Рубрика «rag» - 3
Как я делал базу знаний для ИИ‑агента и тестировал её на собственных медицинских анализах
2026-08-05 в 8:25, admin, рубрики: ai-ассистент, LLM-агенты, rag, базы знаний, Поиск по документам, эмбеддингиРезультаты годового чекапа пришли в пятницу вечером. Семь документов в личном кабинете лаборатории, в половине строк звёздочки «выше нормы» и «ниже нормы», запись к эндокринологу через две недели. Кто сдавал, тот знает этот вечер: гуглишь каждый показатель по отдельности, находишь ужасы, и нигде не написано, что все эти цифры значат вместе.
Работаю бэкендером, делаю базу знаний в Искре. Поэтому вместо поисковика открыл свой же продукт: загрузил туда все семь файлов и начал спрашивать.
Архитектурный паттерн «LangGraph, гибридный RAG + Сигнатурный движок»: универсальный граф для потоковых данных
2026-07-27 в 13:33, admin, рубрики: ai-агенты, analysis, cybersecurity, langgraph, llm, pipeline, python, rag, SoCВ чем проблема?
При обработке больших потоков неструктурированного текста разработчики обычно выбирают один из двух путей:
-
Первый — использовать детерминированные методы. Регулярки, сигнатуры, и подобные инструменты работают быстро. Вот только никак не поймают новые, ранее не описанные паттерны.
-
Путь второй — скармливать сырые данные в ЛЛМ напрямую. В реальности этот подход быстро умирает. Отправлять огромные объемы нефильтрованного текста в языковые модели слишком дорого и медленно.
Наш ИИ-агент не закрыл ни одной боевой задачи. И это лучшее, что с ним случилось
2026-07-22 в 9:12, admin, рубрики: llm, openrouter, rag, tree-sitter, автоматизация разработки, аналитика, база знаний, управление разработкойНаши аналитики почти перестали писать SQL руками и ходить к разработчикам с вопросом «а как работает эта фича». Сделал это инструмент, который мы строили для другого: он должен был сам закрывать задачи разработки. С исходной целью он провалился, и провалился интересно. Расскажу, где именно.
Почему вообще взялись
Domain-routed agents vs naive RAG: экономика и риски архитектурного выбора
2026-07-15 в 15:56, admin, рубрики: langgraph, llm, llm-архитектура, nlp, python, rag, агенты, архитектура, ИИ, мультиагентные системы
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, квантизацияПривет! 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.
Детектор 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.
