rag.
Как мы тестировали RAG: нашёл документ, но всё равно ошибся
В прошлой статье я рассказывал, как наш трёхнедельный RAG-пилот по технической документации растянулся на три месяца. Мы собирались научить корпоративный AI отвечать на вопросы инженеров и менеджеров, а вместо этого обнаружили, что сначала нужно разобраться в собственных документах.С тех пор мы продвинулись. Собрали базу знаний, настроили поиск, подготовили сотни контрольных вопросов и наконец начали испытывать ассистента на реальных инженерных задачах.Промежуточный результат — 84% правильных ответов на тестовом наборе из 188 вопросов
AI-агент в проде для тех, кто вкатывается: инструменты, RAG, надёжность и проверки
Агент решает задачу за 30 шагов: вызывает модель, ищет, пишет в базу, снова вызывает модель. Пусть каждый шаг падает раз из ста: моргнула сеть, API ответило «перегружено». Тогда задача целиком дойдёт до конца в 74% случаев. Каждая четвёртая упадёт. При 3% сбоев на шаг до конца дойдут только 40%.
От ИИ-агентов до RAG и локальных LLM: 26 бесплатных вебинаров для тех, кто работает с искусственным интеллектом
ИИ-агенты уже могут писать код и выполнять задачи самостоятельно. Но как не потерять контекст между сессиями, организовать работу нескольких агентов и проверить результат? Как научить LLM находить нужные документы, развернуть модель на собственном компьютере или выбрать подходящую архитектуру для компьютерного зрения?Собрали 26 открытых вебинаров, посвящённых этим и другим практическим вопросам. В подборке — ИИ-агенты, RAG, векторный поиск, инструменты для разработчиков, LLM, машинное обучение и аналитика. Занятия проведут преподаватели курсов, участие бесплатное.Маршрут
Управление рассуждением LRM в юридическом домене: адаптация архитектуры TG‑RAG (часть 1)
Зачем управлять рассуждением модели в конце 2026 года?ИИ в юридической функции: разрыв между возможностями и реальным внедрением В марте 2026 года Anthropic опубликовала исследование о влиянии ИИ на рынок труда. Авторы сопоставили каждой категории профессий две величины: долю рабочих задач, которые языковые модели теоретически способны выполнять, и долю задач, в которых Claude уже реально используется в профессиональной работе — наблюдаемое воздействие (observed exposure). В частности, в исследовании была приведена эффектная диаграмма:
Как я чуть не спалил MacBook, пытаясь развернуть ИИ-агента локально
Знаете это чувство, когда читаешь статью про локальные LLM и думаешь: «А, ну это же просто. Поставлю Ollama, тяну модель, и у меня уже свой ИИ-агент, который знает весь код»?Я думал именно так.Меня зовут Егор Лаптев, я QA Fullstack Java в SENSE на проекте крупного российского банка. У меня MacBook Pro M2 Pro с 32 ГБ RAM: не topical машина, но для разработки рабочая лошадка. Даже не подозревал, что через 20 минут после запуска модели ноутбук будет звучать как истребитель на взлёте, а температура процессора будет такой, что можно было бы варить яичницу на крышке.
AnythingLLM: чат по своим документам без подписки OpenAI
Представьте, вот у вас на диске папка с договорами, сотня PDF, конспекты и внутренняя документация. Вы открываете ChatGPT, загружаете один файл — он его читает. Загружаете больше — контекст переполняется, или файл банально теряется. А если файлов десять? Двадцать? Подписка стоит денег, из России нужен VPN, и даже с ним модель не знает, что написано в ваших таблицах, пока вы не скормите ей всё вручную.
Как проверить, что ИИ-приложение действительно восстановилось после сбоя
Итак, резервные копии готовы, инфраструктура восстановлена, приложение снова отвечает на запросы. Но можем ли мы доверять его ответам? После сбоя ИИ-помощник рискует использовать устаревшие документы, возвращать отозванные права доступа и повторно выполнять действия, которые уже совершил. Разберемся, как избежать таких ошибок при восстановлении RAG-приложения.
Учимся отличать галлюцинации от плохого контекста
Привет, Хабр!Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.Когда RAG-система выдаёт утверждение, которого нет в источниках, мы обычно называем это «галлюцинацией». Но очень часто за этим симптомом скрываются принципиально разные сбои, и путать их означает лечить не ту болезнь.Модель, к примеру, могла проигнорировать релевантный контекст или не получить его вовсе. А могла сгенерировать ответ из параметрической памяти и задним числом подобрать «подходящую» цитату.
