Нейросети экономят мне огромное количество времени. И одновременно я стал тратить на них огромное количество времени. Противоречия здесь нет.
Рубрика «llm»
Нейросети как дофаминовая яма для взрослых
2026-08-30 в 15:23, admin, рубрики: ai-агенты, claude code, llm, skills, вайбкодинг, искусственный интеллект, нейросети, продуктивность, прокрастинация, разработкаПочему токенайзер реж ет сло ва не там, где нужно
2026-08-20 в 12:00, admin, рубрики: BPE, Byte Pair Encoding, llm, selectel, контекстное окно, промпт-инжиниринг, токенизатор, токенизация, эмбеддинги, языковые модели
Заголовок этой статьи, частично, наглядная демонстрация того, как его видит языковая модель. Куски слов, нарезанные по логике, которая к русскому языку не имеет вообще никакого отношения.
ИИ‑агент внутри КОМПАС-3D: пишет код, строит деталь и проверяет результат
2026-08-20 в 9:48, admin, рубрики: llm, MCP, model context protocol, python, автоматизация, нейросети, Программирование, сапрЯ сделал ИИ‑агента для КОМПАС-3D: он живёт прямо в окне программы, принимает запрос текстом или фотографией и строит параметрическую деталь — не мёртвую геометрию в step, а дерево построения с переменными, которое пригодно для редактирования.
Агент пишет код и сам смотрит на то, что построил, — анализирует рендеры «глазами» через VLM.
В статье: как хорошо агент справляется с моделированием по тексту и чертежам уже сейчас, почему один блок кода лучше десяти tool'ов и почему агенту мало просто «видеть» результат.
Скидка в 97%: как устроен китайский мошеннический рынок ИИ-токенов
2026-08-19 в 13:01, admin, рубрики: llm, ruvds_перевод, инференс, токены llm, черный рынок, языковые модели
Моя история
Я долгое время размышлял о мошенничестве с токенами — проблеме, с которой впервые столкнулся, когда работал разработчиком ПО в ИИ-шлюзе.
Компилятор как первый ревьюер: петля верификации Go‑кода, который написал агент
2026-08-18 в 15:29, admin, рубрики: ai-агенты, code review, Go, golang, llm, кодогенерация, линтеры, статические анализаторы, статический анализ, фаззингГод назад мой типичный пулл‑реквест писался руками часа три и ревьюился минут двадцать. Сейчас четыреста строк агент выдаёт за минуту, а ревью того же дифа занимает час: приходится вычитывать уверенно написанный чужой код, в котором ошибка выглядит ровно так же убедительно, как правильное решение. Узкое место переехало с набора кода на его проверку, и усилием воли оно не расширяется.
В августе у Google вышел текст о том, почему Go хорошо подходит для разработки с агентамиЧитать полностью »
Память агента без вектор-БД: 363 markdown-файла вместо эмбеддингов
2026-08-18 в 8:08, admin, рубрики: llm, markdown, rag, zero-infra, агентная память, архитектура памяти, векторная база, память llm-агентаУ меня восемь агентов с постоянной памятью, и на всех вместе больше 360 файлов, около 1,4 МБ текста. Векторной базы нет ни одной: эмбеддинги я не считаю вообще.
И это не “руки не дошли”. Схема работает с мая 2026 года: сначала на одном агенте, с июня централизованно на всех восьми. За это время вопрос про вектор-БД я поднимал трижды, каждый раз с конкретным кандидатом на внедрение, и каждый раз закрывал его отказом. Ниже разберу, как это устроено, какими числами живет и в какой момент перестанет работать.
Рефлекс, от которого я отказался
Read‑only by construction: почему инструкции — не граница безопасности для AI‑агента в Kubernetes‑кластере
2026-08-18 в 8:07, admin, рубрики: AI, kubectl, kubernetes, llm, MCPВсё чаще встречаю такую схему: берём LLM, даём ей доступ к kubectl или k8s API, в system prompt или подключённом skill‑е пишем что‑то вроде «ты можешь только читать, ничего не удаляй и не изменяй», и считаем вопрос закрытым. Прошёл через это сам и в какой‑то момент понял, что это не граница безопасности, а вежливая просьба.
Сжатие данных — это предсказание
2026-08-17 в 13:01, admin, рубрики: Brotli, gzip, llm, ruvds_перевод, алгоритмы сжатия, большие языковые модели
Недавно я читала материалы о сжатии данных, и меня внезапно озарила безумная мысль: по сути своей, алгоритмы сжатия и LLM предназначены для решения одной и той же задачи.
Как управлять reasoning effort в LLM
2026-08-17 в 11:41, admin, рубрики: inference scaling, llm, reasoning effort, reasoning models, reinforcement learning, RLVRПрошло почти два года с тех пор, как OpenAI выпустила o1, модель, которая популяризировала reasoning в LLM. Примерно через четыре месяца появился DeepSeek-R1. Вместе с ним авторы подробно описали, как обучать reasoning-модели с помощью reinforcement learning with verifiable rewards (RLVR), то есть RL на проверяемых наградах.
На прошлой неделе OpenAI представила семейство моделей GPT-5.6. В него входят модели трех размеров, и для каждой предусмотрено пять или шесть настроек reasoning effort.
Бесплатные API к Claude, GPT, DeepSeek и другим моделям: 6 AI-роутеров с бесплатным доступом
2026-08-16 в 9:03, admin, рубрики: ai api, AI-роутеры, API-роутеры, claude, deepseek, gpt, llm, qwen, бесплатный API, нейросетиВсе сервисы и лимиты проверялись 16 августа 2026 года. Условия бесплатных тарифов могут меняться.
Получить API-доступ к современным языковым моделям можно не только напрямую у крупных провайдеров. Существуют сторонние роутеры, которые дают бесплатные модели, ежедневные лимиты или стартовые кредиты.
Я собрал 6 таких сервисов и посмотрел, что именно получает новый пользователь после регистрации: какой баланс начисляют, какие модели доступны, какие ограничения действуют и можно ли действительно отправлять запросы через API.
В подборку вошли OrcaRouter, TeamoRouter, AgentRouter, Token Harbor, NaraRouter и FreeRouter.