llm.
От поисковой строки к ИИ-агенту: зачем мы открыли Туту через MCP и что увидели на хакатоне
Представим обычную задачу: хочется куда-нибудь уехать на выходные. Есть бюджет, свободная суббота и воскресенье, желание оказаться у воды и условие вернуться домой до полуночи.В привычном интерфейсе сначала приходится решить, куда ехать. Потом отдельно проверить билеты, посмотреть отели, сравнить время в пути и цены, вернуться к первому варианту, потому что второй оказался слишком дорогим, и заново собрать поездку.
Куда уходят токены у кодинг-агента: разбираем счёт по полям usage
В прошлый раз я разбирал, куда именно ходит Claude Code и какие бывают ключи. Логичное продолжение — куда уходят деньги. Потому что первый вопрос, который возникает после недели работы с агентом: почему счёт растёт быстрее, чем кажется по объёму кода.Ниже — разбор по полям usage, механика кэша и правила, которые у меня реально срезали расход. Без магии, всё проверяется в ответе API.Из чего состоит счётТокены, за которые вы платите, делятся не на два типа, а минимум на пять:ТипЧто этоПорядок ценыInput (miss)
Визуализация изменений при помощи LLM, стопки листов и графа между ними
Первая практическая статья. На примере анализа двух редакций Правил продажи.Долго выбирал что взять в первый практический разбор/демонстрацию возможностей своего инструмента. Решил остановиться на разборе изменений Правил продажи.С 1 сентября действуют новые Правила продажи товаров - ПП № 657. Прежние, ПП № 2463, утратили силу. Это не поправки, а новый документ: в начало добавили три пункта, и дальше вся нумерация сдвинулась на три.Наверняка его уже всесторонне разобрали, но я решил показать возможный новый способ.Почему ответ модели нельзя проверить чтением
Как сравнить две версии регламента за 15 минут: LLM строит карту изменений, а вы проверяете её глазами
Первая практическая статья. На примере анализа двух редакций Правил продажи.Долго выбирал что взять в первый практический разбор/демонстрацию возможностей своего инструмента. Решил остановиться на разборе изменений Правил продажи.С 1 сентября действуют новые Правила продажи товаров - ПП № 657. Прежние, ПП № 2463, утратили силу. Это не поправки, а новый документ: в начало добавили три пункта, и дальше вся нумерация сдвинулась на три.Наверняка его уже всесторонне разобрали, но я решил показать возможный новый способ.Почему ответ модели нельзя проверить чтением
Админка больше не обязательна: как я дал Codex API к сайту и получил новый интерфейс управления контентом
У большинства проектов, где контентом нужно регулярно управлять, есть админка. Иногда она действительно удобная и хорошо продуманная, иногда — собранная на скорую руку, а иногда это вообще стандартный интерфейс фреймворка, который формально позволяет редактировать данные, но пользоваться им каждый день мучительно.
Зачем нужны векторные БД в эпоху LLM
Не открою секрет, если скажу, что обычный поиск по ключевым словам уже не особо помогает. Чтобы нейросети могли отвечать точно, опираясь на ваши корпоративные базы знаний, им нужно «понимать» смысл текста. А это уже сложнее, чем просто искать точные совпадения букв.
Бесплатный API для LLM: тестирую 6 сервисов, модели и реальные лимиты
Для каждого сервиса смотрел, что именно дают после регистрации, какие модели действительно отвечают через API, сколько расходуется баланса и какие ограничения по RPM/RPD удаётся подтвердить. Где официальных лимитов нет, проводил собственные короткие нагрузочные тесты. Что удалось найти Token HarborСайт: https://tokenharbor.ai/Документация: https://tokenharbor.ai/docsAPI: https://tokenharbor.ai/v1У Token Harbor есть полноценный бесплатный тариф за $0
Внедрить нельзя легализовать
Почему ИИ нельзя внедрить как ERP, нельзя раздать как Office, и что тогда остаётся1. Совещание в пятницуВ пятницу я сидел на совещании с архитектором ГигаЧата. Обсуждали, что из нынешних возможностей моделей можно развернуть у заказчика на его железе, в закрытом контуре. Ответ был короткий: режим рассуждений и мультиагентные системы — нет, и не стоит даже считать. Не потому, что нельзя, а потому, что ресурсы, которые для этого нужны, не окупятся ни на каком разумном числе пользователей.Любой, кто пробовал развернуть модель у себя, знает, где предел, так что сенсации тут нет. Есть контракт.
Как я делаю ИИ‑память из переписки в Telegram: десятки тысяч сообщений, тысячи фактов, сотни людей
Ночью, около двух по московскому времени, сервер просыпается и запускает конвейер. Сначала сервис идёт в Telegram и скачивает новые сообщения из чатов, которые пользователь отметил галочками. Через час стартует второй воркер и превращает эти сообщения в память: режет на куски, гоняет через DeepSeek, раскладывает по таблицам, выгружает в markdown‑файлы. К утру у человека появляются дополнительная информация в сервисе второй памяти.

