собственный протокол для вызова инструментов, который отличается от стандарта MCP. Хотя модель понимает, что нужно обратиться к инструменту, она "упаковывает" этот вызов в свой родной формат, а не в JSON-RPC, который ожидает MCPHost.

Решения и альтернативы

Несмотря на эту проблему, существуют способы использовать DeepSeek с MCP-серверами:

Вариант   Требования
Open WebUI как прокси   Open WebUI умеет конвертировать форматы вызовов между разными моделями и MCP-серверами
Официальный API DeepSeek   Требуется API-ключ и оплата, но поддерживает OpenAI-совместимый формат
Локальная модифицированная версия   MFDoom/deepseek-r1-tool-calling:8b — работает локально
     

Вывод по DeepSeek

На данный момент использовать DeepSeek-V3.2 через Ollama с MCPHost напрямую не получится — модели не хватает совместимости по формату вызова инструментов. Однако это не повод отчаиваться:

  1. Если вы хотите использовать именно DeepSeek, рассмотрите вариант с Open WebUI или официальным API.

  2. Для локальной работы с MCPHost отлично подходят GLM-5 и MiniMax M2.5, которые показали стабильную совместимость.

  3. Существует модифицированная локальная версия DeepSeek с поддержкой инструментов — MFDoom/deepseek-r1-tool-calling:8b, которую можно попробовать.

Данная публикация не посвязена выбору модели. Много интересного на тему выбора модели ИИ сообщил ondysss в статье Выбор модели для разработки в 1С: сравниваем топов и open source

//infostart.ru/1c/articles/2613515/

 

Шаг 8: Загрузка метаданных 1С в векторную базу

Перед началом работы необходимо загрузить структуру вашей конфигурации:

  1. В конфигураторе 1С откройте внешнюю обработку ВыгрузитьОписаниеСтруктурыКонфигурации.epf

  2. Запустите обработку (F5). Она создаст ZIP-архив с описанием метаданных

  3. Откройте браузер и перейдите на http://localhost:8501 (интерфейс загрузчика)

  4. Нажмите "Обзор", выберите созданный ZIP-файл и нажмите "Начать обработку"

  5. Дождитесь завершения загрузки (может занять несколько минут)

Не стоит индексировать сразу очень большие конфигурации, начните, например, с Библиотеки стандартных подсистем.

В процессе настройки я столкнулся с проблемой, которая может возникнуть у многих. Описываю её решение подробно.

Проблема: коллекции не совпадают

После успешного запуска всех контейнеров и загрузки метаданных через интерфейс http://localhost:8501 поиск по метаданным не работал. Система выдавала ошибку:

Коллекция '1c_rag' не существует в Qdrant.

При этом в логах загрузчика было видно, что создалась коллекция 1c_metadata_rag:

Удаление существующей коллекции 1c_metadata_rag с 45 записями...
Создание новой коллекции 1c_metadata_rag...

Причина: несоответствие имени коллекции

Оказалось, что:

  • Сервер метаданных (контейнер metadata или mcp-metadata) ожидает коллекцию с именем 1c_rag

  • Загрузчик (веб-интерфейс на порту 8501) по умолчанию создаёт коллекцию 1c_metadata_rag

Решение: явно указать правильное имя коллекции

При загрузке метаданных через веб-интерфейс http://localhost:8501 нужно вручную ввести правильное имя коллекции в соответствующее поле:

Имя коллекции Qdrant (метаданные): 1c_rag

После этого загрузка прошла успешно:

Создание новой коллекции 1c_rag с поддержкой dense и sparse векторов...
Коллекция создана.
Загружен CSV файл с 74 строками
Обработка завершена! Всего загружено 74 записей в коллекцию 1c_rag

Результат

После исправления имени коллекции поиск по метаданным заработал идеально:

Запрос: Найди документы и покажи их реквизиты

Результат:
- Документ: _ДемоПоступлениеТоваров (Демо: Поступление товаров)
- Документ: _ДемоПеремещениеТоваров (Демо: Перемещение товаров)
- Документ: _ДемоРеализацияТоваров (Демо: Реализация товаров)
- ... и другие

Детали по документу _ДемоПеремещениеТоваров:
- Реквизиты шапки: Организация, МестоХраненияИсточник, МестоХраненияПриемник, Ответственный, Комментарий

При загрузке метаданных всегда проверяйте имя коллекции — оно должно точно соответствовать тому, что ожидает сервер метаданных (обычно 1c_rag). 

 

Шаг 9: Запуск MCPHost в Windows Terminal

Нажмите Win + R и выполните команду "wt"

В Windows Terminal (не PowerShell и не CMD ) выполните:

cd I:\mcphost
.\mcphost.exe --config .mcphost.yml -m ollama:minimax-m2.5:cloud

Вы должны увидеть:

  • Загрузку модели

  • Сообщение Loaded 7 tools from MCP servers

  • Приглашение к вводу

Данный фронтэнд использует псевдографику, что делает очень неудобным его использование в других средах, кроме терминала.

В Windows 11 программа «Терминал» установлена по умолчанию, для Windows 10 её нужно скачать из Microsoft Store. 

🐞 Диагностика при первом запуске

При первом запуске настоятельно рекомендуется использовать флаг --debug. Это позволит увидеть детальную информацию о подключении к серверам и диагностировать возможные проблемы на раннем этапе:

.\mcphost.exe --config .mcphost.yml -m ollama:minimax-m2.5:cloud --debug

Пример отладочного вывода:

[DEBUG] Loading MCP server configuration
[DEBUG] Connecting to MCP server: metadata-1c
  [DEBUG] Transport type: streamable
  [DEBUG] URL: http://localhost:9001/mcp
  [POOL] Creating new connection for metadata-1c
  [POOL] Initialized MCP client
  [POOL] Created connection for metadata-1c
[DEBUG] Connecting to MCP server: syntax-help-1c
  [DEBUG] Transport type: streamable
  [DEBUG] URL: http://localhost:9002/mcp
  [POOL] Created connection for syntax-help-1c
[DEBUG] Connecting to MCP server: syntax-check-1c
  [DEBUG] Transport type: streamable
  [DEBUG] URL: http://localhost:9004/bsl/mcp
  [POOL] Created connection for syntax-check-1c

Loaded 7 tools from MCP servers

Если какой-то сервер не подключается, в отладочном выводе будет видна причина — например, connection refused или 404 Not Found. Это значительно ускоряет поиск и устранение неполадок.

После успешной диагностики и убеждения, что все инструменты загружаются корректно, флаг --debug можно убрать для повседневной работы, чтобы интерфейс оставался чистым.

 

Шаг 10: Проверка работы

В открывшемся интерфейсе введите команду /tools — должны отобразиться 7 инструментов:

  • metadata-1c__search_metadata

  • metadata-1c__metadata_details_by_id

  • syntax-help-1c__help_search

  • syntax-help-1c__help_details_by_id

  • syntax-help-1c__property_details

  • syntax-check-1c__check_bsl_file

  • syntax-check-1c__check_bsl_code

Теперь можно задавать вопросы, например:

Найди в метаданных документ "РеализацияТоваров" и покажи его реквизиты

 

Расширение возможностей: доступ к текстам модулей 1С с помощью MCP-сервер для доступа к текстам модулей 1С: простая реализация на Node.js

Базовая конфигурация с тремя MCP-серверами (метаданные, справка, проверка синтаксиса) даёт хорошие возможности, но для полноценной разработки часто требуется доступ к реальному коду — текстам общих модулей, модулей объектов, форм и т.д.

Спасибо xamass за его рабочее решение MCP-сервер для доступа к текстам модулей 1С: простая реализация на Node.js
//infostart.ru/1c/tools/2458900/ - подключаем его тоже успешно!

MCP-сервер для доступа к текстам модулей 1С на Node.js позволяет AI "видеть" и анализировать код вашей конфигурации.

 

Что даёт сервер модулей

Инструмент Описание
list_module_files Список файлов модулей по glob-шаблону
read_module_text Чтение текста конкретного модуля
grep_modules Поиск по содержимому модулей (с поддержкой regex)

 

Установка сервера модулей

Шаг 11: Установка Node.js

Скачайте и установите Node.js версии 18 или выше с официального сайта.

Шаг 12: Создание папки для сервера и установка

powershell

mkdir I:\mcpcode
cd I:\mcpcode

Распакуйте в эту папку содержимое архива разработки xamass
//infostart.ru/1c/tools/2458900/

Шаг 13: Создание файла сервера

Создайте файл server-esm.js со следующим содержимым:

 
 Измененный javascript код MCP-сервера

 

Шаг 14: Установка зависимостей

powershell

npm install @modelcontextprotocol/sdk globby zod

Шаг 15: Выгрузка конфигурации 1С в файлы (Конфигурация - Выгрузить конфигурацию в файлы - Выбрать формат XML)

Для работы сервера необходима выгрузка конфигурации в файлы. Это можно сделать из конфигуратора:

cmd

"C:\Program Files\1cv8\8.3.XX.XXXX\bin\1cv8.exe" DESIGNER /F "C:\путь\к\вашей\базе" /DumpConfigToFiles "I:\ssl_cf" /Out "I:\dump_log.txt"

Шаг 16:Добавление сервера в конфиг MCPHost

Отредактируйте файл I:\mcphost\.mcphost.yml, добавив новый сервер:

yaml

mcpServers:
  metadata-1c:
    type: "remote"
    url: "http://localhost:9001/mcp"
  
  syntax-help-1c:
    type: "remote"
    url: "http://localhost:9002/mcp"
  
  syntax-check-1c:
    type: "remote"
    url: "http://localhost:9004/bsl/mcp"
  
  # НОВЫЙ сервер для работы с кодом модулей
  1c-modules:
    type: "local"
    command: ["C:/Program Files/nodejs/node.exe", "I:/mcpcode/server-esm.js"]
    environment:
      MODULES_DIR: "I:/ssl_cf"

model: "ollama:minimax-m2.5:cloud"

 

Переменная окружения MODULES_DIR

При работе с сервером модулей важно правильно настроить переменную окружения, указывающую на каталог с выгруженными файлами конфигурации.

Настройка переменной окружения MODULES_DIR

В конфиге MCPHost (рекомендуемый способ)

В файле .mcphost.yml мы уже указали переменную в секции environment:

yaml

1c-modules:
  type: "local"
  command: ["C:/Program Files/nodejs/node.exe", "I:/mcpcode/server-esm.js"]
  environment:
    MODULES_DIR: "I:/ssl_cf"  # Здесь указывается путь к выгруженной конфигурации

MCPHost автоматически передаст эту переменную в процесс сервера модулей.

 

Шаг 17. Проверка работы

После запуска MCPHost команда /tools покажет 10 инструментов (добавились 3 новых):

  • 1c-modules__list_module_files

  • 1c-modules__read_module_text

  • 1c-modules__grep_modules

 

Примеры запросов с использованием кода модулей

Поиск по коду:

найди "ВерсияКонфигурации" в модулях обновления

Результат поиска:

Найдено 41 упоминание в 10 модулях:
- ОбновлениеИнформационнойБазыСлужебный (12 упоминаний)
- ОбновлениеИнформационнойБазыБСП (5 упоминаний)
- ОбновлениеИнформационнойБазыБИП (5 упоминаний)
- ОбновлениеИнформационнойБазыБСД (5 упоминаний)
- ОбновлениеИнформационнойБазыБТС (5 упоминаний)
- ОбновлениеКонфигурации (4 упоминания)

Чтение конкретного модуля:

покажи полный код модуля ОбновлениеИнформационнойБазыСлужебный

Поиск с уточнением:

 

найди все вызовы функции ВерсияКонфигурацииБезНомераСборки в модулях обновления

 

Важные замечания

  1. Возможно зацикливание! Если результат поиска окажется слишком велик (например 300 результатов) то программа зацикливается, выдает одно и то же слишком много раз.

  2. Обновление выгрузки: После изменений в конфигурации необходимо повторно выгружать файлы, чтобы сервер видел актуальный код.

  3. Производительность: Поиск по большому количеству файлов может занимать время. Рекомендуется уточнять область поиска через параметр glob.

  4. Безопасность: Сервер проверяет, что запрашиваемые файлы находятся внутри директории MODULES_DIR, что предотвращает выход за пределы разрешённой области.

  5. Кодировка: Убедитесь, что выгруженные файлы имеют кодировку UTF-8 (современные версии 1С выгружают в UTF-8 по умолчанию).

Расширение функциональности

При желании сервер можно доработать, добавив:

  • Поиск с учётом регистра

  • Ограничение количества результатов

  • Фильтрацию по типу модулей

  • Контекстный вывод (несколько строк до и после найденного)

 

🔧 Возможные проблемы и их решение

1. При подключении MCP-сервера для доступа к текстам модулей 1С: простая реализация на Node.js у меня возникла ошибка:

Warning: Failed to load MCP server '1c-modules': conv mcp tool input schema fail...

Это связано с особенностями валидации в Zod. В приведённом выше коде проблема уже устранена — параметр maxBytes объявлен как z.number().int().optional() без использования positive(), что исключает конфликт.

2. Контейнеры не запускаются

Решение: Проверьте, запущен ли Docker Desktop. Выполните docker ps — если ошибка, перезапустите Docker.

3. MCPHost не видит серверы (Loaded 0 tools)

Решение:

  • Проверьте порты в конфиге (должны совпадать с docker ps)

  • Попробуйте добавить в конфиг transport: "sse" или transport: "streamable"

  • Запустите с флагом --debug для диагностики

4. Ошибка "коллекция '1c_rag' не существует"

Решение: Не загружены метаданные. Выполните шаг 7.

5. ANSI-символы вместо красивого интерфейса

Решение: Используйте Windows Terminal вместо классической cmd или PowerShell.

6. Ошибка "missing required environment variables for anthropic"

Решение: В конфиге явно укажите model: "ollama:minimax-m2.5:cloud" (как в примере).


🎯 Таким образом

Теперь у вас работает полностью локальная система для AI-разработки на 1С:

Вы (в терминале) ↔ MCPHost ↔ MCP-серверы 1С (Docker) ↔ Ollama (облачная модель)

Все компоненты работают без доступа к зарубежным API и не требуют иностранных карт или SMS.


🎯 Как теперь работает полностью настроенная система

После решения всех проблем финальная архитектура выглядит так:

Компоненты и их состояние

Компонент Что делает Статус
Docker-контейнеры Запущены и работают ОК
- metadata (порт 9001) Сервер метаданных 1С ОК
- syntax-help (порт 9002) Сервер справки ОК
- syntax-check (порт 9004) Сервер проверки синтаксиса ОК
- loader (порт 8501) Веб-интерфейс загрузчика ОК
- qdrant (порт 6333) Векторная база данных ОК
- embedding-service (порт 5000) Сервис эмбеддингов ОК
Qdrant коллекции    
- 1c_rag Метаданные конфигурации (74 записи) ОК
Ollama Сервер для моделей ОК
MCPHost LLM-агент с 7 инструментами ОК
Модель minimax-m2.5:cloud ОК

Доступные инструменты

После запуска MCPHost команда /tools показывает 10 инструментов:

Инструмент Назначение
metadata-1c__search_metadata Поиск объектов метаданных
metadata-1c__metadata_details_by_id Детали объекта метаданных по ID
syntax-help-1c__help_search Поиск в справке
syntax-help-1c__help_details_by_id Детали справки по ID
syntax-help-1c__property_details Детали свойств
syntax-check-1c__check_bsl_file Проверка синтаксиса файлов BSL
syntax-check-1c__check_bsl_code Проверка синтаксиса кода BSL
list_module_files Список файлов модулей по glob-шаблону
read_module_text Чтение текста конкретного модуля
grep_modules Поиск по содержимому модулей (с поддержкой regex)

Примеры работающих запросов

Поиск документов:

Найди документы и покажи их реквизиты

→ Возвращает список всех документов с реквизитами шапки и табличных частей

Детали по конкретному документу:

Покажи структуру документа "РеализацияТоваров"

→ Возвращает полный список реквизитов и табличных частей

Поиск в справке:

Как правильно использовать функцию Найти() в 1С?

→ Возвращает справку из синтакс-помощника

Преимущества готового решения

- Полностью локальное — не требует доступа к зарубежным API
- Безопасное — все данные остаются на вашем компьютере
- Мало затратное после приобретения MCP-серверов (только трафик на облачную модель)
- Масштабируемое — можно загружать любые конфигурации 1С
- Удобное — работает через обычный терминал

Приложения

Схематично принцип действия.

 
 PlantUML диаграмма взаимодействия компонентов системы

Искомый процесс решения задачи вайб-кодинга в чат - боте Ollama можно представить в виде схемы.

 
Цикл обработки запроса

Последовательность настройки в виде схемы.

 
Процесс настройки MCP-серверов 1С

📚 Полезные ссылки

 

Зачем это и почему так?

В точке рождения кода в процессе разработки мы превращаем хаос в порядок.

 

Ключевое преимущество инструмента чат-бота это прецизионное управление контекстным окном.

Здесь можно спорить со мнением, что чат-бот проигрывает специализированным AI-средам (вроде Cursor или плагинов для VS Code), так как не имеет автоматического доступа ко всей кодовой базе. Однако в контексте разработки на 1С ручное управление контекстом через MCP-серверы превращается из ограничения в инструмент высокоточного проектирования.

В разные моменты времени при программировании модели ИИ ведут себя по-разному. Иногда они удивительно чётко понимают  и решают задачу, выдают идеальный код и точно выбирают нужные инструменты. А иногда... удивительно тупят, упрямятся,  игнорируют очевидное, зацикливаются или выдают откровенно нерабочий код. Удивительно, поразительно и досадно. Почему? Это поведение зависит от множества факторов и требует изучения, почему одни подходы работают, а другие — нет:

  • Формулировки запроса

  • Контекста предыдущих сообщений

  • Текущего состояния модели на сервере

  • Даже времени суток и загруженности, хочу тут продолжить...


1. Детерминизм против «черного ящика» автоматизации

В отличие от IDE-плагинов, которые самостоятельно индексируют проект и часто «засоряют» контекстное окно нерелевантными фрагментами кода, работа через MCPHost позволяет разработчику выступать в роли оркестратора контекста.

Вы четко контролируете, что именно попадает в RAM нейросети:

Структура (Метаданные): Высокоуровневое описание объектов.

Справка (Синтаксис): Официальная документация платформы.

Реализация (Код): Конкретные модули или даже отдельные процедуры.

2. Когнитивная архитектура: Системный подход и Закон Миллера

Эффективность связки «Человек — AI» опирается на фундаментальные принципы когнитивной психологии и системного анализа:

Принцип системного иерархизма: Сложную задачу в 1С не всегда возможно решить «в лоб». Мы используем MCP-серверы для декомпозиции: сначала анализируем систему как целое (через метаданные), затем переходим к компонентам (конкретным модулям).

Закон Миллера (7±2) и Чанкинг: Контекстное окно модели — ресурс ограниченный. Подавая информацию «чанками» (логическими блоками), мы предотвращаем эффект «размытия внимания» (attention loss). Когда в контексте находятся только 3-5 релевантных инструментов и 2-3 модуля, модель демонстрирует максимальную точность (Reasoning), не отвлекаясь на шум.

3. Синергия: Метаданные + Код

Уникальность разработки на 1С — в жесткой связи кода с метаданными. MCP-серверы реализуют двухуровневый доступ:

Semantic Layer (Метаданные): Дает модели понимание типов данных, структуры табличных частей и связей объектов. Это «скелет» задачи.

Implementation Layer (Код): Дает понимание алгоритмов. Это «мышцы».

Без метаданных AI часто галлюцинирует, придумывая несуществующие реквизиты. С MCP-серверами модель сначала «осматривает» структуру, а затем пишет код, строго соответствующий вашей конфигурации.

4. Практические стратегии управления контекстом

Для достижения наилучших результатов рекомендуется придерживаться итеративной модели диалога:

Этап 1: Исследование (Discovery). Поиск по метаданным и списку файлов. Цель — определить границы задачи.

Этап 2: Изоляция (Isolation). Чтение конкретных модулей (read_module_text) с ограничением объема. Мы загружаем только те процедуры, которые участвуют в бизнес-логике.

Этап 3: Точечный рефакторинг. Использование результатов поиска (grep_modules) для внесения изменений по всей конфигурации, основываясь на выявленных паттернах.

5. Предотвращение деградации ответов

При переполнении контекстного окна (Context Overflow) любая модель начинает зацикливаться или игнорировать системные инструкции. Работа в терминале с MCPHost позволяет вовремя заметить избыточность данных и «очистить» мысль нейросети, фокусируя её на точке рождения кода.

Резюме: Чат-бот с MCP-инструментарием — это не просто «окно для вопросов», а полноценный пульт управления вниманием ИИ. Вы не просто просите «сделай что-нибудь», вы конструируете рабочее пространство модели, обеспечивая хирургическую точность её ответов.

Таким образом, поскольку фундаментальные принципы системного мышления и когнитивной психологии довлеют не только над разработчиком, считаю, в отношении нейросетей они применимы, поэтому данный инструмент актуален и поэтому он имеет право на жизнь, поскольку позволяет повысить эффективность работы с AI-ассистентом.

 

Принцип системного подхода: сложную систему нельзя создать с нуля.

Системный подход — это направление методологии научного познания, в основе которого лежит рассмотрение объектов как систем . Одно из ключевых правил системного подхода гласит:

Правило 1-е: Не компоненты сами по себе составляют суть целого (системы), а наоборот, целое как первичное порождает при своем членении или формировании компоненты системы.

Это означает, что при создании сложной системы (каковой является наш AI-ассистент для 1С) мы не можем собирать её "с нуля" из отдельных деталей, не понимая общей картины. Сначала нужно осмыслить систему как целое, её цели и место в более крупной системе, и только потом переходить к компонентам.

В нашем случае:

  • Целое — это процесс разработки на 1С с использованием AI

  • Надсистема — это экосистема разработки (1С, Docker, Ollama, MCPHost)

  • Компоненты — отдельные MCP-серверы (метаданные, справка, синтаксис, модули)

Мы не стали сразу давать доступ нейросети к коду, начали с базовой конфигурации из трёх серверов, а уже потом добавили усложнение (логическое следствие над простой системой) сервер модулей — мы усложняли, двигались от целого к частям, следуя системному подходу.

В конкретной точке рождения кода мы можем задействовать все возможные MCP-серверы не сразу а по необходимости. Мы можем манипулировать и выбирать ровно столько, сколько нужно для последовательного решения задач разработчика:
  • В один момент поиск по метаданным (структура)

  • В другой момент поиск в справке (документация)

  • Доступ к модулям (реализация)

  • Проверка синтаксиса

Другое важное правило системного подхода:

Правило 2-е: Количество компонентов системы, определяющих ее размер, должно быть минимальным, но достаточным для реализации целей системы.

🔢 Закон Миллера: человек может оперировать ограниченным числом объектов

Второй фундаментальный принцип связан с когнитивными возможностями человека. Американский психолог Джордж Миллер в своём знаменитом исследовании 1956 года «Магическое число семь, плюс-минус два» установил, что:

Среднестатистический человек одновременно может удерживать в кратковременной памяти только 7 ± 2 элементов, т. е. от 5 до 9 объектов.

Этот принцип, известный как «закон Миллера» или «магическое число Миллера», объясняет, почему интерфейсы должны быть простыми, а задачи — декомпозированными.

 

🧩 Чанкинг (Chunking) — ключ к преодолению ограничений

 

Миллер также открыл явление «чанкинга» (chunking) — объединения единиц информации в более крупные блоки («куски») . Человек запоминает не отдельные буквы, а слова; не отдельные цифры, а годы; не отдельные задачи, а их смысловые группы.

Например, номер телефона мы запоминаем не как последовательность из 11 цифр, а как группы: 912-345-67-89 . Это и есть чанкинг.

🎯 Эти принципы нашли применение в данной системе

Наш подход к работе с AI-ассистентом полностью соответствует закону Миллера и использует чанкинг.

🔄 Синтез: системный подход + когнитивные ограничения

Объединяя эти две теории, мы получаем методологически обоснованный подход:

  1. Системный подход говорит нам: сложную систему надо создавать, двигаясь от целого к частям, и минимизировать количество компонентов .

  2. Закон Миллера объясняет, почему это важно: человек (разработчик) физически не может удерживать в сознании больше 7-9 элементов одновременно .

  3. Чанкинг даёт нам инструмент преодоления этого ограничения: группировка инструментов по серверам.

Когда разработчик пишет код в диалоге с нейросетью, они вместе создают сложную систему. И здесь работает фундаментальное правило системного подхода:

Правило 1-е: Не компоненты сами по себе составляют суть целого (системы), а наоборот, целое как первичное порождает при своем членении или формировании компоненты системы .

В контексте разработки с AI это означает: нельзя начинать с кода. Сначала нужно осмыслить систему как целое:

Уровень Что это значит в разработке
Целое Бизнес-задача, которую решает программа
Надсистема Экосистема, в которой будет работать программа (1С, интеграции, пользователи)
Компоненты Отдельные модули, функции, процедуры

Как это выглядит на практике:

Ошибка новичка: "Напиши мне процедуру расчёта зарплаты" — и сразу получает код, который потом не встраивается в общую логику.

Системный подход: Сначала описываем задачу целиком, потом декомпозируем:

1. Мы создаём документ "Начисление зарплаты" в 1С:УПП.
2. Он должен проводиться с движениями по регистрам "Взаиморасчеты" и "Затраты".
3. При проведении нужно учитывать настройки учётной политики.
4. Давай спроектируем структуру документа и только потом перейдём к процедуре проведения.

Другое важное правило системного подхода:

Правило 2-е: Количество компонентов системы, определяющих ее размер, должно быть минимальным, но достаточным для реализации целей системы .

В диалоге с AI это означает: не пытайтесь решить всё сразу. Разбивайте задачу на минимальные, но законченные куски:

"Сделай мне отчёт по продажам со всеми возможными разрезами"

"Сначала сделай простой отчёт по продажам за период. Потом добавим группировку по менеджерам. Затем — по номенклатуре."

 

📊 Норма управляемости

Интересно, что эти же числа (7±2) встречаются и в теории менеджмента как «норма управляемости» — оптимальное количество подчинённых у одного руководителя. В системном анализе это также учитывается:

Количество подчиненных верхнему уровню компонентов в зависимости от сложности решаемых задач должно находиться в пределах от 6 до 10. Превышение этого количества подчиненных субъекту управления компонентов снижает управляемость системы .

В нашем случае MCPHost выступает как «руководитель», а MCP-серверы — как «подчинённые». И мы уложились в норму управляемости: 4 сервера — это вполне комфортно.

В разработке с AI это работает так:

Плохо (информационная перегрузка):

 

Вот полный код документа "РеализацияТоваров" (2000 строк).
Проанализируй его и найди все потенциальные проблемы.

Хорошо (используем чанкинг):

 

1. Посмотри структуру документа "РеализацияТоваров" в метаданных.
2. Теперь покажи модуль объекта.
3. Сфокусируйся на процедуре "ОбработкаПроведения".
4. Есть ли в ней избыточные запросы к базе?
5. А теперь давай посмотрим на движения по регистрам.

Каждый шаг загружает в контекст ровно один «чанк» — логически завершённый блок информации.

 

🎯 Как эти принципы работают вместе

Принцип В чём суть Как применяем в диалоге с AI
Системный подход Целое первично Сначала описываем задачу, потом код
Минимальная достаточность Компонентов ровно столько, сколько нужно Разбиваем задачу на шаги
Закон Миллера Не более 9 элементов одновременно Работаем с небольшими фрагментами
Чанкинг Группируем информацию в блоки Сначала метаданные, потом код, потом детали

 

💡 Пример из реальной разработки

Допустим, нам нужно добавить новый отчёт в конфигурацию.

Без учёта принципов:

Напиши новый отчёт по продажам.

С учётом принципов (системный подход + чанкинг):

Шаг 1 (целое):
Мы добавляем отчёт "Анализ продаж" в подсистему "Маркетинг".
Он должен показывать продажи в разрезе номенклатуры и контрагентов.

Шаг 2 (метаданные):
Создай новый отчёт в конфигурации с нужными реквизитами.

Шаг 3 (макет):
Теперь сделай макет для вывода результата.

Шаг 4 (запрос):
Сформируй запрос к регистру накопления "Продажи".

Шаг 5 (детали):
В запросе нужно добавить отбор по периоду и условие на статус документа.

В этом диалоге каждый шаг — отдельный чанк, который легко обработать и разработчику, и модели.

 

🏆 Вывод

Эффективная работа с AI-ассистентом — это не просто умение задавать вопросы, а осознанное применение системного подхода и учёт когнитивных ограничений. Когда вы:

  1. Начинаете с целого (бизнес-задачи), а не с кода

  2. Декомпозируете задачу на минимальные, но законченные шаги

  3. Работаете с небольшими фрагментами кода, а не с монолитными модулями

  4. Группируете информацию в логические блоки (чанки)

...тогда AI становится не просто генератором кода, а настоящим помощником, который понимает контекст и выдаёт осмысленные решения.

Именно этому подходу мы учились, настраивая нашу систему с MCP-серверами — она даёт нам инструменты для работы и с метаданными (общая картина), и с кодом (детали), позволяя соблюдать все описанные принципы.

 

📝 Промпт-инжиниринг — ключевой навык

Качество ответа напрямую зависит от качества запроса. Один и тот же вопрос, заданный по-разному, может дать совершенно разные результаты:

Плохо: "Найди документы"
Хорошо: "Найди все документы типа 'РеализацияТоваров' и покажи их реквизиты, сгруппированные по табличным частям"

Плохо: "Ищи в коде"
Хорошо: "Найди в общих модулях, связанных с обновлением, все упоминания функции 'ВерсияКонфигурацииБезНомераСборки' и покажи контекст вызова"

 

📚 Метаданные + код = синергия

Наличие метаданных кроме первичного кода кардинально повышает качество работы. Когда модель понимает не только синтаксис, но и структуру конфигурации, её ответы становятся осмысленнее:

  • Только код: модель видит отдельные процедуры, но не понимает, как они связаны с объектами метаданных

  • Только метаданные: модель знает структуру, но не видит реализацию

  • Вместе: модель может сказать не только "что есть", но и "как это работает"

 

🔍 Что важно на практике

  1. Конкретизируйте запросы — чем точнее, тем лучше результат

  2. Уточняйте область поиска — ищите не по всем модулям, а по конкретным группам

  3. Анализируйте результаты — модель может ошибаться, проверяйте

  4. Экспериментируйте с формулировками — иногда достаточно перефразировать

  5. Используйте метаданные как контекст — перед поиском кода уточните структуру

кардинально влияет на качество ответов.

 

🎯 Фокусировка: даёшь конкретный код — получаешь точный анализ.

Подводя итог,  чат бот имеет точку, конкретную осязаемую точку места рождения кода разработки, и в данной точке позволяет управлять мыслью нейросети, управлять контекстом разработки.

Когда вы просто спрашиваете "как улучшить этот код?", модель видит только то, что вы ей отправили.

Но когда вы целенаправленно загружаете в контекст конкретные модули, происходит магия:

ПЛОХО: Размытый запрос:
"Расскажи про обновление конфигурации"

ХОРОШО: Сфокусированный запрос с контекстом:
"Вот код модуля ОбновлениеИнформационнойБазыСлужебный. 
Проанализируй процедуру ПриЗавершенииПереходаСДругойПрограммы.
Как она использует параметр ПредыдущаяВерсияКонфигурации?
Есть ли в этом коде потенциальные проблемы?"

Во втором случае модель сконцентрирована на конкретном фрагменте и выдаёт гораздо более глубокий анализ.

 

📦 Контекстное окно — это ресурс, которым нужно управлять

Для меня важна конкретная точка (момент и место) рождения системы, в которой я прорабатываю, вытачиваю конкретную деталь, чтобы положить ее как кирпич в фундамент системы, сказать "Готово" и забыть - пускай теперь оно само работает дальше без меня. И у каждой модели ИИ есть ограничение на размер контекста (токенов). Этот ресурс надо использовать разумно:

Модель Размер контекста Что помещается
MiniMax M2.5 204 800 токенов ~150-200 страниц кода
GLM-5 128 000+ токенов ~100-150 страниц кода
   

💡 Тактики эффективного использования контекста

1. Выборочная загрузка

Не надо скидывать всю конфигурацию сразу. Используйте list_module_files и read_module_text, чтобы загрузить только нужные модули:

Сначала: "Покажи список общих модулей, связанных с обновлением"
Затем: "Загрузи модуль ОбновлениеИнформационнойБазыСлужебный для анализа"

2. Циклический диалог

Используйте историю обсуждения как расширенный контекст:

Вы: "Покажи процедуру Проведения в документе Реализация"
Модель: [показывает код]
Вы: "А теперь оптимизируй этот цикл, вот конкретное место"
Модель: помнит предыдущий код и даёт точечные правки

3. Приземление после поиска

После grep-поиска модель возвращает JSON с десятками результатов. Не надо просить "проанализируй всё" — выберите конкретные строки для обсуждения:

Найдено 41 упоминание. 
Проанализируй строку 3531 из модуля ОбновлениеИнформационнойБазыСлужебный:
"ПредыдущаяВерсияКонфигурации = РезультатЗапроса.Версия;"
Почему здесь используется РезультатЗапроса, а не прямой запрос к метаданным?

🎓 Пример из практики: рефакторинг с фокусом

Ситуация: Нужно понять, как работает механизм обновления версий.

Плохой подход:

расскажи про обновление версий в 1С

→ Модель выдаст общие слова из документации.

Хороший подход:

1. Найди в модулях обновления все вызовы "ВерсияКонфигурации"
2. Покажи текст модуля ОбновлениеИнформационнойБазыСлужебный
3. Сфокусируйся на процедуре ПриЗавершенииПереходаСДругойПрограммы
4. Объясни логику работы с версиями в этой процедуре
5. Теперь сравни с аналогичной процедурой в ОбновлениеИнформационнойБазыБСП

Каждый шаг добавляет ровно столько контекста, сколько нужно, и не перегружает модель лишней информацией.

 

🔍 Метаданные как фильтр контекста

Наличие метаданных позволяет ещё точнее фокусироваться:

Сначала найди в метаданных документ "РеализацияТоваров" 
и покажи его реквизиты.

Теперь, зная структуру, найди в модулях этого документа 
все процедуры, которые работают с реквизитом "Организация".

Модель получает двухуровневый контекст: структуру (из метаданных) и реализацию (из кода). Это даёт глубочайшее понимание.

 

Осторожно: переполнение контекста

Если загрузить слишком много, модель начинает "забывать" начало диалога или зацикливаться. Признаки переполнения:

  • Модель повторяет одно и то же

  • Начинает отвечать не на тот вопрос

  • Теряет нить рассуждения

Решение:

  1. Начинайте новый диалог для новой темы

  2. Используйте read_module_text с параметром maxBytes, чтобы обрезать очень большие модули

  3. После глубокого анализа конкретного модуля возвращайтесь к общему контексту командой /clear (если поддерживается)

 

Управление контекстом — это искусство баланса. Вы должны дать модели достаточно информации для понимания, но не перегрузить её. Хороший разработчик с AI-ассистентом похож на хирурга: точные движения, правильные инструменты, никакой лишней ткани.

Чат-бот с MCPHost даёт вам полный контроль над этим процессом — вы сами решаете, что попадает в контекст, а что остаётся за кадром. И это, пожалуй, главное преимущество перед простым веб-интерфейсом любой модели.

Система Ollama и MCPHost — не магическая таблетка, а инструмент. Как любой инструмент, она требует навыков и понимания. Но когда вы находите правильный подход, когда модель выдаёт именно то, что нужно — это настоящее удовольствие. Используйте чат-бот для точной фокусировки на решаемой проблеме!

Официальные названия двух моделей, с которыми я здесь работал:

 

🤖 MiniMax M2.5

Точное название для команды: minimax-m2.5:cloud

Модель MiniMax-M2.5 — это высокоэффективная языковая модель, созданная специально для задач программирования и агентных сценариев (Agentic workflows) . В письме от Ollama её называют "open-source frontier coding and agentic model", которая обеспечивает хороший баланс между качеством и скоростью.

Ключевые особенности:

  • 10 миллиардов активных параметров (230 миллиардов всего)

  • Оптимизирована для многофайлового редактирования, циклов "кодирование-запуск-исправление"

  • Отличные показатели в бенчмарках на работу с инструментами 

 

🧠 GLM-5

Точное название для команды: glm-5:cloud

GLM-5 от Z.ai — это мощная модель на архитектуре смеси экспертов (MoE) с 744 миллиардами общих параметров (40 миллиардов активных) . Она позиционируется как универсальная open-source модель, которая хороша в рассуждениях, креативном письме, программировании и агентных задачах .

Ключевые особенности:

  • Использует DeepSeek Sparse Attention (DSA) для снижения стоимости развертывания

  • Поддерживает контекст до 128K+ токенов

  • Выдающиеся результаты: 92.7% на AIME 2026 I, 86.0% на GPQA-Diamond, 77.8% на SWE-bench Verified 

Данная публикация не посвящена выбору модели ИИ. Появляются новые интересные модели ИИ, как показал  ondysss в статье Выбор модели для разработки в 1С: сравниваем топов и open source, которые наверняка получится применить c MCPHost с бОльшим успехом. В данной теме пока рано ставить точку.

 🔍 Альтернативные варианты:

Вариант 1: Cerebras + GLM-4.7 (бесплатно, до 1 млн токенов)

Из свежей статьи (06.02.2026) мы видим рабочий вариант :

Cerebras — сервис с огромными лимитами (до 1 млн токенов в день) БЕСПЛАТНО. Используется модель GLM-4.7 Air, которая:

  • Отлично работает с MCP-серверами

  • Имеет огромные бесплатные лимиты

  • Не требует VPN и зарубежных карт

Как подключить к MCPHost:

yaml

# В .mcphost.yml
model: "openai:glm-4.7-air"
provider-url: "https://api.cerebras.ai/v1"
provider-api-key: "ВАШ_КЛЮЧ_CEREBRAS"

Регистрация: Cerebras даёт бесплатный доступ без сложной верификации.

 

Вариант 2: OpenRouter как агрегатор бесплатных моделей

OpenRouter  даёт доступ к десяткам моделей через единый API:

Бесплатные модели на OpenRouter Особенности
Llama 4 Scout/Maverick Лучшие среди открытых моделей
Qwen 3-32B Хороша для 1С-кода
Gemma-3-27B Лёгкая, быстрая
Grok-code-fast-1 Специализированная для кода

Настройка для MCPHost:

yaml

model: "openai:grok-code-fast-1"
provider-url: "https://openrouter.ai/api/v1"
provider-api-key: "..."

1. Cerebras + GLM-4.7 (наилучший вариант)

yaml

# .mcphost.yml
model: "openai:glm-4.7-air"
provider-url: "https://api.cerebras.ai/v1"
provider-api-key: "ваш_ключ_cerebras"

# Системный промпт (антициклический)
system-prompt: "I:/mcphost/glm-anti-loop-prompt.json"

Регистрация:

  1. Зайдите на console.cerebras.ai

  2. Получите бесплатный API-ключ

  3. Лимит — 1 млн токенов в день

2. OpenRouter с Grok-code-fast-1

yaml

model: "openai:grok-code-fast-1"
provider-url: "https://openrouter.ai/api/v1"
provider-api-key: "sk-or-v1-..."

Нюанс: может потребоваться VPN при регистрации.

3. Усиленный антициклический промпт для любых моделей

json

{
  "systemPrompt": "Ты — разработчик 1С. Отвечай максимально кратко.\n\nЖЁСТКИЕ ПРАВИЛА:\n1. НИКАКИХ ПОВТОРОВ — один факт один раз.\n2. НИКАКИХ ТАБЛИЦ — только списки (1. 2. 3.).\n3. МАКСИМУМ 3 ПРЕДЛОЖЕНИЯ после данных.\n4. Если данные уже показаны — не дублируй.\n5. Используй MCP-серверы для проверки синтаксиса и метаданных."
}

Веб-альтернативы для работы с MCP-серверами 1С

Существуют полноценные веб-решения, позволяющие взаимодействовать с MCP-серверами через браузер. Рассмотрим три наиболее перспективных варианта.


🖥 Open WebUI — универсальная веб-платформа

Что это такое

Open WebUI — это самое популярное саморазмещаемое веб-решение с открытым исходным кодом для взаимодействия с языковыми моделями . Оно предоставляет современный интерфейс, похожий на ChatGPT, но работает полностью локально и поддерживает интеграцию с MCP-серверами.

Архитектура и принцип работы

Open WebUI "из коробки" не поддерживает прямой вызов MCP-серверов, поскольку ожидает общение по протоколу HTTP/OpenAPI, а многие MCP-серверы работают через STDIO . Для решения этой проблемы используется специальный прокси-компонент — mcpo (MCP-OpenAPI-Proxy) .

text

Open WebUI (HTTP/OpenAPI) → mcpo (прокси-переводчик) → MCP-серверы 1С (STDIO/HTTP)

Компоненты стека :

Компонент Роль
Open WebUI Веб-интерфейс для пользователей, управление чатами и моделями
Ollama Запуск локальных моделей (опционально)
LiteLLM Прокси для унификации API различных моделей
mcpo Конвертирует MCP-вызовы в OpenAPI-совместимые эндпоинты
MCP Gateway Реестр и федерация MCP-серверов (опционально)

Развёртывание Open WebUI с поддержкой MCP

Базовый запуск через Docker Compose :

yaml

version: '3.8'
services:
  ollama:
    image: ollama/ollama:latest
    ports:
      - "11434:11434"
    volumes:
      - ./ollama:/root/.ollama

  openwebui:
    image: ghcr.io/open-webui/open-webui:main
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    ports:
      - "3000:8080"
    depends_on:
      - ollama

  mcpo:
    image: ghcr.io/modelcontextprotocol/mcpo:latest
    environment:
      - MCP_SERVER_NAME=1c-metadata
      - MCP_SERVER_CMD=npx
      - MCP_SERVER_ARGS=-y @modelcontextprotocol/server-filesystem I:/ssl_cf
    ports:
      - "8000:8000"

Подключение MCP-серверов 1С :

  1. Запустите ваш MCP-сервер (например, metadata-1c на порту 9001)

  2. Настройте mcpo для проксирования к этому серверу

  3. В интерфейсе Open WebUI перейдите в Settings → Tools

  4. Добавьте новый инструмент с URL вашего mcpo-эндпоинта (например, http://localhost:8000)

  5. В чате активируйте нужные инструменты через кнопку e33;

Важное замечание: При работе Open WebUI в Docker для доступа к серверам на хосте используйте http://host.docker.internal:порт вместо localhost .

Плюсы и минусы Open WebUI

Преимущества Недостатки
Полноценный веб-интерфейс как у ChatGPT Требует дополнительного прокси (mcpo) 
Многопользовательский режим Более сложная настройка
Поддержка мобильных устройств Нужно запускать несколько контейнеров
Сохранение истории диалогов  
Развитая система управления инструментами   

🔌 Open MCP Client — простой веб-чат для MCP

Что это такое

Open MCP Client — это проект от команды CopilotKit, представляющий собой саморазмещаемый веб-клиент с открытым исходным кодом для общения с MCP-серверами . Он создан специально для тех, кто хочет быстро получить веб-интерфейс без сложной инфраструктуры.

Архитектура и принцип работы

Open MCP Client использует LangChain ReAct-агент (всего 40 строк кода!) для обработки MCP-вызовов . Он интегрируется с сервисом Composio, который предоставляет доступ к MCP-серверам через URL.

text

Пользователь (браузер) → Open MCP Client → Composio → MCP-серверы

Ключевая особенность: CopilotKit оборачивает всё приложение, давая агенту контекст как чата, так и пользовательского интерфейса для выполнения действий .

Развёртывание и использование

Быстрый старт :

bash

# Клонирование репозитория
git clone https://github.com/CopilotKit/open-mcp-client.git
cd open-mcp-client

# Установка зависимостей
npm install

# Запуск
npm run dev

Подключение MCP-серверов:

  1. Получите URL вашего MCP-сервера через Composio

  2. Вставьте URL в интерфейс клиента

  3. Начните чат с подключёнными инструментами

Пример использования

Разработчики приводят отличный пример:

"Запланируй встречу на завтра в 15:00, но только если не будет дождя"

Агент скоординирует работу между MCP-серверами календаря и погоды, проверит прогноз, найдёт свободный слот и создаст событие — всё через единый чат-интерфейс.

Плюсы и минусы Open MCP Client

Преимущества Недостатки
Минималистичный, создан специально для MCP Требует Composio для подключения серверов
Простая установка Менее функционален, чем Open WebUI
Интеграция с UI приложения Относительно новый проект (апрель 2025)
Легковесное решение  

🔗 MCP Links — мост между MCP-серверами

Что это такое

MCP Link (пакет mcp-link) — это не веб-интерфейс сам по себе, а мост (bridge), позволяющий соединять MCP-серверы с различными клиентами, включая веб-приложения . Он доступен как CLI-утилита и как SDK для разработчиков.

Ключевая функциональность

MCP Link умеет соединять любые комбинации транспортных протоколов :

Режим сервера Режим клиента Описание
stdio stdio, sse, streamable, stdio-container Локальный процесс → куда угодно
sse stdio, sse, streamable, stdio-container HTTP-сервер → куда угодно
streamable stdio, sse, streamable, stdio-container Streamable HTTP → куда угодно

Особенность: режим stdio-container автоматически запускает эфемерный Docker-контейнер для каждой MCP-сессии и удаляет его по окончании .

Использование как прокси для веб-интерфейса

MCP Link может выступать в роли прослойки между вашими MCP-серверами 1С и любым веб-клиентом:

bash

# Установка
npm install -g mcp-link

# Запуск моста для сервера метаданных 1С
mcplink --serverMode=stdio --clientMode=sse --port=8080 --command="node I:/mcpcode/server-metadata.js"

# Теперь ваш MCP-сервер доступен через SSE на порту 8080
# Любой веб-клиент может подключиться к http://localhost:8080

SDK для разработчиков

MCP Link предоставляет SDK для создания собственных решений с возможностью обработки сообщений :

javascript

import { startBridge } from 'mcp-link';

const bridge = await startBridge({
  serverMode: 'stdio',
  clientMode: 'sse',
  port: 8080,
  command: 'node I:/mcpcode/server-metadata.js',
  messageProcessor: {
    forwardMessageToServer: async (message) => {
      console.log('→', message);
      return message;
    },
    returnMessageToClient: async (message) => {
      console.log('←', message);
      return message;
    }
  }
});

 

Плюсы и минусы MCP Links

Преимущества Недостатки
Гибкое bridging между любыми протоколами Не является готовым веб-интерфейсом
Поддержка Docker-контейнеров Требует дополнительной настройки
Есть SDK для кастомизации Меньше готовых решений "из коробки"
Возможность логирования и трансформации сообщений  


Спасибо за внимание.

Вступайте в нашу телеграмм-группу Инфостарт

Вы можете заказать платную адаптацию этой статьи под ваши задачи на «Бирже заказов».

  • 0% комиссии — оплата напрямую исполнителю;
  • Исполнители любого масштаба — от отдельных специалистов до команд под проект;
  • Прямой обмен контактами между заказчиком и исполнителем;
  • Безопасная сделка — при необходимости;
  • Рейтинги, кейсы и прозрачная система откликов.

См. также

Нейросети Системный администратор Разработчик Аналитик Бухгалтер Пользователь Руководитель проекта 1С 8.3 1С:Документооборот 1С:Бухгалтерия 3.0 1С:Зарплата и Управление Персоналом 3.x Россия Платные (руб)

Подключите ИИ к 1С и решайте рабочие задачи обычными словами. От работы с данными до доработки конфигурации через расширения, всё в привычном чате с ИИ-помощником. Теперь с поддержкой DeepSeek Harness, Kimi Code и Kimi Work, доступных в России без VPN.

15990 руб.

30.07.2026    20907    44    4    

40

SALE! %

Банковские операции Обмен с интернет-банком Мастера заполнения Нейросети Разработчик Бухгалтер Пользователь 1С:Предприятие 8 1C:ERP 1С:Бухгалтерия 3.0 1С:ERP Управление предприятием 2 1С:Управление холдингом 1С:ERP. Управление холдингом 1С:Комплексная автоматизация 2.х 1С:Управление нашей фирмой 3.0 1С:Управление торговлей 11 1С:Розница 3.0 Платные (руб)

Корректируйте банковские документы быстро и легко! Создайте правило обработки — и оно автоматически применится при загрузке выписки (отбор по любому реквизиту или регулярному выражению). Решение заполняет расшифровку платежа, комиссию эквайринга, подбирает ведомости на выплату зарплаты, помечает дубли из банка на удаление и многое другое. Доплачивать за алгоритмы не нужно — они включены в решение. Обработка работает при загрузке из файлов клиент-банка и через DirectBank. Новое — искусственный интеллект: модель приводит нестандартные назначения платежа к виду, понятному алгоритмам, а ИИ-ассистент прямо в 1С консультирует по решению и разбирает код правил и алгоритмов. Поддерживаются локальные и облачные OpenAI-совместимые модели — данные могут не покидать ваш контур.

17500 14450 руб.

20.12.2024    22011    107    32    

90

Инструментарий разработчика Нейросети Платные (руб)

Первые попытки разработки на 1С с использованием больших языковых моделей (LLM) могут разочаровать. LLMки сильно галлюцинируют, потому что не знают устройства конфигураций 1С, не знают нюансов синтаксиса. Но если дать им подсказки с помощью MCP, то результат получается кардинально лучше. Далее в публикации: MCP для поиска по метаданным 1С, справке синтакс-помощника и проверки синтаксиса.

15250 руб.

25.08.2025    78397    148    41    

154

SALE! 30%

Нейросети 1С 8.3 1С:Бухгалтерия 2.0 1С:Бухгалтерия 1.6 1С:Бухгалтерия 3.0 1С:Управление холдингом 1С:Управление нашей фирмой 1.6 1С:Управление нашей фирмой 3.0 1С:Управление торговлей 10 1С:Управление торговлей 11 1С:Документооборот Россия Платные (руб)

Расширение добавляет в 1С чат с ИИ-агентом. Пользователь спрашивает словами: «какие УПД не подписаны?», «какой НДС к уплате за квартал?», «что правили задним числом?», а агент сам строит запросы к базе с правами этого пользователя и отвечает цифрами, таблицей, диаграммой или файлом Excel. Нужный отчёт можно поставить на расписание: агент пришлёт его в Telegram или MAX каждое утро, по будням или раз в неделю. Плитки «Аналитик», «Бухгалтер» и «Руководитель» дают сводку по базе одной кнопкой. В расширении 67 готовых инструментов: ЭДО, маркировка, НДС и счета-фактуры, прогноз закупок, сверка прайса, Документооборот. Ключи API и VPN не нужны, модель уже в цене, персональные данные заменяются метками до отправки, в базу агент ничего не пишет. Работает в УТ 11, КА 2, ERP 2, БП 3.0, УНФ 3.0, Документооборот 3.0 и Альфа-Авто 6 при режиме совместимости от 8.3.9; для старых баз на обычных формах есть отдельный вариант.

18300 руб.

05.10.2026    4587    16    9    

16

Распознавание документов и образов Нейросети 1С:Предприятие 8 1С 8.3 1С 8.5 1C:Бухгалтерия 1С:Зарплата и Управление Персоналом 3.x Беларусь Россия Казахстан Армения Платные (руб)

ИИ-сканер документов с REST API для интеграции с 1С и корпоративными системами. Извлекайте данные из счетов, паспортов, дипломов, патентов и трудовых книжек за секунды. Точность человека - скорость машины. Приложение поддерживает восемь типов документов, четырех провайдеров ИИ (имеется возможность использования локальных ИИ), локальный REST API и экспорт в JSON. Важно! модель должна поддерживать функцию Vision (распознавание файлов и картинок). Запускайте используя локальные ИИ, без подписок и ограничений

6100 руб.

24.08.2026    1642    3    0    

2

Инструментарий разработчика Нейросети Системный администратор Разработчик Руководитель проекта 1С 8.3 Платные (руб)

Обработка заменяет ФИО, организации, ИНН, ИИН, БИН, ОГРН, КПП, БИК, счета и IBAN, паспорта, СНИЛС, адреса, телефоны, почту и суммы на правдоподобные выдуманные перед отправкой данных в ChatGPT, Claude или YandexGPT, а потом расшифровывает ответ модели обратно, подставляя настоящие имена и настоящие числа. Возвращаются и те итоги, которые модель посчитала сама: суммы масштабируются одним коэффициентом, поэтому пропорции и доли переживают обезличивание. Словарь замен хранится в самой базе и подхватывается автоматически, даже если обработку закрывали. Реквизиты России и Казахстана, любая конфигурация от 8.3.24, без единой зависимости.

14640 руб.

07.08.2026    2376    3    0    

3

Нейросети 1С:Предприятие 8 1С:Управление торговлей 11 Платные (руб)

Устали вручную разбирать сотни писем в 1С? Доверьте рутину искусственному интеллекту! «По полочкам» — это готовое расширение для 1С, которое само читает входящие email, понимает их суть и мгновенно раскладывает по нужным категориям.

9028 руб.

15.10.2026    341    1    0    

1

Нейросети Разработчик 1С:Предприятие 8 1С:ERP Управление предприятием 2 Бесплатно (free)

Мы десятилетиями совершенствовали интерфейсы 1С: добавляли формы, отчёты, обработки, рабочие места, настройки и кнопки. А теперь выясняется, что значительная часть всего этого, возможно, вообще не нужна пользователю. Научить ChatGPT создавать заказ в 1С — несложно. Правда, пользователь может сделать это быстрее. Поздравляю, мы изобрели более дорогой способ нажать кнопку! Но, возможно, мы вообще неправильно оцениваем возможности AI. Что, если вместо очередного интерфейса для ввода документов появится инструмент, который понимает бизнес-задачи, самостоятельно работает с данными ERP, объединяет разные источники информации и предлагает решения? Разберём рабочие места от кассира до генерального директора и попробуем понять, где LLM+ MCP способен изменить саму организацию работы, а где старая добрая 1С ещё даст ему фору.

13.11.2026    10821    informa1555    21    

15
Комментарии
Подписаться на ответы Инфостарт бот Сортировка: Древо развёрнутое
Свернуть все
1. ksnik 730 03.03.26 18:49 Сейчас в теме
Фреймворк CLEAR

CLEAR — фреймворк для составления запросов к ИИ, который помогает получать более точные, релевантные и полезные ответы.

Чтобы получить максимально точный и полезный ответ от ИИ:

Всегда начинайте с Context — дайте ИИ понимание ситуации и цели. Без контекста даже самый подробный запрос может привести к нерелевантному результату.

Чётко обозначайте Length — укажите объём и стиль ответа. Это сэкономит время на доработку и позволит сразу получить текст нужного формата.

По возможности добавляйте Examples — образцы или ссылки на стиль. Примеры служат «маяком» для ИИ и помогают попасть точно в цель.

Прописывайте Audience — кто будет читать/использовать результат. Адаптация под аудиторию повышает практическую ценность контента.

Назначайте Role — конкретную роль для ИИ. Роль задаёт экспертный тон и глубину ответа, делая его более профессиональным и осмысленным.

Расшифровка аббревиатуры:

  • C (Context) — контекст: ситуация, цель и фон запроса.
  • L (Length) — длина/объём: чёткие параметры размера и стиля ответа.
  • E (Examples) — примеры: образцы желаемого результата.
  • A (Audience) — аудитория: кто будет использовать результат.
  • R (Role) — роль: «маска» для ИИ, задающая тон и глубину ответа.
Пошаговая инструкция по составлению запроса

Шаг 1. Context (Контекст)
Опишите ситуацию и цель запроса. Ответьте на вопросы:
• зачем нужен этот контент?
• в какой ситуации он будет использоваться?
• какую проблему решает?

Примеры формулировок:
Код
«Напиши статью для блога компании, которая запускает новый продукт…»
«Составь ответ клиенту, который недоволен качеством услуги…»
«Создай план презентации для встречи с инвесторами…»
Показать полностью


Шаг 2. Length (Длина/Объём)
Укажите параметры объёма и стиля:
• количество слов/предложений/пунктов;
• формат вывода (список, таблица, абзацы);
• тон общения (дружелюбный, официальный, экспертный);
• уровень лексики (простой, технический, научный).

Примеры формулировок:
Код
«Кратко, 3–4 предложения»
«Подробно, 500–600 слов, с подзаголовками»
«В виде нумерованного списка из 5 пунктов»
«Тон: дружелюбный, но профессиональный»
Показать полностью


Шаг 3. Examples (Примеры)
Приведите образцы желаемого результата:
• 1–2 примера фраз или структур;
• ссылку на стиль известного автора/бренда;
• образец из предыдущих успешных ответов.

Примеры формулировок:
Код
«Стиль как в статьях Harvard Business Review»
«Как в рекламе Nike: коротко, энергично, с глаголом в начале»
«По аналогии с предыдущим ответом, который ты дал по теме X»
Показать полностью


Шаг 4. Audience (Аудитория)
Определите целевую аудиторию:
• демографические характеристики (возраст, профессия, интересы);
• уровень экспертизы (новичок, специалист, эксперт);
• потребности и ожидания (что хочет получить от контента).

Примеры формулировок:
Код
«Для начинающих инвесторов 25–35 лет»
«Для инженеров&#8209;программистов с опытом 5+ лет»
«Для родителей дошкольников, которые хотят развивать креативность у детей»
Показать полностью


Шаг 5. Role (Роль)
Назначьте ИИ конкретную роль:
• профессию или специализацию («маркетолог», «юрист», «писатель»);
• уровень опыта («с 10‑летним стажем», «ведущий эксперт»);
• характер или стиль общения («ироничный блогер», «строгий профессор»).

Примеры формулировок:
Код
«Выступи в роли опытного копирайтера»
«Представь, что ты профессор истории»
«Действуй как CEO стартапа»
Показать полностью


Примеры готовых запросов по фреймворку CLEAR

Пример 1. Бизнес‑отчёт
[quote]«Составь краткий отчёт о трендах цифрового маркетинга на 2024 год (Context). Раздели на 3 раздела: социальные сети, email‑маркетинг, AI‑инструменты. В каждом укажи 3 ключевых тренда и 1 прогноз на год (Length: 400–500 слов, формальный тон). Стиль как в отчётах McKinsey (Examples). Для владельцев малого бизнеса в сфере e‑commerce (Audience). Выступи в роли аналитика цифрового маркетинга с 15‑летним опытом (Role). В конце добавь 3 практических совета по внедрению».[/quote]

Пример 2. Пост для соцсетей
[quote]«Напиши пост для Instagram о пользе утренних пробежек (Context). Раздели на 5 абзацев по 2–3 предложения. Добавь 2 эмодзи (Length). Стиль как у блогера @healthy_life — кратко, с личным примером («Я тоже так начинал…») (Examples). Аудитория: начинающие спортсмены 25–35 лет, офисные работники (Audience). Выступи в роли фитнес‑тренера с 10‑летним опытом (Role). В конце добавь призыв попробовать пробежку завтра утром».[/quote]

Пример 3. Техническое задание
[quote]«Создай техническое задание для веб‑сайта интернет‑магазина (Context). Включи разделы: главная страница, каталог товаров, корзина, контакты. Для каждого раздела опиши 3–5 ключевых элементов (Length: 600–700 слов, технический стиль). Пример структуры смотри в файле ТЗ_образец.pdf (Examples). Для команды разработчиков и дизайнеров (Audience). Выступи в роли project‑менеджера с опытом запуска 50+ сайтов (Role)».[/quote]

Чек‑лист для проверки запроса
Перед отправкой запроса проверьте, что вы:
  • Дали чёткий контекст (зачем и для чего нужен ответ).
  • Указали объём и стиль (сколько слов, какой тон).
  • Привели примеры или образцы (если возможно).
  • Описали аудиторию (кто будет читать/использовать результат).
  • Назначили роль ИИ (кем он должен «быть» в этом запросе).
  • Убедились, что запрос не содержит двусмысленностей.
  • Проверили, что все части CLEAR работают вместе и усиливают друг друга.

Частые ошибки и как их избежать
  • Ошибка: слишком общий контекст («Напиши статью о маркетинге»)
  • Как исправить: добавьте цель и ситуацию («Напиши статью для блога компании, которая запускает новый продукт в нише экотоваров»)
  • Ошибка: нечёткие параметры длины («Напиши подробно»)
  • Как исправить: укажите конкретные цифры («500–600 слов, 3 раздела с подзаголовками»)
  • Ошибка: отсутствие примеров, когда они нужны
  • Как исправить: приведите образец стиля («Как в статьях Forbes: кратко, с цифрами и цитатами экспертов»)
  • Ошибка: неопределённая аудитория («Для всех»)
  • Как исправить: опишите целевую группу («Для владельцев малого бизнеса в сфере услуг, возраст 30–45 лет»)
  • Ошибка: абстрактная роль («Будь умным»)
  • Как исправить: назначьте конкретную профессию/опыт («Выступи в роли финансового консультанта с 10‑летним стажем»)

Советы по улучшению запросов
  • Начинайте с самого важного: сначала Context и Role, затем остальные элементы.
  • Используйте нумерацию и маркированные списки для сложных запросов.
  • Разбивайте большие задачи на несколько последовательных запросов.
  • Если результат не идеален — уточните один элемент CLEAR (например, добавьте пример или измените роль).
  • Сохраняйте удачные запросы как шаблоны для будущих задач.

Краткий шаблон запроса CLEAR
Скопируйте и заполните этот шаблон для быстрого создания запросов:

[Задача: чётко сформулируйте, что должен сделать ИИ (написать статью, составить план, проанализировать данные и т. д.)]
(Context: опишите ситуацию, цель и предысторию задачи. Зачем нужен этот контент? В какой ситуации будет использоваться? Какую проблему решает?)
[Параметры длины и стиля: укажите объём (количество слов, предложений, пунктов) и формат вывода (список, таблица, абзацы). Охарактеризуйте тон общения (дружелюбный, официальный, экспертный) и уровень лексики (простой, технический, научный)]
(Length: [например: «500–600 слов, 3 раздела с подзаголовками, формальный тон»])
[Примеры или образцы: приведите 1–2 примера фраз или структур, ссылку на стиль известного автора/бренда либо образец из предыдущих успешных ответов]
(Examples: [например: «Стиль как в статьях Harvard Business Review» или «Как в рекламе Nike: коротко, энергично, с глаголом в начале»])
[Целевая аудитория: опишите, кто будет читать/использовать результат. Укажите демографические характеристики (возраст, профессия, интересы), уровень экспертизы (новичок, специалист, эксперт) и потребности (что хочет получить от контента)]
(Audience: [например: «Для начинающих инвесторов 25–35 лет» или «Для инженеров‑программистов с опытом 5+ лет»])
[Роль для ИИ: назначьте конкретную роль — профессию или специализацию («маркетолог», «юрист», «писатель»), уровень опыта («с 10‑летним стажем», «ведущий эксперт») или характер общения («ироничный блогер», «строгий профессор»)]
(Role: [например: «Выступи в роли опытного копирайтера» или «Представь, что ты профессор истории»])
[Дополнительные инструкции: добавьте любые особые требования или уточнения, которые не вошли в предыдущие блоки (например, «В конце добавь 3 практических совета» или «Избегай сложных терминов»)]
Показать


Как использовать шаблон:
Скопируйте полную версию с пояснениями или лаконичную — в зависимости от того, нужны ли вам подсказки.
Замените текст в квадратных скобках [ ] на свои данные.
Удалите пояснения (если использовали версию с ними) — оставьте только заполненные поля.
Отправьте готовый запрос ИИ.
2. ksnik 730 04.04.26 20:27 Сейчас в теме
Я оформил в виде скилла восстановление настройки в соответствии с данной статьей, так что при необходимости ИИ поможет настроить данный процесс.
Прикрепленные файлы:
skill.txt
3. ksnik 730 06.04.26 11:10 Сейчас в теме
Уважаемые коллеги.

В процессе работы с MCP-пайплайном выяснилось, что MCPHost — удобный инструмент для тестирования конфигураций, но для реальной разработки лучше подходит opencode - теперь возможностей MCPHost недостаточно. На смену ему приходит OpenCode.

Коротко о главном:

  • MCPHost — хост для диалога с LLM через MCP-серверы. Он не пишет код, не редактирует файлы, не управляет проектом. Его единственное преимущество — лёгкость смены конфигураций, что удобно для тестов.
  • OpenCode — терминальный AI-агент, который сам подключается к MCP-серверам, сам пишет код, редактирует файлы, управляет проектом. MCPHost ему не нужен.
Что это означает на практике:

  • MCPHost оставляем для быстрого переключения конфигураций и тестирования новых MCP-серверов.
  • OpenCode используем для разработки, рефакторинга, автоматизации.
  • Перенос настроек из MCPHost в OpenCode занимает минуты: достаточно скинуть файл
    .mcphost.yml
    в чат OpenCode — он сам всё проанализирует и настроит.
Для тех, кто хочет автоматизировать процесс, прилагаю скилл ok.md (в папке
I:\mcphost
). Он сам проверит инфраструктуру, создаст конфигурацию, подключит серверы и протестирует результат.

Вывод: MCPHost — для тестов и экспериментов с конфигурациями. OpenCode — для работы. Переходите. Скилл для перехода прилагается.
Прикрепленные файлы:
ok.md
Для отправки сообщения требуется регистрация/авторизация