rag. - страница 4

rag.

От «магии» к инженерии: 9 ошибок работы с контекстом при внедрении AI‑агентов в процессы

Я бизнес‑архитектор, много лет работающий на стыке управления бизнес‑процессами и корпоративной архитектурой. Последние годы применяю LLM и AI‑агентов в своей практике.В этой статье я разобрал 9 типовых ошибок управления контекстом, которые совершают команды при внедрении AI‑агентов в бизнес‑процессы, и показал, как превратить AI‑агента из дорогой игрушки в предсказуемый рабочий инструмент.

продолжить чтение

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. 

продолжить чтение

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.

продолжить чтение

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.

продолжить чтение

MEO: ещё одна маркетинговая аббревиатура или реальная техническая проблема ранжирования?

продолжить чтение

PostgreSQL умер, да здравствует… PostgreSQL?

Привет, Хабр. Я хочу рассказать историю, которую вы уже, наверняка, где-то слышали. Только с другой стороны.

продолжить чтение

RAG, поиск и LongContext: почему сложные пайплайны не всегда нужны

В 2023 году RAG был единственным способом засунуть знания в LLM — контекстное окно было маленьким, часто были галлюцинации. RAG постепенно стал одной из самых популярных технологий, чтобы получить базу знаний, по которой можно искать данные через натуральный язык.Но с другой стороны — RAG-пайплайн тяжёлый и трудозатратный. Компания хочет чат по своей документации. Разработчик говорит: нужен пайплайн — чанкинг, эмбеддинги, векторная база, реранкер. Два-три месяца работы плюс сервис, который надо вечно поддерживать, ради 400-страничной документации. И всё это занимает месяцы, тратит ресурсы ради не такой уж и большой выгоды.

продолжить чтение

Долговременная память для ИИ-ассистента: как превратить переписку в Telegram в структурированную базу знаний

продолжить чтение

Как мы сделали RAG, который почти не галлюцинирует

Привет, Хабр! На связи команда CVM (Customer Value Management) B2B из МТС — техлид Артём Каледин и ML-инженер Александр Швайко. Менеджер должен быстро разбираться, как строить обсуждение с техническим директором компании. Но даже если информация о продукте есть, иногда бывает сложно быстро найти нужные материалы и выбрать плюсы для конкретного клиента. Раньше коллеги готовились к встречам с помощью Telegram-бота, но недавно от бизнеса поступила задача: сократить время на подготовку и повысить качество рекомендаций и контента. В статье по мотивам доклада на Inside AI Meetup

продолжить чтение

AI-native разработка по-русски

Почему корпоративная разработка с ИИ начинается не с покупки ассистента, а с пересборки требований, архитектуры, контроля качества и ответственности

продолжить чтение

1...234567...2030...53