Привет! Меня зовут Николай, мне 32 года. По образованию я врач, анестезиолог-реаниматолог — но последние годы развиваюсь в инженерной сфере, и, честно говоря, она затянула меня сильнее. Больше всего — всё низкоуровневое: как устроена память, что происходит под локами, почему индекс быстрый или медленный. Реанимация научила одной вещи, которая неожиданно пригодилась в инженерии: доверять только измеренным показателям, а не ощущениям.
Рубрика «rag»
Как я писал in-memory векторный движок на Go — и в каком месте он обогнал hnswilb
2026-07-08 в 14:38, admin, рубрики: benchmark, Go, golang, hnsw, in-memory, rag, векторные базы данных, векторный поиск, квантизацияДетектор был прав, разметка врала: как мы искали слепую зону LLM-судей и нашли ошибки в эталоне
2026-07-08 в 12:28, admin, рубрики: AI Evaluation, Hallucination Detection, llm, LLM-as-a-judge, machine learning, nlp, rag, RAGTruth, Галлюцинации LLM, генеративный ииИногда самое опасное в исследовании — получить слишком красивый результат.
Мы собрали training-free детектор галлюцинаций для RAG, получили хорошие метрики и наткнулись на группу примеров, где все шесть LLM единогласно спорили с эталонной разметкой. Сначала мы решили, что нашли общую слепую зону LLM-as-a-Judge — переносимый, заголовочный результат. Потом открыли первоисточник. И оказалось, что ошибались вовсе не модели.
Дальше — история о том, почему несущим здесь оказалась не находка и не детектор, а процедура проверки, которая поймала нас самих.
Что работает — и это мы не отзываем
PAD+ AI v4.0: исследовательская когнитивная архитектура поверх LLM
2026-07-03 в 10:57, admin, рубрики: fastapi, llm, rag, React, Truth Loop, X-ray, когнитивная архитектура, наблюдаемость, память AIЧто происходит между запросом пользователя и ответом языковой модели?
За последние несколько лет большие языковые модели совершили настоящую революцию. Сегодня они способны писать код, анализировать документы, помогать в исследованиях, создавать тексты и решать сложные задачи.
Однако подавляющее большинство современных AI‑приложений имеют практически одинаковую архитектуру:
Запрос → Prompt → LLM → Ответ
Вся интеллектуальная работа фактически сосредоточена внутри языковой модели, а внешняя система лишь подготавливает запрос и отображает результат.
Как подключить таск-трекер к кодовой базе через RAG и не сойти с ума от стоимости токенов
2026-06-29 в 8:57, admin, рубрики: claude code, llm, MCP, neo4j, rag, векторный поиск, граф кода, таск-трекерОткрытый плагин для Claude Code / OpenCode с solve-task — от задачи до реализации без ручного сбора контекста.
Работаю с AI-ассистентами в реальной разработке уже достаточно давно, чтобы понимать: главная проблема не в качестве модели. Главная проблема — контекст.
LLM хорошо рассуждает о коде, когда у неё перед глазами правильный код. Но «правильный код» в реальном проекте — это не один файл. Это конкретный символ, его вызывающие, его тесты, смежные PR, существующий паттерн в репозитории, который не стоит ломать.
TLDR
Я хотел написать маленький локальный RAG для научных статей: графы, hybrid search, HyDE, reranker, всё красиво. В итоге Full Pipeline проиграл почти всем простым baseline’ам, графы начали портить контекст, HyDE вредил, а локальная LLM уверенно делала вид, что всё хорошо. Потом я разобрался, что ломалось, выкинул лишние LLM‑вызовы, починил trimming и получил систему, которая наконец начала выигрывать там, где должна.
Что происходит?
Как создать ИИ‑ассистента на кодовой базе компании: опыт команды музыкального сервиса Звук
2026-06-23 в 12:44, admin, рубрики: ai-ассистент, llm, qdrant, rag, ии-ассистент, инжест, репозиторий, СберЗвук
Привет! Хочу рассказать про AI‑трек, который проектировала наша команда на UWDC 2026, масштабной конференции разработчиков на Урале.
Читать полностью »
RAG на кончиках пальцев
2026-06-22 в 12:01, admin, рубрики: rag, reranking, база знаний поиск, семантический поиск, тюннингХочу поделиться своим опытом создания системы контекстного поиска. Плотно занялся LLM год назад, можно сказать, что я «молодой специалист».
И так, появился первый заказчик. Осознал идею, разбил на этапы и приступил к работе.
Одна из задач — по свободному запросу пользователя находить в базе знаний релевантный термин. От точности поиска зависела вся остальная логика системы и успех проекта.
