Рубрика «rag» - 11
Как строить умных AI-агентов: уроки Context Engineering от Manus
2025-08-28 в 11:00, admin, рубрики: AI, ai agent, ai assistants, few-shot prompting, large language model, llm, manus, MCP, nlp, rag
В самом начале проекта Manus перед нашей командой встал ключевой вопрос: обучать ли end-to-end агентную модель, используя open-source foundation-модели, или же строить агента поверх возможностей in-context learningЧитать полностью »
Почему ИИ не смог заменить меня в n8n, но стал идеальным ассистентом
2025-08-20 в 16:40, admin, рубрики: AI Assistant, chrome extension, llm, MCP, n8n, nocode, prompt engineering, rag, Workflow Automationn8n — это мощный инструмент, который я, как и многие инженеры, полюбил за гибкость и простоту. Он позволяет собрать практически любую интеграцию, как из конструктора, но с возможностью в любой момент залезть «под капот» с кастомным JavaScript. Идеально.
Корпоративный ИИ: краткое пособие для ИТ-директора
2025-08-19 в 17:23, admin, рубрики: llm, rag, SLM, искусственный интеллект, управлениеВведение
Данная статья была написана для крупнейшего сообщества цифровых управленцев я-ИТ-ы. Ее основная цель — дать тем, на чьих плечах сейчас лежит ответственность за выстраивание ИТ-инфраструктуры компаний, понимание технологического «сегодня» в сфере искусственного интеллекта (ИИ), решений, технологий, которые применяются и уже дают результат. И, что самое важное, обозначить вектор развития для понимания технологического «завтра», чтобы инфраструктура и процессы строились с учетом всех изменений, происходящих в этой весьма динамичной сфере.
ИИ-система принятия решений: как искусственный интеллект изменит управление организацией
2025-08-17 в 12:05, admin, рубрики: AI, dochub, rag, космотекстХочу начать с дисклеймера - я больше не работаю в Токеон, эту статью и все последующие воспринимайте в отрыве от компании.
А написать сегодня хочу о концепции внедрения ИИ в систему принятия решений руководителя организации. В качестве примеров в этой статье я использую продукты, которые себя хорошо зарекомендовали, с которыми есть практический опыт реализации такой системы. Второй дисклеймер - воспринимать их как единственно возможные, конечно, не стоит.
Проблема: информационный хаос и человеческий фактор
Я собрал «команду мечты» из AI-агентов, чтобы заменить продакт-менеджера и консультанта. И знаете что? Это работает
2025-08-13 в 7:15, admin, рубрики: llm, mcp-server, multi-agent systems, product manager, rag, ИИ, ии-агенты, ии-ассистент
Кейс: GraphRAG AI-ассистент, который понимает Жилищный кодекс РФ
2025-08-08 в 14:11, admin, рубрики: graph, graphrag, prompt engineering, prompt tuning, ragВ нормативной базе России более 800 000 документов (по данным Гарант и КонсультантПлюс). Каждый год вносится более 100 000 правок и дополнений. И вот однажды представители одной из (NDA) крупнейших российских корпораций пришли в компанию, где я работаю, и дали задачу: «загрузить и обработать всю нормативную базу России в AI». И это, я вам скажу, задачка "со звездочкой".
Анатомия памяти LLM: Почему будущее не за промптами, а за Инженерией Контекста
2025-08-06 в 7:01, admin, рубрики: llm, llm память, prompt engineering, rag, инженерия контекста, контекст llm, контекстное окно, механизм внимания, оптимизация llmПри работе с API больших языковых моделей я привык к определенной предсказуемости. Для моих исследовательских задач, экспериментов с кодом и повседневной рутины дневные расходы на API обычно колеблются в предсказуемом и комфортном диапазоне 3-4 евро. Это стало своего рода фоновым шумом, константой, на которую я перестал обращать внимание.
Но в конце июля я увидел в биллинге Google API картину, которая заставила меня остановиться и задуматься. Вместо привычной цифры там красовалась аномалия — €51.
LLM как помощник тестировщика: от экспериментов к ИИ агенту
2025-07-30 в 12:04, admin, рубрики: AI, llm, qa, rag, агенты ии, векторная база данных, генерация текста ai, искуственный интеллект, тестированиеВсем привет! На связи Арслан, тимлид команды тестирования компании «Совкомбанк Технологии». В этой статье я поделюсь опытом успешного внедрения методов искусственного интеллекта и больших языковых моделей (LLM) в тестирование программного обеспечения.
Объясню причины разработки собственных внутренних решений на основе искусственного интеллекта, какие трудности возникли на этом пути, как используем техники промпт-инжиниринга для повышения качества тест-кейсов и каких результатов смогли достичь.
