Как собрать мультиагентный Telegram-канал круглосуточной ситуационной осведомленности
Это вторая статья в нашем цикле, посвещенном созданию системы круглосуточной ситуационной осведомленности. Благодаря замечаниям читателей, выделившим недостатки, которые имели место быть в прошлом материале, мы будем стараться совершенствовать подаваемый нашим читателям контент. В данной статье будет рассмотрена инструкция создания уже не просто Telegram-бота, а целой мультиагентной системы. Но хочу вновь отметить, что данная статья не содержит реклама, все предлагаемые к использованию сервисы упоминаются только потому, что мы имели опыт работы с ними.Приступим.
Мы не выравниваем железо — мы выравниваем реальность: как превратить любой лазерный гравер в прецизионный фотоплоттер
Если вы хоть раз пытались сделать печатную плату сложнее «мигалки на светодиоде», вы знаете цену «геометрического ада».
Как мы отучали LLM выдумывать цифры в данных. Допрос Claude Desktop с пристрастием
Никто не верил, что модель можно подпустить к таблицам и заставить не галлюцинировать. Цифры из воздуха, выдуманные колонки, суммы, которые не сходятся с источником, думаю на этом обжигались все, кто пробовал. Мы заставили, проблемы все еще есть, но выглядят решаемыми.
Они умеют думать. Как я искал (и нашёл) язык, на котором «думает» LLM
Это история одного эксперимента. Без хайпа про «сознание ИИ», но с настоящим результатом: внутри большой языковой модели есть слой, где мысль ещё не слово, а концепт. И этот концепт можно поймать за руку, подвигать, как ручку громкости, и прочитать по слогам.Вопрос, с которого всё началосьКогда LLM отвечает вам, она выдаёт токены — кусочки слов. Слева направо, по одному. Но до того, как родился токен, внутри сети прокатывается волна чисел — скрытые состояния, 3584 числа на каждом слое, 28 слоёв. Вопрос, который не давал мне покоя:
Книга: «Анализ данных с LLM. Текст, таблицы, изображения и аудио»
Привет, Хаброжители!
MLE-bench: золото взято, а доказательства остались в -tmp
В апреле мой агент смог перешагнуть золотой порог на MLE-bench в агентских соревнованиях Berkeley RDI, а когда я решил показать «тот самый код, который взял золото» — понял, что не уверен, существует ли он вообще.Хабр, привет! Меня зовут Георгий, и в своей первой статье на площадке я решил разобраться, что же происходило на самом деле. Цифровой детектив: с чем я преодолел планку, где этот результат теперь (спойлер: нигде) и сколько смысла в этом «золоте». Это история о том, как я расследовал собственную «победу»Про сами агентские соревнования уже хорошо написали коллеги из AI Talent Hub — пост
КАК СОБРАТЬ СВОЙ УЧЕБНЫЙ БОТ ДЛЯ МОНИТОРИНГА ГЛОБАЛЬНОЙ ОБСТАНОВКИ С НУЛЯ
Вводная частьИдея создания собственного бота звучит сложнее, чем выглядит на практике. Многие представляют такую систему как нечто, доступное только программистам, системным администраторам или специалистам по искусственному интеллекту. На деле первый рабочий вариант можно собрать по понятному маршруту: подготовить рабочее место, настроить доступ к большой языковой модели (далее – БЛМ), установить несколько про-грамм, создать Telegram-бота, подключить интересующие Вас источники средств массовой информации (телеграмм-каналов) и выполнить тестовый запуск. Важнее всего делать всё по инструкции.
graphlens: превращаем репозиторий в типизированный граф — Python, TypeScript, Go и Rust в одной модели
Любой инструмент для «понимания кода», которым я пользовался, рано или поздно упирался в одну из двух стен.Первая — цикл «grep → открыть → прочитать → перейти по импорту → снова grep». Работает, но медленно, и у него нет ни малейшего представления о том, что process_order, найденный в services.py — это тот самый process_order, который вызывается из api.py, а не однофамилец из tests/. Когда этим занимается LLM-агент, он ещё и сжигает на этом тонну токенов.Вторая стена — моноязычность
