Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
5488
материалов
01
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
02
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
03
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
04
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
05
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
06
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.
07
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.
08
Когда 128K токенов — это смешно: Обработка документов-гигантов через Bedrock AgentCore и Recursive Language Models
Пошаговый гайд: преодолеваем ограничение контекстного окна с помощью Recursive Language Models, Amazon Bedrock AgentCore и Code Interpreter. Обработка 500+ стра
09
Как нейросеть выявляет подмену почерка на экзаменах без эталона: технический разбор на Python
Технический гайд по созданию пайплайна на Python для выявления подмены почерка в экзаменационных работах без эталонного образца. Сиамская нейросеть, сегментация
10
3 навыка Claude для Data Scientist в 2026: как создавать AI-дашборды и автоматизировать анализ
Научитесь создавать AI-дашборды с Claude 4 Opus, автоматизировать анализ данных и настраивать агентные пайплайны. Реальные промпты, ошибки и чек-лист.
11
LLM Planner: подбор железа и моделей для локального запуска — 60+ сборок, 50+ моделей и 130+ бенчмарков
Планировщик LLM: 50+ моделей, 60+ сборок, 130+ бенчмарков. Как выбрать ПК под нейросети или модель под свой компьютер. Реальные t/s и ссылки на тесты.
12
Генеративная модель персонализации ARGUS: как Яндекс переосмыслил рекомендательные системы
Глубокий технический разбор генеративной рекомендательной системы ARGUS от Яндекса: токенизация последовательностей, претрейн, каскадная фильтрация и кросс-серв