Строим продвинутый каркас для ИИ-агента
В основе базового agentic harness — простой цикл: LLM получает задачу, выбирает и вызывает инструмент, результат возвращается в контекст, после чего модель решает, какое действие выполнить следующим. Цикл продолжается, пока модель не решит, что задача выполнена.
SRX: восстановить нужный фрагмент и проверить его
Что происходит, когда AI‑системе нужно ответить не только «что я помню?», но и показать, какой именно исторический источник подтверждает ответ?В SRX я экспериментирую с другим подходом к длинной истории: вместо передачи модели всего накопленного контекста система сначала находит нужную версию данных, восстанавливает её и проверяет по исходному источнику. Только после этого результат можно отдавать LLM для интерпретации.Почему обычного поиска недостаточноПредставим, что параметр database.pool_size менялся так:
Jev и обычные LLM: сравниваем качество, скорость и стоимость
В приложениях и агентах от AI не всегда нужен текст на несколько абзацев. Иногда достаточно выбрать категорию, проверить условие или поставить оценку. Я решил разобраться, даёт ли специализированная модель Jev от TypeSafe преимущества перед обычными LLM в таких задачах. Для проверки подготовил комментарии на русском и английском и сравнил качество ответов, скорость и стоимость.Что такое Jev
Пять ступеней учета техники: от таблички в Excel до данных, которые не стыдно показать финдиректору
У финансового директора есть вопрос, который в любой момент может прилететь ИТ-отделу: сколько сейчас техники на балансе и во сколько она обходится. В одной компании на него отвечают за пять минут — открывают нужный отчёт и присылают цифру с разбивкой. В другой ответ собирают две недели, обзванивая кладовщика, бухгалтерию и техподдержку, и итоговая цифра всё равно получается приблизительной. Разница в том, на какой из пяти ступеней зрелости стоит учёт техники в компании. Всем привет, это команда продукта SimpleOne ITAM
