Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
4377
материалов
01
Как создать ИИ-агента для ЧС, работающего без интернета: опыт команды Сбера
Практическое руководство по созданию ИИ-агента экстренной помощи без интернета. Опыт Сбера: выбор модели, RAG-пайплайн, Docker на Raspberry Pi. Код и инструкции
02
Не ставьте 70B в оркестратор: как выбрать размер модели для ReAct-агента на llama.cpp
Практические советы по выбору LLM 2-7B для планирования ReAct-агентов. Настройка цикла, сравнение моделей, типичные ошибки для локального запуска через llama.cp
03
Гибридный AI: как объединить детерминированный анализ и LLM для точных результатов в Enterprise
Пошаговое руководство по гибридной архитектуре AI для Enterprise: планировщик на LLM, execution engine на детерминированных алгоритмах. Как убить галлюцинации и
04
Клонирование голоса из фильма «Проект «Аве Мария»: полный открытый пайплайн за 2 дня
Пошаговый гайд по клонированию голоса персонажа из фильма с помощью открытых инструментов: ffmpeg, Demucs, Whisper, pyannote и RVC v2. Сделайте свой synthesis з
05
MCP для GitHub и GitLab: полный гайд по настройке с токенами, промптами и конфигами для AI-инструментов 2026
Пошаговый гайд по настройке MCP для GitHub и GitLab: генерация токенов, конфигурация Claude Code, Codex CLI, Cursor. Готовые промпты, частые ошибки и секреты от
06
Построение графовой инфраструктуры LLM: LangGraph Server, LangSmith и SDK для локальных моделей
Подробный гайд по созданию production-ready инфраструктуры для LLM: разворачиваем LangGraph Server, подключаем локальные модели через Ollama, настраиваем трейси
07
Мультиагентная архитектура для длительных задач: как обвязка (harness design) помогает AI-агентам дописывать приложения
Разбираем, как harness (обвязка) с паттерном генератор-оценщик помогает AI-агентам не терять контекст и дописывать сложные приложения. Пошаговый гайд и типичные
08
AI SAST: Как LLM меняют статический анализ кода и где их границы — обзор метрик, примеров и инженерных решений
Разбираем, как LLM улучшают SAST: метрики ложных срабатываний, цепочка «нашел-объяснил-исправил», инженерные решения и где ИИ пока пасует. Опыт AppSec-инженеров
09
Топ-5 новых фич Claude за последние 3 месяца: от Opus 4.7 и /effort до Agent Teams и Cowork — юзкейсы для продакшена
Разбираем 5 ключевых обновлений Claude за последние 3 месяца: модель Opus 4.7, команды /effort и /fast, Agent Teams, режим Cowork на macOS и протокол MCP. Реаль
10
Как ИИ меняет рынок IT-специалистов: статистика увольнений и стратегии адаптации компаний
Свежие данные об увольнениях из-за ИИ в 2026 году, анализ ошибок Klarna и пошаговый план адаптации для IT-компаний. Как не потерять команду и выиграть от автома
11
Лучшие модели до 150GB для общего знания: сравнение Qwen3.5-397B и альтернатив
Сравнение квантованных LLM в лимите 150GB: Qwen3.5-397B Q4, Llama 3.1 405B Q4, Mistral Large 2, Mixtral 8x22B и другие. Тесты, рекомендации, pitfalls.
12
Борьба с анизотропией эмбеддингов: как центрирование улучшает косинусное сходство на практике
Проблема анизотропии эмбеддингов: почему косинусное сходство врет? Практическое решение — центрирование векторов. Пример из Obsidian-базы, код Python и метрики.