The post has been translated automatically. Original language: Russian
The Problem Nobody Notices
Picture this: a kindergarten teacher asks the AI assistant "how do I fill out monitoring reports?" The response: "Please contact your organization's administrator."
Useless. Who is this administrator? What's their name? Where do you even find them?
We're building an AI consultant for sabidamu.kz, a child development monitoring platform used across hundreds of kindergartens in Kazakhstan. Early on, we hit a wall: our AI was giving bureaucratic, cookie cutter answers. Like a hospital kiosk that tells you to "go to reception" when you're already standing in it.
The Fix: Inject Full Context Into the Prompt
The idea is straightforward. The engineering behind it took real work. Before every AI request, we assemble the user's complete professional context:
• Full name (so the AI says "Aigul Maratovna" instead of "dear user")
• Job title and system role
• Organization name and type
• List of groups this teacher manages, with child counts
• Monitoring completion status for each group
• Names of administrators and methodologists in this organization
All of it gets packed into the system prompt. The AI doesn't just "know" the user. It knows their working reality.
What This Looks Like in Practice
Teacher: "Who can give me access to the middle group's monitoring?"
Before: "Contact your organization's administrator to configure access permissions."
Now: "Aigul Maratovna, access to the 'Balapan' middle group monitoring can be set up by your administrator Serikov Nurlan Kairatovich. He can add you to the group's teacher roster through the 'Access Rights' section in monitoring settings."
Feel the difference? This isn't abstract advice. It's a concrete instruction with names and next steps.
Under the Hood
Context assembly runs as a single SQL query with eager loading. Data gets cached in the session for 5 minutes because group rosters don't change every second. The whole context block takes up 300 to 500 tokens in the prompt, but saves dozens of useless follow up questions.
We use Grok 3 as our primary model. At temperature 0.7, the model is free enough to sound natural, yet precise enough not to invent nonexistent colleagues.
The Unexpected Side Effect
Once the AI started addressing people by name and demonstrating real context awareness, user trust went through the roof. People began asking harder questions. Not "how do I fill out monitoring" but "why has Amir scored low in physical development for three months straight and what can we do about it?"
The AI stopped being a help desk. It became the colleague who knows which kindergarten you work at and who you can ask for help.
What's Next
We're now working on enriching context with individual child data. When a teacher opens Amir's profile and asks a question, the AI already knows his age, monitoring scores, and development trajectory. But that's a story for the next article.
Проблема, которую никто не замечает
Представьте: воспитатель детского сада спрашивает у ИИ консультанта «как заполнить мониторинг?». И получает ответ: «Обратитесь к администратору вашей организации».
Решение: впихнуть весь контекст в промпт
Идея простая, но реализация потребовала инженерной работы. Перед каждым запросом к ИИ мы собираем полный контекст пользователя:
• ФИО (чтобы ИИ обращался «Айгуль Маратовна», а не «уважаемый пользователь»)
• Должность и роль в системе
• Название организации и её тип
• Список групп, которые ведёт воспитатель, и количество детей в каждой
• Статус заполнения мониторинга по каждой группе
• ФИО администраторов и методистов этой организации
Всё это упаковывается в системный промпт. ИИ не просто «знает» пользователя. Он знает его рабочий контекст.
Как это выглядит на практике
Воспитатель: «Кто может дать мне доступ к мониторингу средней группы?»
Раньше ИИ ответил бы: «Обратитесь к администратору организации для настройки прав доступа».
Теперь: «Айгуль Маратовна, доступ к мониторингу средней группы "Балапан" может настроить ваш администратор Сериков Нурлан Кайратович. Он сможет добавить вас в состав воспитателей этой группы через раздел "Права доступа" в настройках мониторинга».
Чувствуете разницу? Это не абстрактный совет. Это конкретная инструкция с именами и действиями.
Техническая начинка
Контекст собирается за один SQL запрос с eager loading. Данные кэшируются в сессии на 5 минут, потому что состав групп не меняется каждую секунду. Весь блок контекста занимает 300–500 токенов в промпте, но экономит десятки бесполезных уточняющих вопросов.
Мы используем Grok 3 как основную модель. При температуре 0.7 модель достаточно свободна, чтобы ответ звучал живо, но достаточно точна, чтобы не выдумывать несуществующих коллег.
Неожиданный побочный эффект
Когда ИИ обращается по имени отчеству и знает реальный контекст, уровень доверия пользователей вырос кратно. Люди стали задавать более сложные вопросы. Не «как заполнить мониторинг», а «почему у Амира в категории "физическое развитие" низкий балл третий месяц подряд и что можно сделать?».
ИИ перестал быть справочной. Он стал коллегой, который знает, в каком детском саду ты работаешь и кого можно попросить о помощи.
Что дальше
Сейчас мы работаем над тем, чтобы контекст обогащался данными конкретного ребёнка. Когда воспитатель открывает карточку Амира и задаёт вопрос, ИИ уже знает его возраст, результаты мониторинга, динамику развития. Но это тема для следующей статьи.
Share
