Новинка: «LLMOPs. Практическое руководство»

Сегодня расскажем вам о самой уникальной из наших октябрьских новинок: книге «LLMOPs. Практическое руководство ^[1]». Автор этой книги, Никита Горячев, как многие из наших авторов и, уверены, многие из вас, уважаемые читатели, собирал у себя на Гитхабе ^[2] заметки об эксплуатации больших языковых моделей. В настоящее время Никита занимается  LLM, RAG, агентными системами, мультимодальными приложениями, интересуется разработкой голосовых ИИ-агентов. Он любезно рассказал о своей книге для нашей хабрааудитории. Добро пожаловать под кат.

От автора

Я написал книгу по LLMOps. И вот почему считаю, что такие книги всё ещё нужны.

Меня зовут Никита, я ML-инженер, последние десять лет занимаюсь машинным обучением ^[3]. Начинал с классического Data Science, рекомендательных систем, моделей для ритейла, тогда ещё в pre-LLM эру – NLP. Сейчас фокус всё активнее смещается в сторону агентных систем.

Сегодня хочу поделиться важным для меня событием! Моя книга, посвящённая LLMOps, добралась до публикации в крупном издательстве.

Изначально я задумывал её как гайдбук для разработчиков, которые хотят внедрить LLM в свои продукты или рабочие процессы. При этом глубоких знаний в области ML моим читателям не требуется, достаточно хотя бы небольшого опыта ^[4] разработки. В книге есть как относительно простые примеры использования LLM, так и более сложные вещи, касающиеся деплоя моделей, построения инфраструктуры и работы с готовыми моделями в проде.

Но сначала хочу остановиться на вопросе, который, как мне кажется, вполне закономерно может возникнуть у читателя. Зачем вообще нужна книга об LLM в 2026 году? Сегодня можно открыть ChatGPT, Claude или любую другую достаточно сильную модель и попросить объяснить, как построить RAG-систему, спроектировать AI-агента или развернуть опенсорсную модель в Kubernetes.

Модель объяснит.

Более того, она напишет код, предложит архитектуру и поможет разобраться почти с любой технической загвоздкой. Вполне возможно, что по многим частным вопросам её рекомендации окажутся лучше моих.

Я вообще не думаю, что сегодня отдельный автор способен конкурировать в широте технических знаний с современной большой языковой моделью. Тем более в настолько быстро развивающейся области, где технологии успевают существенно измениться за время подготовки книги к печати.

Так зачем тогда книга?

Даже технически корректная рекомендация не обязательно будет оптимальной в условиях конкретного проекта. Именно поэтому при написании книги мне хотелось опираться не столько на абстрактные «рекомендуемые практики», сколько на подходы, которые мы с коллегами применяли в реальных проектах.

Подходы эти довольно сильно различаются не только между бигтехом и стартапами, но даже от команды команде внутри одной компании.

Где-то принято строить сложную инфраструктуру ещё до релиза. Где-то предпочитают как можно быстрее выпустить MVP (минимально жизнеспособный продукт) и постепенно допиливать его по мере появления требований. Одни команды делают ставку на готовые фреймворки, другие предпочитают собственные реализации. Где-то важнее, чтобы модель быстрее выдавала ответ, где-то важнее качество, а где-то может быть требование раскатить всё это на очень слабом железе, вплоть до обычных ЦП (да, LLM на ЦП тоже запускают, хотя с производительностью там всё довольно грустно, особенно в случае больших моделей).

Самое интересное, что совершенно разные подходы могут быть одинаково успешными в конкретных условиях.

Значительная часть решений, описанных в книге, основана на моих собственных проектах и проектах коллег. Кроме того, материалы проходили техническое ревью у других инженеров. Конечно, это не гарантирует, что конкретное решение подойдёт каждому, но, по крайней мере, за каждым примером в книге стоит реальный опыт разработки.

Мне кажется, ценность такого материала заключается в возможности посмотреть на решения через призму чужого опыта. Не обязательно повторять ^[5] решения один в один, но желательно понимать, почему кто-то выбрал именно такой путь — это бывает полезнее, чем просто получить очередной пример кода.

Я совершенно не рассматриваю свою книгу как полноценную замену самостоятельному изучению top-tier моделей от Anthropic или OpenAI. Идеальный сценарий — читать, экспериментировать, задавать вопросы LLM и пробовать альтернативные реализации. Хороший читатель научится не генерировать код, а осознанно проектировать, проверять гипотезы, экспериментировать с разными подходами.

Используйте книгу как компас, который покажет направление. Ну а грести придётся самим.

И конечно книга не ответит на главный вопрос: зачем ваш продукт нужен? Кому он нужен, и нужен ли вообще? Бизнес-часть, маркетинг и product vision останутся за рамками книги. Здесь мы всё-таки больше про инженерку.

Надеюсь, жанр технической литературы будет жить дальше!

Удачи!

О книге

Книга охватывает весь современный стек LLM-разработки: от промпт-инжиниринга и генерации с дополненной выборкой (RAG) до агентных систем, памяти ^[6], мультимодальности и реальной производственной инфраструктуры. Уделено внимание ^[7] работе с экосистемой LangChain, векторными базами данных, технологиями оркестрации, подходами к оценке качества моделей и принципами построения масштабируемых ИИ-сервисов. Книга содержит большое количество практических примеров, упражнений и кейсов, основанных на реальных сценариях разработки корпоративных ИИ-систем. Рассчитана на ML-инженеров, исследователей данных, MLOps-инженеров, бэкенд-разработчиков, технических руководителей и специалистов, экспериментирующих с большими языковыми моделями.