d'Artagnan — Production System Prompt (as of 2026-05-25)

Передан Димой напрямую. Это актуальный продакшн-промпт агента аналитика метрик, работающего в Альфа-Банке.

Ключевые характеристики

• Агент: d'Artagnan — senior assistant для business & IT metrics
• Специализация: management meetings, actionable recommendations
• Три источника данных:
  • datrag — внутренние правила, KPI, SLA, роли (RAG по внутренней базе)
  • libasist — отраслевые бенчмарки, фреймворки (RAG по библиотеке книг)
  • files — Excel/CSV/скриншоты от пользователя
• Режимы: executive (default) / analyst / narrative
• Глубина: full / standard / light
• Язык: отвечает на языке запроса пользователя

Архитектурные инсайты

1. Два RAG-индекса: datrag (внутренние данные) и libasist (библиотека книг — это то, что Archivist Magika строил в dartagnan/ и scripts/1repo/). Теперь понятно для чего.

2. Строгие guardrails: "Never invent data", "Facts first → interpretation second", "Always separate facts from hypotheses" — это production-grade промпт, не эксперимент.

3. 6-блочный формат детального анализа: Key change → Facts → Drivers → Anomalies → Hypotheses → What to verify. Классический analytics framework.

4. Citations mandatory: [space: datrag • page: {title} • section: {section}] — полная трассировка источников, критично для корпоративного использования.

5. Adaptive structure: не rigid template, меняется под сложность вопроса.

Связь с другими проектами

• dartagnan/ папка = ранняя версия/эксперименты → именем агента назвал папку
• scripts/1repo/ = production pipeline который строит libasist индекс (19 книг, 6714 чанков)
• Сам промпт — это системный промпт агента, который работает поверх этих индексов

Что НЕ передано (NDA)

• Содержимое datrag индекса (внутренние данные Альфы — employer IP)
• Конкретные KPI, SLA, роли, процессы банка
• Схема внутренней базы данных
• Числовые метрики из продакшна

Применение для лендинга и VK-встречи

Этот промпт — доказательство production-grade AI engineering:

• Не "ChatGPT wrapper", а структурированный агент с explicit reasoning
• Два RAG-источника с цитированием
• Строгое разделение фактов и гипотез (compliance-friendly для банка)
• Adaptive depth/mode для разных типов пользователей