Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5488
материалов
01
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
02
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.
03
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
04
Как создать AI-агентов для бизнес-аналитики на базе 1С без больших бюджетов: разбор реального кейса
Пошаговый разбор создания AI-агента для ABC-анализа в 1С. Реальный кейс: как компания сэкономила бюджет и обошла банкротство. Код, архитектура, ошибки.
05
RAG от А до Я: шпаргалка архитектора с кодом, метриками и 8 граблями продакшена
Полное руководство по production RAG: чанкинг, гибридный поиск, реранкинг, метрики Ragas, код и 8 граблей, которые сломают ваш пайплайн.
06
Тест Caveman: стоит ли использовать пещерный стиль для экономии токенов в AI?
Проверяем репозиторий Caveman: насколько пещерный стиль помогает экономить токены в AI-запросах. Тесты на GPT-5.5, Claude 5 и Copilot 2026. Результаты удивляют.
07
Как сгенерировать реализацию IndexedDB с помощью LLM: промпт, тесты WPT и результаты
Эксперимент: один промпт и Claude Code + Ralph loop позволили сгенерировать реализацию IndexedDB, проходящую 95% тестов WPT. Методика, нюансы, код.
08
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
09
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
10
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
11
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
12
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