Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5485
материалов
01
Пишем кодинг-агента на Swift: внутреннее устройство, цикл агента и управление контекстом
Глубокий разбор создания AI-агента для кодинга на Swift: REPL-цикл, Agent Loop, управление контекстом, инструменты и типичные ошибки. Код и архитектура.
02
GEO в 2026: как попасть в ответы ChatGPT — технический разбор механики цитирования
Технический разбор retrieval-слоя ChatGPT: как ИИ выбирает источники, какие критерии отбора, как оптимизировать контент для цитирования. Советы, ошибки и актуал
03
Компиляция YOLOv8n в HEF для Hailo-8L на Raspberry Pi 5: пошаговое руководство
Пошаговая инструкция с решением типичных проблем компиляции YOLOv8n в HEF для акселератора Hailo-8L на Raspberry Pi 5. Ошибки, нюансы, команды.
04
Clean Architecture для AI-агентов: как перестроить TypeScript-проект, чтобы Claude Code не ломал код
Рефакторинг TypeScript-проекта по Clean Architecture, чтобы AI-агенты вроде Claude Code не генерировали хаос. Пошаговый план, правила, примеры кода на 2026 год.
05
Почему AI-адопшн - плохая метрика: разбор ошибок измерения продуктивности от технического директора
Технический директор объясняет, почему процент внедрения AI не отражает реальную продуктивность. Реальные кейсы, альтернативные метрики и план действий.
06
Deep Research Codex: как собрать локальный Deep Research агент за копейки
Пошаговый гайд по созданию локального аналога OpenAI Deep Research с помощью GPT Researcher, Codex и Ollama. Экономим деньги, сохраняем контроль над данными.
07
Освобождаем VRAM после запуска LLM: No-Mmap и Mlock как лекарство от утечки памяти в llama.cpp
Практический гайд по флагам --no-mmap и --mlock в llama.cpp. Как заставить GPU отдать память после запуска модели, избавиться от утечек и ускорить работу на eGP
08
Как проектировать архитектуру для ИИ-кодирования: опыт решения проблемы роста контекстного окна
Опыт DevOps: как проектировать код, удобный для LLM, управлять контекстом и избежать технического долга. Практические советы и примеры рефакторинга.
09
Как построить LLM с нуля: пошаговое руководство от Bigram до Transformer
Подробное руководство по созданию языковой модели с нуля на Python. От простой Bigram модели до Transformer с Attention. Код, объяснения и советы.
10
Как создавать LLM-агентов без фреймворков: прототипирование workflow на Python и OpenAI API
Пошаговое руководство по созданию LLM-агентов на чистом Python и OpenAI API без LangChain и CrewAI. Прототипирование workflow, инструменты, structured outputs и
11
Локализация автономного транспорта: как сенсоры и данные решают проблему неопределенности
Разбираем, как автономные машины определяют свое положение, когда сенсоры врут. Фильтр Калмана, графы, аутлаеры — и почему в 2026 году это все еще сложно.
12
Разбираем вопрос на атомы: парсинг запросов для QA-систем с кодом
Глубокий гайд по извлечению ключевых слов, типа ответа и контекста из пользовательских запросов. Код на Python, spaCy 3.8, transformers 4.50. Улучшаем retrieval