Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5488
материалов
01
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.
02
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
03
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.
04
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.
05
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
06
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
07
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.
08
Как построить eval пайплайн для RAG-агента: кейс Битрикс24
Подробный гайд по построению пайплайна оценки (eval) для RAG-агента на примере Битрикс24. Используем RAGAS, LLM as a judge, метрики Recall@K, MRR, Faithfulness.
09
Deep Dive into CPU LLM Inference Performance: Why Custom Engines Lag Behind llama.cpp (MoE Case Study)
Разбираем, почему кастомные движки для MoE-моделей на CPU проигрывают llama.cpp в 7.3 раза. Анализ IPC, memory-bound, GGUF quantized и ключевые оптимизации.
10
Как запускать ИИ локально: полное руководство для начинающих (2026)
Полный гайд для начинающих: как запустить нейросеть на своем ПК. Установка Ollama, выбор модели, квантование, UI. Без облаков и подписок. Работает даже на 8 ГБ
11
GPU Time-Slicing для LLM агентов на Kubernetes: как разделить один GPU без потери производительности
Как настроить GPU Time-Slicing в Kubernetes для мультиагентных LLM систем. Реальные метрики, конфиги NVIDIA GPU Operator и советы по избежанию OOM.
12
Ваши 36 000 фото и 20 лет почты: как не умереть от хаоса с локальным AI-агентом
Полное руководство: как с помощью LLaVA, Ollama, Gmail API и Python разобрать 36 000 фото и очистить 20-летний почтовый ящик. Без облаков и потери данных.