Міграція з однієї LLM на іншу: GPT → Claude → Open Source

Уявіть: ваш сервіс на GPT-4 починає видавати нерелевантні відповіді після переходу на Claude. Або ви хочете перейти на Open Source моделі, щоб зменшити витрати, але боїтеся втратити якість. Ми стикалися з цим десятки разів. Наш досвід показує: правильно спланована міграція не лише зберігає, але й покращує якість завдяки кращій моделі під ваше завдання.

Розглянемо конкретний випадок: перехід з GPT-4 на Claude 3 Sonnet для чат-бота підтримки. Ми адаптували 150 промптів, переписали логіку виклику інструментів і провели A/B тестування. Результат — зниження вартості на 60% (з $5000/міс до $2000/міс) при зростанні CSAT на 10%. І це не поодинокий приклад: 20+ успішних міграцій за 5 років роботи.

Проблеми, з якими стикаються при міграції

• Різні формати промптів. OpenAI використовує масив messages з system role, Claude — окремий параметр system з XML-тегами. Пряме перенесення system prompt призводить до втрати частини інструкцій.
• Різна структура tool calls. У OpenAI — functions з описом параметрів, у Claude — tool_use з input_schema. Конвертація вимагає мапінгу типів і суворого дотримання формату.
• Різні моделі токенізації та вікна контексту. GPT-4 має вікно 8k/32k, Claude 3 — 200k. Open Source моделі (LLaMA 3, Mistral) — 8k-32k. Це впливає на стратегію розбиття довгих текстів.
• Втрата якості. Навіть при однакових промптах моделі поводяться по-різному. Без тестування можна отримати зниження точності на 20-30%.

Як ми вирішуємо ці проблеми

Ми використовуємо LLM-as-judge для автоматичного порівняння відповідей. Це дозволяє швидко оцінити, наскільки нова модель відповідає старій. Для адаптації промптів ми написали клас PromptAdapter, який конвертує system prompt між провайдерами та додає XML-теги для Claude. Уніфікований клієнт UnifiedLLMClient приховує відмінності API і дозволяє перемикати провайдера одним рядком коду.

from anthropic import Anthropic
from openai import OpenAI
import json
import time
from typing import Callable

anthropic_client = Anthropic()
openai_client = OpenAI()

class LLMMigrationAnalyzer:
    """Анализирует совместимость и качество при миграции"""

    def compare_responses(
        self,
        test_cases: list[dict],
        source_fn: Callable,
        target_fn: Callable,
    ) -> dict:
        """Сравнивает ответы двух моделей на тестовых случаях"""

        results = []
        for case in test_cases:
            source_response = source_fn(case["messages"], case.get("system"))
            target_response = target_fn(case["messages"], case.get("system"))

            # LLM-as-judge для оценки качества
            quality_score = self.judge_quality(
                case["messages"][-1]["content"],
                source_response,
                target_response,
            )

            results.append({
                "input": case["messages"][-1]["content"],
                "source": source_response[:200],
                "target": target_response[:200],
                "quality_score": quality_score,
                "recommendation": "migrate" if quality_score >= 0.8 else "review",
            })

        return {
            "total_cases": len(results),
            "safe_to_migrate": len([r for r in results if r["recommendation"] == "migrate"]),
            "needs_review": len([r for r in results if r["recommendation"] == "review"]),
            "avg_quality": sum(r["quality_score"] for r in results) / len(results),
            "cases": results,
        }

    def judge_quality(self, question: str, source: str, target: str) -> float:
        """Оценивает качество ответа target относительно source"""
        response = openai_client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{
                "role": "user",
                "content": f"""Compare two AI responses to the same question.
Question: {question}
Response A: {source[:500]}
Response B: {target[:500]}

Rate Response B compared to A on a scale 0-1 where:
1.0 = B is better or equal to A
0.7 = B is slightly worse but acceptable
0.5 = B has notable quality degradation
0.0 = B is significantly worse

Return only a number."""
            }],
            temperature=0,
        )
        try:
            return float(response.choices[0].message.content.strip())
        except ValueError:
            return 0.5

Адаптація промптів при міграції GPT → Claude

class PromptAdapter:
    """Адаптирует промпты между провайдерами"""

    # Различия между моделями
    GPT_TO_CLAUDE_RULES = {
        # OpenAI использует messages array для system
        # Claude использует отдельный system параметр
        "system_prompt": "separate_parameter",

        # Claude предпочитает XML-теги для структурирования
        # GPT не требует специального форматирования
        "prefer_xml_tags": True,

        # Claude лучше следует инструкциям с явными ограничениями
        "explicit_constraints": True,
    }

    def adapt_system_prompt(self, gpt_system: str) -> str:
        """Адаптирует system prompt для Claude"""
        response = anthropic_client.messages.create(
            model="claude-haiku-4-5",
            max_tokens=2048,
            messages=[{
                "role": "user",
                "content": f"""Адаптируй этот system prompt от OpenAI GPT для Anthropic Claude.

Правила адаптации:
- Сохрани основной смысл и инструкции
- Используй XML-теги для структурирования (<instructions>, <constraints>, <format>)
- Claude лучше следует конкретным примерам, добавь их если нужно
- Убери упоминания "GPT", "ChatGPT" если есть

Исходный prompt:
{gpt_system}

Верни только адаптированный prompt."""
            }]
        )
        return response.content[0].text

    def adapt_function_tools(self, openai_tools: list) -> list:
        """Конвертирует OpenAI tools в Claude tool_use формат"""
        claude_tools = []
        for tool in openai_tools:
            if tool.get("type") == "function":
                func = tool["function"]
                claude_tools.append({
                    "name": func["name"],
                    "description": func["description"],
                    "input_schema": func.get("parameters", {
                        "type": "object",
                        "properties": {}
                    })
                })
        return claude_tools

Абстракційний шар для плавної міграції

from enum import Enum

class LLMProvider(str, Enum):
    OPENAI = "openai"
    ANTHROPIC = "anthropic"
    OLLAMA = "ollama"

class UnifiedLLMClient:
    """Единый интерфейс для всех провайдеров"""

    def __init__(self, provider: LLMProvider, model: str):
        self.provider = provider
        self.model = model

    def complete(self, messages: list[dict], system: str = "", **kwargs) -> str:
        """Единый метод для всех провайдеров"""

        if self.provider == LLMProvider.ANTHROPIC:
            response = anthropic_client.messages.create(
                model=self.model,
                max_tokens=kwargs.get("max_tokens", 2048),
                system=system,
                messages=messages,
                temperature=kwargs.get("temperature", 0.1),
            )
            return response.content[0].text

        elif self.provider == LLMProvider.OPENAI:
            all_messages = []
            if system:
                all_messages.append({"role": "system", "content": system})
            all_messages.extend(messages)
            response = openai_client.chat.completions.create(
                model=self.model,
                messages=all_messages,
                max_tokens=kwargs.get("max_tokens", 2048),
                temperature=kwargs.get("temperature", 0.1),
            )
            return response.choices[0].message.content

        elif self.provider == LLMProvider.OLLAMA:
            import requests
            all_messages = []
            if system:
                all_messages.append({"role": "system", "content": system})
            all_messages.extend(messages)
            response = requests.post(
                "http://localhost:11434/v1/chat/completions",
                json={"model": self.model, "messages": all_messages}
            )
            return response.json()["choices"][0]["message"]["content"]

# Изменить провайдера — одна строка
client = UnifiedLLMClient(LLMProvider.ANTHROPIC, "claude-haiku-4-5")
# → client = UnifiedLLMClient(LLMProvider.OPENAI, "gpt-4o-mini")

Чому пряме перенесення промптів не працює?

OpenAI використовує system message як частину контексту, Claude — окремий параметр з більшою вагою. Якщо просто скопіювати текст, Claude може ігнорувати частину інструкцій через відсутність XML-розмітки. Крім того, GPT і Claude по-різному інтерпретують ролі: у GPT можна вказати "role": "system", у Claude система задається поза масивом повідомлень. Без адаптації ви ризикуєте отримати формальні, шаблонні відповіді або втрату контексту.

Як пришвидшити міграцію без втрати якості?

Наш підхід — автоматизація через LLM-as-judge та PromptAdapter. Ми збираємо 50-100 реальних запитів з продакшену, проганяємо через обидві моделі та оцінюємо якість. Якщо середня оцінка нижча за 0.8, адаптуємо промпти. Це дозволяє виявити проблемні кейси за день замість тижня ручного тестування. Для типових задач ми використовуємо шаблони адаптації, що пришвидшує процес у 2-3 рази.

Що входить у послугу "під ключ"

Терміни

• Аналіз сумісності + тестування: 1 тиждень
• Адаптація промптів + інструментів: 1 тиждень
• A/B тест у production + rollout: 1–2 тижні

Чекліст міграції

Чому ми? 5+ років на ринку, 20+ виконаних проєктів, гарантія збереження якості

Оцініть ваш проєкт безкоштовно — пишіть нам. Ми проаналізуємо поточну архітектуру та запропонуємо план міграції під ваш бюджет. При міграції з нами ви отримуєте гарантію збереження якості та підтримку на всіх етапах.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.