llm.
Interpretable Context Methodology (Методология интерпретируемого контекста): структура директорий как архитектура агента
Привет, Хабр! Это не перевод, скорее выжимка из статьи со схожим названием. Очень советую ознакомиться, если подход заинтересует.Текущий подход к оркестрации AI агентов обычно включает в себя создание фреймворка, который руководит передачей контекста, памятью, обработкой ошибок и координацией шагов решения задачи (CrewAI, LangChain, AutoGen). Подобные фреймворки отлично подходят для сложных, многозадачных систем. Но для последовательных процессов, требующих проверки работы человеком для определенных шагов процесса, использование подобных фреймворков добавляет огромный инженерных overhead.
Мы как мир
Всё, чем мы себя окружаем, это и результат наших мыслей, и то, чем мы мыслим. Дороги задают географию, скорость, дистанцию, пространство. Безделушки на комоде — память, эмоции. Инструменты на столе — планы, навыки.Наша внешняя среда не говорит, что нам делать, она нас ведёт.Что‑то мягче, что‑то жёстче, но мы — это не только мозг в черепной коробке, мы — это и то, что создали до нас и создали мы сами.Эта статья о том, что нас окружает, и как это связано с LLM и агентами.Пространство представлений
От одного агента к AI-холдингу: масштабирование автономных AI-систем
ИИ ускоряет выполнение отдельных задач, но управление растущим числом процессов и проектов остаётся на человеке. На примере своих экспериментов покажу путь от одного агента к AI-организации и объясню, зачем над несколькими направлениями может понадобиться AI-холдинг.Я пришёл к другому способу описывать такие системы постепенно, через четыре собственных эксперимента. Каждый следующий шаг отвечал на конкретное ограничение предыдущего:агент для оценки задач (покер планирования) учитывал не весь нужный контекст, поэтому я разделил работу на этапы;
Опубликована книга «Цифровой мозг фирмы»
Короткая книга о директоре в момент, когда машинный интеллект становится массовым рабочим инструментом.
У ИИ есть знания, у человека — контекст
TL;DR. Текст всё чаще доходит до читателя через два преобразователя: ИИ, с которым пишет автор, и ИИ, который делает выжимку для читателя. В КИПиА такая конструкция называется измерительным каналом, и у неё есть известное свойство: погрешности звеньев складываются, а проверять нужно канал целиком. Знание ИИ передаёт через канал хорошо. Контекст — нет. Ниже разбираю, какой именно контекст теряется, почему ошибка модели, общая для всех её читателей, опаснее обычного непонимания и как поверять такой канал автору и читателю.Два преобразователя между автором и читателем
Переговоры — это не только про работу: как я учу ИИ не поддаваться
Завтра разговор, которого вы боитесь: попросить прибавку, отказать клиенту в скидке, сообщить команде, что дедлайн сорвётся. Слова вы знаете наизусть — и всё равно прокручиваете их ночью. В какой-то момент открываете чат с нейросетью и пишете: «Сыграй моего начальника. Я прошу повышение, ты — против».
Какую LLM выбрать: собираем свой бенчмарк
Результаты внутреннего тестированияОбычно, когда выбирают LLM, сначала смотрят рейтинги. Проблема рейтингов в том, что по ним не узнать, как модель справится с вашими задачами и сколько это будет стоить.

