Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизAPI / Продукт · В работуLanceDB Blog→ оригинал

Second Dinner собирает прототипы карт за часы, а ИИ-тесты лучше ручных в 81% случаев

Студия Second Dinner, основанная создателями Hearthstone, подключила к Slack-боту RAG: нейросеть сначала находит в LanceDB прошлые карты, код и тикеты Jira, а потом отвечает. Дизайнер за часы, а не месяцы, получает макет новой карты. QA вместо недели ручной работы вызывает API, и по оценке студии ИИ-тесты лучше человеческих в 81% случаев. Вывод: внутренний RAG окупается там, где идеи буксуют на согласованиях.

AI-обработка оригинала LanceDB Blog; редакция Hamidun News
Second Dinner собирает прототипы карт за часы, а ИИ-тесты лучше ручных в 81% случаев
Источник: LanceDB Blog. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникLanceDB Blog ↗
Главный редактор
Ключевой факт #1LanceDB Cloud вышел в прод за две недели и стоит в 3–5 раз дешевле аналогов
Ключевой факт #2Дизайнеры ведут параллельно в 5 раз больше идей, чем раньше
Ключевой факт #320,5% ИИ-тестов заметно лучше ручных по стилю или требованиям

Представьте, что у компании есть годы кода, дизайн-документов и тикетов, а нейросеть о них ничего не знает. Игровая студия Second Dinner, которую в 2018 году основали авторы Hearthstone Гамильтон Чу и Бен Броуд, решила это через RAG. Так называют схему, в которой модель перед ответом находит в собственных данных компании нужные куски и опирается на них. Данные студия хранит в векторной базе LanceDB: это хранилище, которое ищет документы по смыслу, а не по точным словам. В результате макет новой игровой карты делается за часы вместо месяцев, а ИИ-тесты, по оценке самой студии, лучше написанных людьми в 81% случаев. Кейс студия подготовила вместе с командой LanceDB.

Какая проблема была у студии

Болело в двух местах. Первое: системные дизайнеры постоянно придумывают новые механики, но чтобы превратить набросок в рабочий код, нужно собрать инженеров, UX-дизайнеров и тестировщиков. Это месяцы встреч, потраченный бюджет и идеи, которые так и не дошли до проверки.

Второе: каждую новую игровую карту нужно проверять на тысячах взаимодействий с другими картами. Тест-наборы QA-инженеры писали вручную, и на это уходила целая неделя. Команда небольшая, поэтому пропущенные пограничные случаи были реальным риском.

Требования студия сформулировала так: прототип из текстового запроса, генерация тестов через API, работа с разнородными данными (от тикетов Jira до дизайн-документов) и serverless-архитектура без возни с инфраструктурой.

Как устроено решение

Команда ИИ превратила в векторы собственную кодовую базу, дизайн-документы и тикеты Jira и сложила их в LanceDB Cloud. По описанию, настройка свелась к загрузке эмбеддингов (числовых «отпечатков» текста) и созданию индексов. Остальное взяла на себя платформа: масштабирование, сжатие датасетов, инкрементальное индексирование и полную перестройку индексов без остановки работающих сервисов. От получения доступа до продакшена прошло две недели. Выбор студия объясняет философией «no-ops» (минимум ручного обслуживания) и стоимостью: по её словам, LanceDB обошёлся в 3–5 раз дешевле альтернатив. Какие именно альтернативы сравнивались, в кейсе не сказано.

Пример для дизайнера. Он пишет в Slack, например: «как бы выглядела карта, которая крадёт ману из пула соперника, чтобы усилить мои заклинания?». Система через RAG находит похожие механики из прошлых карт, а затем автоматически собирает макет веб-страницы. Дизайнер показывает его коллегам и получает обратную связь, не собирая инженерную команду и не рискуя выпустить непроверенную фичу. По словам студии, благодаря этому дизайнеры ведут параллельно в 5 раз больше идей.

QA-инженеры получают набор тестов через вызов API или команду в Slack, и на это уходят минуты, а не неделя. По данным студии, автоматически созданные тесты лучше написанных людьми в 81% случаев, а 20,5% из них «заметно лучше» по оформлению или выполнению требований.

Что стоит учитывать

Это кейс, который совместно подготовили заказчик и вендор, поэтому цифры стоит читать осторожно. Методика сравнения тестов не раскрыта: неясно, кто и по каким критериям оценивал «лучше», на какой выборке и как считались пограничные случаи. Утверждение про пятикратный рост параллельных идей тоже дано без деталей. Не названы ни модели, ни эмбеддинги, ни схема оценки качества поиска. Формулировки вроде «из исполнителей в визионеры» — маркетинг, а не инженерный результат.

При этом сама схема понятна и воспроизводима. Ценность здесь даёт не отдельная модель, а доступ к собственным данным компании: прошлые карты, правила и тикеты служат контекстом, на котором LLM генерирует правдоподобные прототипы и тесты в стиле конкретного проекта.

Практический вывод

Для команд, которые строят внутренних ИИ-помощников, из кейса следуют три вывода. Во-первых, начинать лучше с того, что уже накоплено: код, документы и тикеты, а не с абстрактного чат-бота. Во-вторых, интерфейс должен быть там, где люди уже работают: Slack и API понятнее, чем отдельный портал. В-третьих, управляемая serverless-база избавляет небольшую ИИ-команду от обслуживания индексов, а это важно, когда в штате нет отдельных DevOps-специалистов.

Если вы делаете похожую систему, заранее договоритесь, как мерить успех. Доля тестов, которые лучше ручных, время от идеи до макета и стоимость хранения и поиска — эти метрики студия называет сама. Но без прозрачной методики такие цифры плохо переносятся на другие проекты, поэтому свои замеры стоит провести до масштабирования.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: какая проблема была у студии?

Болело в двух местах. Первое: системные дизайнеры постоянно придумывают новые механики, но чтобы превратить набросок в рабочий код, нужно собрать инженеров, UX-дизайнеров и тестировщиков. Это месяцы встреч, потраченный бюджет и идеи, которые так и не дошли до проверки. Второе: каждую новую игровую карту нужно проверять на тысячах взаимодействий с другими картами. Тест-наборы QA-инженеры писали вручную, и на это уходила целая неделя. Команда небольшая, поэтому пропущенные пограничные случаи были реальным риском.

Что известно по теме: как устроено решение?

Команда ИИ превратила в векторы собственную кодовую базу, дизайн-документы и тикеты Jira и сложила их в LanceDB Cloud. По описанию, настройка свелась к загрузке эмбеддингов (числовых «отпечатков» текста) и созданию индексов. Остальное взяла на себя платформа: масштабирование, сжатие датасетов, инкрементальное индексирование и полную перестройку индексов без остановки работающих сервисов. От получения доступа до продакшена прошло две недели.

Что известно по теме: что стоит учитывать?

Это кейс, который совместно подготовили заказчик и вендор, поэтому цифры стоит читать осторожно. Методика сравнения тестов не раскрыта: неясно, кто и по каким критериям оценивал «лучше», на какой выборке и как считались пограничные случаи. Утверждение про пятикратный рост параллельных идей тоже дано без деталей. Не названы ни модели, ни эмбеддинги, ни схема оценки качества поиска. Формулировки вроде «из исполнителей в визионеры» — маркетинг, а не инженерный результат. При этом сама схема понятна и воспроизводима.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…