Управління контекстом AI-діалогу в мобільному застосунку

Розмовний AI-асистент у мобільному застосунку швидко втрачає контекст, якщо не керувати історією діалогу. Кожен запит користувача та відповідь моделі додають токени — при активному використанні ліміт вікна вичерпується за 10–15 повідомлень, а витрати на API зростають експоненційно. Ми інтегруємо контекстне вікно та управління історією діалогу AI в мобільні застосунки під ключ. На основі нашого досвіду (10+ років у мобільній розробці та 50+ AI-проектів) ми гарантуємо ефективне використання контексту. Правильна стратегія управління контекстом скорочує витрати на API до 30%.

Чому зростає історія діалогу і як це впливає на вартість?

Кожен обмін додає токени: запит користувача + відповідь моделі. При середньому повідомленні 50–100 токенів і 20 парах — вже 2000–4000 токенів лише на історію, плюс системний промпт. При gpt-4o з ціною $5 за 1M input токенів — дрібниця, але при 1000 активних користувачів з 50 повідомленнями на день витрати перевищують $250 на день лише на історію. Економія на ефективному управлінні може сягати 30% від вартості API-запитів.

Друга проблема: різні моделі мають різні ліміти (GPT-4o — 128K, Claude — 200K, YandexGPT — 8K). Застосунок, оптимізований під одну модель, може давати збої при перемиканні на іншу.

Як керувати контекстом при зміні AI-моделі?

Для універсальності рекомендується реалізувати абстракцію над управлінням контекстом: задати максимальну кількість токенів для поточної моделі та динамічно підлаштовувати стратегію (ковзне вікно з порогом, що залишає запас). Наприклад, для YandexGPT з 8K лімітом варто використовувати ковзне вікно з менш ніж 7K токенів, залишаючи місце під відповідь. Для GPT-4o з 128K можна застосовувати гібридну пам'ять без обмежень. Такий підхід дозволяє перемикати моделі без зміни логіки.

Три стратегії управління історією діалогу AI

func buildMessages(history: [Message], systemPrompt: String, maxTokens: Int = 3000) -> [Message] {
    var result: [Message] = []
    var tokenCount = countTokens(systemPrompt)
    for message in history.reversed() {
        let msgTokens = countTokens(message.content)
        if tokenCount + msgTokens > maxTokens { break }
        result.insert(message, at: 0)
        tokenCount += msgTokens
    }
    return result
}

Порівняння стратегій

Отримайте консультацію з архітектури контекстного вікна — ми допоможемо обрати оптимальну стратегію для вашого проекту.

Як реалізувати гібридну пам'ять: покрокове керівництво

1. Визначте типи фактів. Які дані потрібно запам'ятовувати? Наприклад, для медичного асистента: алергії, поточні ліки, хронічні захворювання.
2. Створіть схему довгострокової пам'яті. Використовуйте SQLite або in-memory словник. Кожен факт — ключ-значення з тегом часу.
3. При кожній відповіді моделі витягуйте факти. Відправляйте останні 10–15 повідомлень + всі актуальні факти в промпт.
4. Після отримання відповіді оновлюйте факти. Додатковий виклик моделі (меншої) витягує нові факти з діалогу.
5. Періодично чистіть застарілі факти. Видаляйте факти, не підтверджені більше тижня.

Деталі реалізації

Довгострокова пам'ять може зберігатися у вигляді графу знань або простих пар ключ-значення. Для витягування фактів використовуйте structured output моделей, наприклад, JSON-формат. Це спрощує парсинг та оновлення. Важливо перевіряти коректність витягнутих фактів і не допускати зациклення.

Як обрати стратегію для вашого мобільного застосунку?

Якщо застосунок потребує запам'ятовування ключових фактів (алергії, вподобання), гібридна пам'ять — єдиний робочий варіант. Сумаризація без явного збереження фактів може призвести до юридичних ризиків у медичних або фінансових асистентах. Ми рекомендуємо проводити аудит вимог перед вибором. Зв'яжіться з нами для консультації — допоможемо визначитися.

Технічні аспекти: зберігання, підрахунок токенів та UI

Зберігання історії на мобільному

SQLite — стандарт. Структура:

CREATE TABLE conversations (
    id TEXT PRIMARY KEY,
    created_at INTEGER,
    title TEXT,
    model TEXT,
    summary TEXT
);
CREATE TABLE messages (
    id TEXT PRIMARY KEY,
    conversation_id TEXT REFERENCES conversations(id),
    role TEXT CHECK(role IN ('user', 'assistant', 'system')),
    content TEXT,
    token_count INTEGER,
    created_at INTEGER
);
CREATE INDEX idx_messages_conversation ON messages(conversation_id, created_at);

token_count рахується при збереженні — не при кожному завантаженні.

Підрахунок токенів на мобільному

Точний підрахунок потребує токенізатора для конкретної моделі. Згідно з Wikipedia, токенізація — процес розбиття тексту на токени. На сервері — tiktoken для OpenAI, tokenizers від HuggingFace. На мобільному використовуємо евристику: англійська ~4 символи = 1 токен, російська ~2–2.5 символи = 1 токен, код ~3 символи = 1 токен. Для відповідального підрахунку (тарифікація, ліміти) — серверна валідація.

UI: відображення історії

Список повідомлень — UITableView зі зворотним порядком (нові знизу) або LazyColumn в Compose з reverseLayout = true. При стримінгу останнє повідомлення оновлюється на місці без перестрибування скролу. Індикація контекстного вікна (візуальна смужка або лічильник токенів) зменшує скарги на забудькуватість асистента.

Що ми пропонуємо та терміни

Що входить в роботу

• Документація з архітектури управління історією
• Вихідний код модуля контекстного вікна з тестами
• Інтеграція з обраною моделлю AI (GPT, Claude, YandexGPT)
• Налаштування підрахунку токенів та моніторингу витрат
• Навчання команди роботі з системою

Орієнтири за термінами

Вартість розраховується індивідуально. Замовте аудит вашого проекту — оцінимо обсяг робіт.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.