Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
4377
материалов
01
Prompt injection 2026: почему нельзя запатчить, как защититься от supply-chain агентов
Почему prompt injection не лечится патчами и как защититься от supply-chain атак на LLM. Разбор атак на LiteLLM и hackerbot-claw, архитектурные пределы и методы
02
Реальная оценка моделей детекции аномалий во временных рядах: разбор методологических ошибок F1 и бенчмаркинг 14 архитектур
Разбор методологических ошибок F1 в детекции аномалий временных рядов. Бенчмаркинг 14 архитектур (SAT Transformer, AnomalyTransformer и др.) и практические реко
03
Почему дистилляции Qwen/Claude часто хуже базовых моделей: анализ и предостережение для сообщества
Анализируем, почему большинство дистиллированных моделей на основе Qwen и Claude теряют интеллект. Как отличить качественный дистиллят от вредного и не попастьс
04
MCP против CLI+Skill: что эффективнее для ИИ-агентов? Сравнение бенчмарков для внутренних API
Сравнение подходов интеграции API с ИИ-агентом: MCP протокол против CLI-инструментов и Skills. Реальные бенчмарки, 14 сценариев, более 400 запросов. Что выбрать
05
Как адаптировать промпты под Claude Fable 5 и GPT-5.5: разбор противоречивых гайдов Anthropic и OpenAI
Руководство по адаптации промптов под Claude Fable 5 (Anthropic) и GPT-5.5 (OpenAI). Разбираем противоречия в официальных гайдах, параметры reasoning_effort, ло
06
Как навести порядок в агентной архитектуре с MCP: полный гайд по интеграции с LangGraph
Полный гайд по интеграции MCP протокола с LangGraph. Настройка MCP сервера, выбор stdio или HTTP, Human-in-the-loop для масштабирования агентов.
07
Activation Steering в LLM: как управлять поведением модели с помощью PyTorch hooks и библиотек nnsight/pyvene
Подробный гайд по управлению поведением LLM через активации: от теории steering vectors до практики с PyTorch hooks, nnsight и pyvene. Примеры кода, ошибки, сов
08
Ансамбль моделей для прогнозирования спортивных событий: пошаговый гайд с 11 методами на данных ЧМ
Пошаговый гайд по построению ансамбля из 11 ML-моделей для прогнозирования футбольных матчей. Elo, Poisson, XGBoost, стекинг — сравнение и ошибки на данных ЧМ.
09
Создаём ИИ-агента с нуля на Python: цикл, LLM, контекст и пользовательский ввод
Подробный гайд по созданию ИИ-агента на Python без фреймворков. Реализуем цикл, подключение LLM, управление контекстом и интерактивный ввод. Код и пояснения.
10
Селективное квантование LLM: Как квантование KV-кэша, слоёв и архитектуры (MoE vs Dense) меняет всё
Глубокий разбор селективного квантования LLM: почему квантование разных частей модели (KV cache, слои, MoE vs Dense) даёт разные результаты. Практические советы
11
6 паттернов для управления API-квотой в мультиагентных системах: как избежать 429 ошибок
Избегайте 429 Too Many Requests в мультиагентных системах. 6 проверенных паттернов: Token Bucket, Rate Limiter на Redis, Circuit Breaker, Adaptive Throttling и
12
MCP-агенты в ITSM: как заставить AI работать, а не гадать
Пошаговый гайд по встраиванию MCP-агентов в корпоративные ITSM-платформы (SimpleOne). Архитектура управляемого контура действий, код MCP-сервера, частые ошибки.