Вопрос по передаче JSON, веб-поиску и архитектуре сценариев в Make

Алексей, приветствую!

Дисклеймер: я не являюсь техническим специалистом и подхожу к этому курсу с гуманитарным бэкграундом. Поэтому прошу прощения, если какие-то мои формулировки кажутся неточными или наивными — я искренне стараюсь разобраться и применить материал курса на практике.

Суть вопроса

У меня возникла следующая проблема при работе с Make: модуль OpenAI возвращает JSON-массив как строку, а Make не умеет правильно сериализовать его при передаче в HTTP-запрос — сервер получает либо пустой req.body (переменная на стороне сервера, в которую должны попасть переданные данные), либо undefined (данных либо вовсе не пришло, либо они пришли в нераспознаваемом формате). Я пробовал решить это через встроенный модуль преобразования JSON (Parse JSON), но он либо не принимал строку как допустимый вход, либо завершал сценарий с ошибкой. После этого я пытался передавать данные через внешний сервер на Replit, где обрабатывал JSON вручную, однако и там возникали проблемы с форматированием и типами данных. Это ломает всю цепочку обработки. Хочу обсудить, как архитектурно решать подобные задачи в агентах. 

Контекст и ход реализации

Чтобы лучше понять материал курса, я параллельно применяю всё на практике и для этого построил реальный проект, где пробую реализовать полноценного рекомендательного агента на базе Make и OpenAI. Я создал Telegram-бота под названием “Your Perfect Jogging Shoes”, который собирает информацию о предпочтениях пользователя, его уровне подготовки, особенностях стопы, стилях бега и цели — например, «для марафона», «для трейлов» и пр.

Анкета гибко настраивается через Airtable. После прохождения опроса я хочу, чтобы пользователь получил список актуальных моделей беговых кроссовок (на 2025 год), которые соответствуют его профилю — с краткими описаниями, ссылками и аргументацией.

Однако при реализации рекомендательной системы через Make я столкнулся с рядом ограничений, которые пока не удаётся преодолеть.

Почему Make не справляется с задачей подбора кроссовок

Ограничения GPT-4 (OpenAI)

• GPT-4 обучен на данных до 2023 года и не знает актуальных моделей 2024–2025 годов.
• Даже при строгом промпте (only current, real shoes) он выдаёт либо устаревшие, либо вымышленные модели.
• Проверить эти модели автоматически — крайне важно, иначе рекомендации не имеют ценности.

Попытка валидации через Make + Replit

Я создал внешний сервер на Replit. Идея: получить JSON-массив моделей от OpenAI → отправить его на Replit (/parse) → перебрать каждую модель → отправить GET/POST-запросы (/search) → вернуть проверенные результаты.

Make должен был быть "транспортом", связывающим OpenAI, Replit и Telegram.

Критическая проблема передачи JSON

• Модуль OpenAI в Make возвращает JSON-массив в виде строки, а не объекта.
• При передаче этого JSON-текста в HTTP-модуль на Replit:
  • Make не сериализует строку в валидный JSON.
  • На сервер приходит либо пустой req.body = {}, либо undefined.
  • Это вызывает ошибку на этапе JSON.parse().

Модуль Parse JSON в Make нестабилен

• Стандартный парсер не поддерживает строки с JSON-массивами — требует полноценный объект.
• Любая ошибка (например, unexpected token) приводит к полной остановке сценария без логов или fallback.
• В результате приходится полностью обходить встроенный парсер и использовать внешний.

Iterator Make требует "чистый массив" (запускает сценарий отдельно для каждой модели кроссовок, чтобы отправить её на проверку и сформировать результат индивидуально):

• Даже если Replit возвращает массив, он должен быть точно отформатирован: [{...}, {...}] без markdown, кавычек и лишнего текста.
• Несоответствие форматов ломает итерацию, что блокирует дальнейшую обработку.

Make не умеет искать в интернете:

• Модуль HTTP может отправлять GET/POST-запросы, но сам Make не умеет парсить HTML или производить реальный поиск информации — он просто получает необработанный ответ от сайта.
• Чтобы реализовать поиск по модели (например, найти обзор или цену), я использовал внешний сервер на Replit (как прослойка между Make и интернетом: Make отправлял название модели в HTTP-запросе на маршрут /search, Replit выполнял веб-поиск, собирал краткое описание и возвращал результат.

Вопрос

Как в подобных задачах (подбор актуальных моделей товаров по параметрам пользователя) правильно выстраивать архитектуру, если:

• Нужно использовать OpenAI для генерации на основе предпочтений;
• Нужно обязательно проверять актуальность моделей в интернете;
• Требуется надёжный обмен JSON между модулями;

Уверен, что подобные задачи решаются намного проще и решение уже давно есть. Какие подходы/архитектуры вы можете порекомендовать для решения таких задач?

Заранее благодарю за советы или направление, в котором стоит подумать.

С уважением,

Тоомас