Расскажу историю длиною в полгода на которой прекрасно прочувствовал все прелести современных инструментов и способов эксплуатации llm.
Рубрика «rag» - 6
Наглядный пример, зачем нужны агенты
2026-04-26 в 4:34, admin, рубрики: AI, llm, OpenClaw, rag, Агент, память, поискВаш RAG не умеет думать. А мой умеет
2026-04-24 в 9:01, admin, рубрики: AI, graphrag, HippoRAG, rag, rag ai, rag pipeline, rag система, ruvds_статьи, исскуство
Ваш любимый ИИ не умеет считать. Что ещё скрывает текстовая модель?
2026-04-17 в 9:15, admin, рубрики: function calling, llm, rag, RLHF, агенты, искусственный интеллект, нейросети, цифровой двойник, языковые моделиТехнократический разбор для инженеров и бизнес-аналитиков. Без преувеличений и продающих лозунгов.
Данная статья представляет собой результат кабинетного исследования об основных особенностях работы ИИ (LLM, модель). Здесь в систематизированном виде относительно простым языком описано, как реализуется вся та “магия” про ИИ, с которой мы сталкиваемся сами или слышим в восторженно-продающих материалах.
Сразу уточню, что под ИИ тут понимается именно публичная Большая языковая (текстовая) модель (LLM), вроде ЧатаГПТ, ГигаЧата, Дипсика и др.
В этой статье мы:
Как мы строим Memory OS: от flat RAG к управляемому когнитивному сжатию
2026-04-10 в 13:16, admin, рубрики: agentic rag, cognitive science, graph, memory model, ragПарадокс reasoning, 300+ промптов на o4-mini, иерархический retrieval и уроки LongMemEval на 100+ миллионах токенов
Это технический отчёт о том, как мы строили Superagent Memory OS — систему агентной памяти, которая на сегодня удерживает граф из десятков тысяч концептов и почти 2.4 миллиона рёбер поверх примерно 106.7 миллиона обработанных токенов. Здесь будут конкретные цифры, провалы, развороты и архитектурные решения, к которым мы пришли через боль, а не через слайды.
Оглавление
-
Парадокс reasoning: как умная модель ломает extraction
-
Почему flat RAG ломается на длинной истории
-
Базовая онтология как старт любой системы памяти
Применение ИИ на производстве — 6 реальных примеров
2026-04-04 в 17:15, admin, рубрики: AI, BMW, ERP, llm, Nvidia, rag, tesla, автоматизация бизнес-процессов, внедрение ии, ии-агенты
Привет! Сегодня поговорим о применении ИИ в промышленности, которая на самом деле — одна из лучших сфер для внедрения AI-технологий.
Как я свой аналог NotebookLM делал или как сделать обучение эффективнее с JuliaLM
2026-04-02 в 20:15, admin, рубрики: AI, JuliaLM, NotebookLM, rag, rag aiУстав от вечных мук впн, прокси и прочих Захотев в импортозамещение решил склепать NotebookLM на свой лад доступный всем проживающим в необъятной и не только.
Кто не знает, это сервис который позволяет загрузить кучу исследовательских материалов и задавать им вопросы на человеческом языке. PDF-ки, статьи, ютуб-лекции всё это превращается в базу знаний, по которой можно искать, получать саммари и даже генерировать флешкарточки для подготовки к экзаменам.
Как помочь вашему RAG адаптироваться? Принимайте DRAG with KNEE! Часть 1
2026-03-29 в 6:22, admin, рубрики: hierarchical structure, knee, optimization, rag, retrieval augmented generationВсе мы проходили через это: скармливаешь RAG‑системе сложный PDF на 50 страниц, а она в ответ либо галлюцинирует, либо вываливает на LLM простыню нерелевантного текста, съедая ваш бюджет на токены быстрее, чем вы успеваете сказать «GPT-4o». Проблема в том, что классический подход со статическим top_k — это костыль, который либо не додает контекста, либо вызывает у модели информационное «ожирение» (заполняет контекст нерелевантным мусором). Нашему RAG нужно помочь адаптироваться к безжалостной среде разрозненных документов!
Как ML изменит бизнес в 2026 году: прогноз Selectel, GlowByte и Data Sapience
2026-03-24 в 11:48, admin, рубрики: AI, generative models, llm, ml, rag, selectel, ии-агенты, машинное обучение
Почему нам пришлось превратить нормативные документы в граф, а не просто загрузить их в векторную базу
2026-03-23 в 14:15, admin, рубрики: llm, rag, semantic search, гост, ИИ, нейросети, нормативные документы, СП СНИП, строительствоКогда говорят про RAG, обычно имеют в виду довольно прямую схему: взять документы, нарезать их на фрагменты, посчитать эмбеддинги, сложить всё в векторную базу и поверх этого подключить LLM. На демо это часто работает. Иногда работает и на корпоративных данных. Но на нормативных документах такой подход очень быстро начинает сыпаться.