Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
4377
материалов
01
Как сделать MCP-сервер из Spring-сервиса за вечер: пошаговое руководство с кодом
Превратите ваш Spring-микросервис в MCP-сервер для AI-агентов. Полное руководство с кодом, аннотациями и разбором ошибок. Актуально на 2026 год.
02
ИИ-агент для продаж на NestJS и BullMQ: архитектура, которая не развалится в первый же день
Пошаговый гайд по построению production-ready ИИ-агента для SDR: архитектура на NestJS, очереди BullMQ, обработка аудио, грабли с LLM и ретраями. Код, цифры, ре
03
Создание ИИ-ассистента с долговременной памятью и агентами: полный гайд по реализации на Ollama и RAG
Полное руководство по созданию локального ИИ-ассистента с долговременной памятью на RAG и агентами с tool calling. Используем Ollama, pgvector, мультиагентский
04
Автооценка вебинаров с LLM-судьей: конвейер на whisper.cpp и Claude Code за неделю
Пошаговый гайд по созданию пайплайна автооценки вебинаров: транскрипция whisper.cpp, рубрики YAML, калибровка LLM-судьи под эксперта. Код, метрики, грабли.
05
Capability-based тестирование LLM-агентов: единый набор тестов для нескольких ассистентов
Научитесь тестировать несколько LLM-ассистентов одним набором тестов. Capability-based подход: проверяем способности, а не реализации. Open-source репозиторий и
06
Local LLM Inference Optimization: Полное руководство с командами и техниками
Глубокое руководство по оптимизации локального инференса LLM: квантование, CPU offloading, vLLM, llama.cpp, speculative decoding. Актуальные команды и конфиги д
07
Meta-Spider: новый фреймворк на мета-внимании для LLM и агентов — обзор и запуск через llama.cpp
Подробный гайд по Meta-Spider — архитектуре meta-attention для агентов. Обзор моделей Qwen-3.5-4b и Granite 4.1 8B, пошаговый запуск через llama.cpp, нюансы и п
08
Лучшие локальные модели text-to-image: тест 192 промптов и методология сравнения
Сравнение локальных моделей генерации изображений: Stable Diffusion 3.5, Flux.1, PixArt-Σ, Kandinsky 3.1. Результаты тестирования 192 промптов, методология, плю
09
Tool Calling (Function Calling) в LLM: как AI-агенты решают, какое действие выполнить — полное руководство
Разбираем механизм tool calling: как LLM выбирает нужное действие, вызывает API и обрабатывает результат. Пошаговый план, примеры кода, частые ошибки.
10
AI-агент написал код. Ты уверен, что он не уничтожит твою систему? Песочница: Docker, microVM или WASM
Сравнение Docker, microVM и WASM для безопасного выполнения кода AI-агентов. Какой подход выбрать в 2026 году? Практические советы и подводные камни.
11
Собираем аналог Firebase на open-source: пошаговый туториал с кодом
Полный гайд по созданию open-source аналога Firebase: Supabase, Realtime, Auth, Storage и деплой в 2026. С примерами кода.
12
Тернарные нейросети на микроконтроллерах: разбор граблей при обучении ViT, CNN и RNN
Инженерный опыт тернарной квантизации ViT, CNN и RNN для Cortex-M0+. STE, аугментация, CIFAR-10, код и грабли. Как не убить точность и уложиться в 36 рублей.