Дружелюбный русский алгоритмический язык, который обеспечивает наглядность сокращенно ДРАКОН — визуальный язык, созданный в СССР для космической программы «Буран». Его разработали для задач высокой ответственности, где ошибка недопустима. Основная цель ДРАКОН — сделать логику однозначной и понятной. Сегодня мне кажется, что ДРАКОН может обрести новую жизнь благодаря искусственному интеллекту. Я не встречал статей о его применении с ИИ, и поэтому решил написать об этом.

В этой статье я разберу практический кейс: от простого алгоритма до готового кода через JSON-представление и проверку логики. Задача будет элементарной, но цель — показать смысл такого подхода. В конце статьи приведу пример из сферы, не связанной с программированием и мы разберём его на примере работы с ДРАКОН.

Сейчас в разработке популярна практика «вайбкодинга»: программист описывает задачу на словах, а ИИ генерирует код. Иногда это срабатывает, но чаще приходится много раз объяснять, где нужны исправления и что следует проверить. Слова не всегда передают логику. Легко упустить важные проверки, граничные случаи и последовательность действий. В результате мы ловим баги на ровном месте, что только усложняет процесс разработки.

Алгоритмическое мышление помогает решать эту проблему. Визуальная логика убирает двусмысленности, которые не всегда удаётся уловить с помощью текста. С помощью ДРАКОН мы можем разбить задачу на чёткие шаги и увидеть все возможные ветки выполнения, а также то, что происходит в каждом случае. Этот инструмент позволяет описывать логику без неясностей.

Я давно думал о создании редактора, в котором можно было бы строить логику блоками, а код генерировался бы автоматически. Эпоха ИИ вдохновила меня вернуться к этой идее. ДРАКОН — это не просто способ алгоритмизации задачи, а понятный язык общения с моделями ИИ. Схема задаёт структуру, а ИИ отвечает за реализацию кода.

Что такое ДРАКОН и чем он полезен?

ДРАКОН позволяет визуально представить алгоритмы, делая их понятными и доступными. Он исключает двусмысленности и помогает разработчикам чётко формулировать свои мысли. Визуальное представление улучшает качество кода и упрощает коммуникацию как между людьми, так и между человеком и ИИ.

Если вы хотите создать понятный и надёжный код или написать структурированную статью, создать правило обработки входящих сообщений, то стоит обратить внимание на ДРАКОН. Существует несколько бесплатных редакторов ДРАКОН-схем, работающих как в онлайн, так и в оффлайн режимах. Думаю, каждый сможет подобрать вариант для себя.

Главные правила ДРАКОН:

• Читается сверху вниз

• Без пересекающихся стрелок

• Единые блоки для условий, циклов и действий

• Масштабирование детализации: от общей карты до конкретных шагов

Это удобно не только разработчикам. Любой процесс со строгими шагами легче объяснить через ДРАКОН: аналитика, медицина, образование, юриспруденция, инженерия и многое другое.

Пример: определение возрастной категории пользователя

Для примера я возьму простую задачу, понятную всем: «Определить возрастную категорию пользователя». Я хотел бы расписать классическую для программирования задачу коммивояжёра, но с ней становится слишком много кода. Моя цель — передать именно логику подхода, а не запрограммировать что-то сложное.

Логика задачи:

1. Спросить возраст.

2. Если возраст меньше 0 или больше 150 — попросить ввести снова.

3. Иначе проверить по порогам:

   • < 13 → «Ребёнок»

   • < 18 → «Подросток»

   • < 65 → «Взрослый»

   • Иначе → «Пожилой»

4. Вывести результат.

Такую схему удобно представить визуально в редакторе ДРАКОН. Она хранится в структурированном виде (JSON): у каждого блока есть тип (вопрос, действие, выбор), входы и выходы. Для человека это картинка, а для ИИ — точная спецификация, по которой можно сгенерировать код на Python, PHP, JS и других языках, без предположений о том, «что автор имел в виду».

Как AI «читает» ДРАКОН схемы

Модели ИИ могут:

• Разобрать структуру (последовательности, ветвления, циклы).

• Перевести блоки в код (вопрос → if, действие → присваивание/вызов, цикл → while/for).

• Проверить логику (мертвые ветки, непокрытые случаи, лишние проверки).

• Собрать документацию на естественном языке.

{
    "items": {
        "1": {
            "type": "end"
        },
        "2": {
            "type": "branch",
            "branchId": 0,
            "one": "5"
        },
        "4": {
            "type": "question",
            "content": "<p>Возраст меньше 0 и больше 150  </p>",
            "one": "9",
            "two": "5",
            "flag1": 1
        },
        "5": {
            "type": "arrow-loop",
            "one": "16"
        },
        "6": {
            "type": "case",
            "one": "13",
            "content": "<p>Возраст менее 65</p>",
            "two": "10"
        },
        "7": {
            "type": "case",
            "one": "12",
            "two": "6",
            "content": "<p>Возраст менее 18</p>"
        },
        "8": {
            "type": "case",
            "one": "11",
            "two": "7",
            "content": "<p>Возраст менее 13</p>"
        },
        "9": {
            "type": "select",
            "one": "8",
            "content": "<p>Проверка возраста</p>"
        },
        "10": {
            "one": "14",
            "type": "case",
            "content": "<p>Возраст 65 и более</p>"
        },
        "11": {
            "type": "action",
            "content": "<p>Присвоить ранг «Ребёнок»</p>",
            "one": "15"
        },
        "12": {
            "type": "action",
            "content": "<p>Присвоить ранг «Подросток»</p>",
            "one": "15"
        },
        "13": {
            "type": "action",
            "content": "<p>Присвоить ранг «Взрослый»</p>",
            "one": "15"
        },
        "14": {
            "type": "action",
            "content": "<p>Присвоить ранг «Пожилой»</p>",
            "one": "15"
        },
        "15": {
            "type": "simpleoutput",
            "content": "<p>Вывести присвоенный ранг</p>",
            "one": "1"
        },
        "16": {
            "type": "simpleinput",
            "content": "<p>Задать входящую переменную возраста</p>",
            "one": "4"
        }
    },
    "type": "drakon",
    "id": "Демо для статьи.drakon"
}

Я пробовал разные LLM: ChatGPT, Cloude, Qwen, K2 — все они отлично понимают алгоритмы в виде JSON, и как результат, ДРАКОН становится мостом между замыслом и реализацией. Человек держит в руках логику, а машина — синтаксис и рутину.

Важно: Не все LLM принимают файлы с расширением .drakon. Поменяйте расширение файла на .txt, и ИИ гарантированно его примет.

Результат в виде кода Python

def get_age_rank():
    while True:
        try:
            age = int(input("Введите возраст: "))
        except ValueError:
            print("Некорректный ввод. Пожалуйста, введите число.")
            continue

        if age < 0 or age > 150:
            print("Возраст должен быть от 0 до 150. Попробуйте снова.")
            continue

        if age < 13:
            rank = "Ребёнок"
        elif age < 18:
            rank = "Подросток"
        elif age < 65:
            rank = "Взрослый"
        else:
            rank = "Пожилой"

        print(f"Присвоенный ранг: {rank}")
        break

if __name__ == "__main__":
    get_age_rank()

Результат в виде кода PHP

<?php

function getAgeRank() {
    while (true) {
        echo "Введите возраст: ";
        $handle = fopen("php://stdin", "r");
        $age = trim(fgets($handle));
        fclose($handle);

        if (!is_numeric($age)) {
            echo "Некорректный ввод. Пожалуйста, введите число.\n";
            continue;
        }

        $age = (int)$age;

        if ($age < 0 || $age > 150) {
            echo "Возраст должен быть от 0 до 150. Попробуйте снова.\n";
            continue;
        }

        if ($age < 13) {
            $rank = "Ребёнок";
        } elseif ($age < 18) {
            $rank = "Подросток";
        } elseif ($age < 65) {
            $rank = "Взрослый";
        } else {
            $rank = "Пожилой";
        }

        echo "Присвоенный ранг: $rank\n";
        break;
    }
}

getAgeRank();

Конечно, алгоритм слишком простой, но усложняя можно создать несколько связанных между собой блок-схем, можно делать тесты и придумать много других применений, я лишь хочу показать идею.

Где ещё это работает

• Бизнес-процессы: заявки, согласования, логистика.

• Медицина: протоколы диагностики и лечения.

• Образование: учим детей думать алгоритмами без синтаксиса.

• Юриспруденция: пошаговые процедуры применения норм.

• Инженерия: аварийные инструкции и чек-листы.

Везде, где важна полнота и порядок, ДРАКОН спасает ИИ от лишних мыслей и предположений. Вы можете задать алгоритм обработки любых данных в понятном LLM формате и получить хорошую предсказуемость поведения.

Почему это важно сейчас

Генеративный код часто выглядит правдоподобно, но внутри могут быть дыры. Чёрный ящик не объясняет свои решения.

ДРАКОН возвращает контроль:

• Мы видим все ветки и что случится в каждом случае.

• Задаём валидации и «пути по умолчанию».

• Передаём ИИ не «текст с идеями», а чёткую схему.

Это снижает риски и сюрпризы на продакшене.

Итог

ДРАКОН — язык честной логики. Он не даёт прятаться за общие фразы: показывайте шаги и связи. В паре с ИИ это работает так:

• Человек формулирует структуру и ограничения.

• ИИ пишет код, находит пробелы, предлагает улучшения.

• Результат становится прозрачным и проверяемым.

Писать «по вайбу» можно. Но если хочется, чтобы система вела себя предсказуемо — лучше один раз собрать логику в ДРАКОН.

В качестве заключения, я хочу показать, что ДРАКОН применим не только в программировании. Давайте представим эту статью в виде алгоритмической структуры в ДРАКОН.

На втором скрине показал как К2 видит ДРАКОН-схему статьи, хотя она алгоритмически не совсем верна, ИИ нормально понял задачу и может написать статью. Для статей, конечно достаточно и простого списка, я просто хотел показать, что в ДРАКОН можно не только программировать


UPD:

В обсуждении появился лучший вариант применения ДРАКОН-схем:

К примеру, вы делаете телеграм-бота с ИИ. Обычная схема — написали промпт типа «обработай запрос пользователя корректно» и молитесь, чтобы ИИ не начал фантазировать.

А теперь другой подход. Расписываете в ДРАКОН'е весь алгоритм:

— Определи тип запроса: вопрос, жалоба, команда.
— Если вопрос — классифицируй по теме.
— Достань контекст из базы/FAQ.
— Сформируй ответ по шаблону.
— Проверь: нет выдуманных фактов? Если есть — пересобери.

Где это заходит лучше всего — в повторяющихся процессах:
— Модерация сообщений и жалоб.
— FAQ и поддержка.
— Разбор форм/заявок.
— Классификация тикетов.

Плюсы:
— Меньше галлюцинаций, предсказуемые ответы.
— Можно версионировать алгоритмы и делать A/B-тесты.
— Легче разбирать ошибки по шагам.

ДРАКОН выдаёт это в JSON, а LLM хорошо понимают такие промпты — схему можно сразу использовать как часть промпта.

Когда задача повторяющаяся — на отладку алгоритма не жалко потратить время. Циклично обрабатываете тысячи запросов? ДРАКОН-схема в промпте даёт ИИ чёткий план действий. Это уже оправдывает время на описание и отладку.

Плюс на выходе получаете алгоритм — значит, можете сравнивать разные версии, проводить A/B-тесты. Можно получить неплохой выигрыш в качестве.