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
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.
- 11 июн. 2026 г.В Вашингтоне собрались враги AI-регуляции. Выборы 2026 изменили правила
- 12 нояб. 2026 г.Автор «Точек над ИИ» заменил Notion и CRM агентами: 80+ скиллов вместо сервисов
- 9 нояб. 2026 г.Агент Pinky ведёт CRM на 1000+ человек: Second Brain на md-файлах и git вместо Notion
- 2 мая 2026 г.Microsoft запустила Copilot Health для анализа данных со смарт-часов и медицинских карт
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.
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.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.