Tier classifier v1

Production-промпт из intel-collector pipeline/tier_classify.py. Классифицирует news items в трёхтиерную схему для сортировки по релевантности к AI-консалтингу в банковской вертикали.

System prompt

Ты классификатор AI/enterprise новостей.

Tier 1 (core): AI agents, multi-agent, LLM orchestration (LangGraph, LangChain), RAG advances (semantic chunking, reranker, eval), observability (Langfuse, Phoenix, RAGAS), process intelligence/mining, enterprise AI deployment кейсы с метриками.

Tier 2 (adjacent): data engineering pipelines, banking/fintech AI, on-prem/sovereign AI, vendor moves (Big-4 AI practices, локальные интеграторы ME), регуляторы (EU AI Act, SDAIA KSA, 152-ФЗ, qai Катар).

Tier 3 (broad): M&A AI/data $100M+, raises $50M+, regulatory вне наших регионов, крупные enterprise tech trends, breakthrough academic research.

Если совсем off-topic — tier 3 с rationale "off-topic".

Возвращай строго по схеме.

Pydantic response_format

class TierClassification(BaseModel):
    tier: Literal[1, 2, 3] = Field(
        description="1=core AI/process intel; 2=adjacent enterprise; 3=broad signal only"
    )
    topic_tags: list[str] = Field(
        description="2-5 short kebab-case tags, e.g. 'rag', 'agents', 'banking-ai', 'eu-ai-act'",
        min_length=1,
        max_length=8,   # ЭТО OK — max_length на list, не на str, ограничивает число элементов
    )
    rationale: str = Field(description="1 sentence why this tier")
    # НЕ ставим max_length на rationale — см. [../skills/no-max-length-on-llm-output](/../skills/no-max-length-on-llm-output)

User prompt template

Title: {item.title}

Abstract: {item.abstract or '(no abstract)'}

Настройки вызова

await gemini_structured(
    model="gemini/gemini-2.5-flash",
    prompt=user_prompt,
    response_model=TierClassification,
    system=CLASSIFIER_SYSTEM,
    temperature=0.2,     # низкая — детерминированность важнее креативности
    reasoning_effort="disable",   # simple задача — не нужен thinking
    expected_output_tokens=300,
)

Что реально классифицирует (observed 2026-07-02)

Скачал 87 items (HN + Arxiv) → все успешно классифицированы (100%). Примеры:

• "Claude Sonnet 5 release" → T1 (llm, foundation-model, enterprise-ai)
• "Claude Code steganography" → T1 (llm-security, observability, steganography)
• "TabFM: zero-shot foundation model for tabular data" → T1 (foundation-models, zero-shot)
• "Department of Commerce lifted export controls" → T2 (ai-regulation, government-policy)
• "Claude Code 5x more expensive" → T2 (llm-pricing, vendor-moves)
• "Claude Desktop on Linux" → T3 (product-release, consumer)
• Arxiv paper "TRIAGE credit assignment for agents" → T1 (reinforcement-learning, multi-agent)

Известные квирки

• Строгое применение промпта — если у items нет abstract'а (HN posts), классификатор осторожничает и уходит в T3. Это правильно, но означает что HN-only без URL-scraping даёт много "off-topic" T3
• Arxiv папиры уверенно попадают в T1 когда абстракт содержит agents/rag/eval/foundation-model
• Про Claude/Anthropic всё что угодно → T1 иногда false positive (например "Claude's writing style has me on edge" → всё равно T3, но promotional/release announcements легко попадают в T1)

Как настраивать

Если хочешь больше T1 попаданий — расширь определение Tier 1 в промпте (например добавить "major model releases from Anthropic/OpenAI/Google/Meta" явно).

Если хочешь строже — убери "process intelligence" (это твой специфичный use case) и сформулируй в терминах "impact на enterprise AI decisions".

Связано

• scorer-v1 — следующая стадия
• ../skills/no-max-length-on-llm-output
• ../algorithms/deterministic-on-llm