ChatGPT и Particle-1 собрали поиск для Tilda на n8n и PostgreSQL
В одном рабочем проекте проверили, как быстрая модель и более «рассуждающая» модель могут делить между собой разработку. В итоге поиск для закрытой страницы Tilda собрали на n8n, PostgreSQL 16 и Docker, а LLM использовали не в рантайме, а как помощников на этапе настройки.
Что именно собирали
Речь о внутренней странице на Tilda с паролем и формой для специалиста. Он отмечает нужные сферы — от денег и карьеры до семьи, здоровья и гармонии — а затем выбирает тип изделия: женский, мужской или универсальный.
После отправки формы система должна вернуть до пяти карточек с названием, описанием состава и тегами. Данные берутся из таблицы PostgreSQL с 1684 записями — это каталог авторских «рецептов» изделий из камней, где у каждого набора минералов есть свои свойства и описание из исходного документа мастера.
Почему в самом поиске не стали оставлять ИИ
Автор проекта сначала думал поставить LLM между формой и базой, чтобы она сама «понимала» запрос клиента. Но от этой идеи отказались: для поиска по 1684 строкам не нужен лишний сетевой вызов, а значит не нужна дополнительная задержка и расходы на каждый запрос.
Есть и более важная причина: база должна возвращать только реальные записи каталога. Если отдать выбор модели, она может добавить красивое, но несуществующее свойство или объяснение. Поэтому в рабочем контуре остался обычный SQL-запрос, а модели подключались только при разработке и отладке.
Как распределили роли между моделями
Particle-1 использовали как «руки» — модель стояла в Cline внутри VS Code и выполняла рутинную работу: писала SQL и JavaScript для нод n8n, правила имена полей, кавычки и выражения, а потом предлагала следующий вариант после ошибки.
GPT-6 Luna Pro подключали точечно как «мозг». Он пригодился там, где нужно было понять более сложные вещи: работу с массивами в PostgreSQL, изменение подхода при ошибке в webhook-ответе и обсуждение итоговой логики. При этом запуск workflow, проверку HTTP-ответа и продуктовые решения человек оставлял за собой.
Что оказалось полезным на практике
Проект показал, что связка быстрой модели и более сильной модели может работать не как «замена разработчику», а как удобный разделитель задач. Одна часть делает быстрые правки и не тормозит отладку, другая помогает там, где нужно пересмотреть саму схему решения.
Также автор отдельно смотрел на скорость и стоимость, но не сводил это к простому сравнению «кто лучше». По его наблюдению, Particle-1 давала более комфортный ритм коротких итераций, а LLM-участие помогало точечно, когда обычной правки уже было недостаточно. Для бизнеса и повседневной работы это хороший пример того, как ИИ можно встроить в разработку без лишней магии и без передачи контроля над данными модели.