llm.
Агентные системы для продакшена
Всем привет! Сегодня разберём, как проектировать агента, который доезжает до продакшена и приносит пользу бизнесу: от вопросов на старте до стека и практик, без которых он развалится в эксплуатации.Меня зовут Владимир, на данный момент работаю ML-инженером и разрабатываю мультиагентные системы. К сожалению, пока не могу похвастаться тем, что сократил 20 процентов сотрудников, но достижения имеются...
Как я делал свою языковую модель: история эксперимента
Уже больше года назад у меня зародилась идея создать свою архитектуру языковой модели. Традиционные модели, "думающие" на уровне токенов мне решительно не нравились. Колоссальный вычислительный бюджет на то, чтобы просто предсказать один токен. Логичным мне казалось оторвать мышление модели от токенов, перенеся его в латентное пространство. Примерно полгода назад я начал первые практические эксперименты и сейчас получил первые практические результаты. Поскольку уровень подготовки читателей очень сильно различается, в статье не будет глубоких технических разборов, а скорее история эксперимента.
LLM нельзя внедрить сверху. Снизу тоже. А как можно?
«Когда один программист заменяет пятерых, четверо начинают искать работу, а пятый — хорошего юриста»Каждая вторая статья на Хабре сейчас — про LLM. Одни кричат о революции, другие — о пузыре. Тем временем в реальности происходит кое-что интересное.Цифры впечатляют. Инвестиции в дата-центры в 2025 году превысили $60 миллиардов. Nvidia отчитывается о квартальной выручке в $57 миллиардов — больше годовой прибыли большинства компаний из Fortune 500. Big Tech планирует потратить около $330 миллиардов на инфраструктуру только в этом году. Прогнозы обещают $3-4 триллиона совокупных инвестиций в AI к 2030 году.
Я не пишу код руками уже год. И не собираюсь возвращаться
Привет, Хабр! Это моя третья статья здесь. В первой я рассказывал, как ушёл из найма во фриланс. Во второй — про методологию работы с LLM, документацию и почему это не вайбкодинг. Сегодня хочу поговорить о другом - о страхе, о зоне комфорта. О том, почему половина комментариев под этой статьёй будет от людей, которые даже не пробовали.1. Цифры, которые никого не убедят
Как техписатели Just AI экономят время с помощью своих же AI-продуктов
Привет, Хабр! Меня зовут Даниил Смородин, я работаю техническим писателем в Just AI — компании, которая разрабатывает решения на базе искусственного интеллекта. Когда каждый день пишешь об AI, рано или поздно задаёшься вопросом: а можно ли применить его в собственной работе? В этой статье расскажу, как мы автоматизировали подготовку release notes и первичную вычитку с помощью наших продуктов.Как AI помог с release notes
Тестирование LLM-приложений с DeepEval
Всем привет! Меня зовут Максим. Я NLP‑инженер в red_mad_robot и автор Telegram‑канала Максим Максимов // IT, AI. В этой статье я расскажу о том, как тестировать приложения с использованием Large Language Model (LLM), на примере инструмента DeepEval. Тестирование приложений, в которых используются LLM, отличается от тестирования других приложений. В частности, можно выделить 2 основные проблемы: Недетерминированность. В связи со своей спецификой LLM могут давать разные ответы на одни и те же запросы, что создаёт сложности во время тестирования;Работа с естественным языком.
Claude Code изнутри: как устроены AI-агенты для разработки
Команда AI for Devs подготовила перевод статьи о том, как на самом деле устроены AI-агенты для программирования. Автор шаг за шагом показывает, что за Claude Code не стоит магия: это последовательный агентный цикл, инструменты, контроль разрешений и работа с контекстом.Что делает Claude Code мощным, на удивление просто: это цикл, который позволяет ИИ читать файлы, запускать команды и итеративно работать, пока задача не будет выполнена.Сложность начинается там, где нужно разрулить пограничные случаи, сделать хороший UX и встроиться в реальные процессы разработки.
Больше чем ядро: как пет-проект вырос в мультитенантную платформу для создания AI-агентов
СодержаниеПролог. Краткость - сестра таланта... Часть 1. Концепт Часть 2A. Вайб-кодинг: философия и инструменты Часть 2B. Вайб-кодинг: практика взаимодействия Часть 3. Архитектура: первый блин комом Часть 4. Релиз и фичи Часть 5. Закат и рассвет Часть 6. Мультитенантная архитектура Часть 7: Сценарии — декларативная магия Часть 8. Эволюция системы плагинов: от модулей к экосистеме
