Sign in Subscribe

Topic

AI

A collection of 82 issues

LLM 101: практическое руководство (редакция 2026)

Начните с цикла. Текст превращается в токены. Токены проходят через трансформер. Attention решает, какие предыдущие токены важны. Среда выполнения хранит KV-кэш, чтобы модель не пересчитывала весь разговор каждый раз заново. Затем модель выбирает следующий токен и повторяет всё снова.

Как ведущие AI-лаборатории строят RL-агентов в 2026 году (используя идею Карпати об обучении через system prompt)

Как Anthropic, OpenAI и DeepSeek сходятся к единой идее: использовать system prompt как функцию вознаграждения. Полный разбор эволюции RL — от RLHF до RULER — с кодом.

Как строить AI Operating Systems и автономные рабочие процессы

Полное руководство по созданию AI Operating Systems: память, агенты, инструменты, оркестрация, feedback loops и автономные workflow.

Сеть инференса LLM нового поколения: как ZCube снимает сетевые bottleneck

Z.ai, Harnets.AI и Tsinghua University показали ZCube: сетевую архитектуру для LLM-инференса, которая снижает CapEx на 33%, повышает throughput на 15% и уменьшает TTFT P99 на 40,6%.

Анатомия agent harness: что на самом деле делает LLM-агента агентом

Глубокий разбор agent harness: оркестрация, инструменты, память, управление контекстом, проверка, безопасность и архитектурные решения вокруг LLM-агентов.

276 сценариев использования Hermes Agent — что сообщество строит в 2026 году

Русский перевод X Article Indu Tripathi о 276 реальных сценариях использования Hermes Agent и переходе от чатботов к инфраструктуре автономного цифрового труда.

Непрерывная оценка состояния с гауссовскими процессами

Русский перевод X Article Frank Dellaert о новых инструментах GTSAM для непрерывной оценки состояния на основе гауссовских процессов.

Как создать агента Claude, который управляет всем вашим бизнесом, пока вы спите

Полный перевод X Article CyrilXBT о том, как собрать бизнес-агента на Claude, CLAUDE.md, MCP-серверах и N8N: архитектура, контекст, инструменты, workflow и цикл улучшения.

🪄 Tesla решила проблему «пробки» в ИИ с помощью иерархического узлового графа, имитирующего человеческую логику 🧠

Tesla переходит от грубого расчёта траекторий к иерархическому узловому графу: система строит сценарии взаимодействий, оценивает их на безопасность, комфорт и естественность, быстро отбрасывает плохие варианты и планирует движение почти по-человечески.

RAG и CAG, простое объяснение: кэширование промптов

Перевод поста Акшая о RAG vs CAG и полной статьи «Prompt caching, clearly explained» — о том, как кэширование промптов снижает стоимость и ускоряет агентные системы.