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.

Сегодня многие модели держат 1M токенов, а то и больше, а в это окно контекста чаще всего спокойно влезает вся документация. Но если не влезет — то обязательно ли сразу строить весь RAG самому? А как понять, когда есть альтернатива RAG, а когда нет?

В этой статье мы разберём, почему RAG стал выбором по умолчанию (и почему это было оправдано), посмотрим, как падает качество при Long Context, сравним подходы и узнаем, что, как и когда использовать.

Давайте проверим возможности искусственного интеллекта на реальном кейсе. Чтобы не выбирать один ИИ на все случаи жизни, мы будем работать в BotHub, где можно переключаться между моделями. Для каждой задачи будем использовать наиболее подходящую модель: например, мощной Claude Opus 5 мы поручим разбор объемного ТЗ, а быстрой Claude Sonnet 5 — генерацию CSV для дальнейшей работы с план-графиком. 

Hacker News — это пульс мирового технологического сообщества. Тысячи разработчиков, основателей стартапов, инженеров из крупных компаний ежедневно делятся здесь инсайтами, проектами, новостями и мемами. Но есть проблема: качественный контент тонет в шуме, или интересные тебе темы тонут в неинтересных тебе темах.

Но из-за большого потока постов, качественные статьи по нужной теме теряются среди других, и если нужно найти какие-то системные тренды, увидеть как меняется отношения к Rust, AI или Open Source, а не просто “почитать что-то интересное” - это сделать сложно. Можно да, скопировать кучу ссылок и отправить в LLM, попросив отсортировать, но это занимает время и не так удобно, если нужно проанализировать большое количество тем.

И тут мне пришла идея - создать программу на Python, которая будет парсить через официальный API Hacker News, строить эмбеддинги постов с комментариями, кластеризовать посты и при помощи LLM суммаризировать этот кластер по ссылкам.

Сказано - сделано. Я смог спарсить 100 000 постов с Hacker News за последние 693 дня, получив более 1000 кластеров, более 10 миллиона апвоутов, более 27 тысячи авторов и всего 0.1% выбросов. В этой статье мы разберем, какие тренды были активны в мировом IT-сообществе последние два года.

Представьте себе систему, которая позволят собрать разных ИИ‑агентов в команду и дать им задачу, над которой они будут работать вместе. Каждый агент будет делать то, в чем лучше всего разбирается. Это называется ИИ‑оркестрацией.

Сегодня мы поговорим о том, что такое ИИ‑оркестратор. И чем он реально полезен.

Ответим на главные вопросы:

Чем оркестратор отличается от обычного агента? Как устроены мультиагентные системы? Где оркестраторы работают хорошо — и где не очень?

Как использовать ИИ в бизнесе?

Представьте гипотетический запрос клиента: «Где мой заказ и когда он будет доставлен?». Чтобы ответить на него, одной ИИ-модели мало. Сначала нужно найти клиента в базе, получить информацию о заказе, при необходимости обратиться к другому сервису, и только затем сгенерировать и отправить ответ. Приходится задействовать множество систем, которые как-то должны работать в унисон, и всей системе желательно быть гибкой и легко масштабируемой.

Обычный чат-бот тут не справится. Дело для серьезного дяди n8n.

Если вы искали инструмент с открытым исходным кодом, с помощью которого производится визуальная оркестрация рабочих процессов, и всё это происходит на основе графа — заканчивайте поиски.

Сегодня мы поймем как работать с одним из самых популярных ИИ-оркестраторов, в чем он хорош и как может помочь вам уже сейчас.

В предыдущей статье мы обсудили откуда берутся галлюцинации LLM и что может их спровоцировать. В этой поговорим о последствиях и методах борьбы.

Одна маленькая даже не ошибка, а скорее особенность нейросетей пока мешает им развиваться и внедряться в жизнь куда более бурными темпами, чем сейчас. Хотя, казалось бы, — куда ещё быстрее? Но нет. Эта особенность стоила юристам отстранений от практики, авиакомпании — проигранного суда, а для Google стала поводом к потере примерно ста миллиардов долларов капитализации за один день. Слово «галлюцинация» станет словом года сразу в двух словарях.

Как же так? Почему модель, которая помнит дату Грюнвальдской битвы, выдумывает номер ГОСТа? Откуда вообще взялся термин и почему он изначально был преимуществом ИИ? Правда ли, что новые «рассуждающие» модели врут больше старых? И можно ли это вылечить?

Ответы ниже. Спойлер: полностью — нельзя. И у этого «нельзя» есть чёткое объяснение.

Пользователь пишет отзыв о магазине и заодно пытается распоряжаться нейросетью. Почему чужая фраза внутри отзыва вдруг получает силу команды? Разберу промт-инъекцию через адресата, речевые акты и смешение ролей. А потом дам Gemini одну и ту же инъекцию в разных языковых формах и проверю, какая из них заставит модель сменить задачу.

В первой статье цикла мы гоняли по нашим тестам Opus 4.8, GPT 5.5 и Gemini 3.1 Pro, во второй устроили дуэль тяжеловесов Claude Fable 5 и GPT 5.5 Pro, в третьей спустились в средний класс, а в четвёртой вывели на ринг китайские флагманы. В комментариях к прошлой части нас спросили о том, что происходит этажом ниже: флагманы флагманами, а работать людям приходится на моделях попроще. Справедливо. Сегодня спускаемся на пару ступеней ниже.

Словосочетание «Нейросетевая обработка фото» звучит красиво и технологично. А кое-кто от неё уже даже устал, ибо ассоциирует её с потоком нейрослопа.

Но вот проблема. Что вообще значит обработать фото нейронкой? Слово «нейросеть» здесь слишком общее понятие, сродни слову «электромотор». А последний, как известно, работает и в электромобиле, и в зубной щётке.

В предыдущих двух частях мы очень подробно погрузились в теорию и разобрали, как вообще ИИ работает с изображением и какие у этого есть подводные камни. В этой статье мы чуть всплывём из глубины теорий и посмотрим на то, как решаются реальные задачи.

Для иллюстрации всего описанного я буду использовать фото, которые сделал сам в разные года. Кроме того, мне помогут несколько ИИ-инструментов. В моём арсенале примерами послужат Adobe Photoshop и его дополнение Camera Raw, плагины PortraitPro и Retouch4me, а также перспективная разработка Evoto.

Важно! Это не самоучитель по этим инструментам и уж точно не подборка «что нужно молодому нейросетевому художнику». В этой статье мы классифицируем реальные инструменты по принципу их работы. А ПО из списка выше поможет нам проиллюстрировать работу.

Итак. Что общего у шумодава и дорисовки? Почему маску проверить легко, а результат генерации — нет? И что за модель, в которую нужно загрузить пять тысяч ваших кадров, прежде чем она начнёт приносить пользу? Все ответы ниже.

В последнее время ИИ-сфера не просто падает, а даже входит в активную стадию конкурентности между несколькими фронтами — корпоративные ИИ (OpenAI и Anthropic, которые тоже между собой соревнуются) против открытых моделей (Qwen, GLM, DeepSeek).

Цены за токен иногда падают, а когда не могут уменьшить цену — создают лёгкие модели с низкой стоимостью. Снижение стоимости вывода (инференс) перестало быть просто побочным эффектом оптимизации и превратилось в главную ось конкуренции. Решение OpenAI снизить цены на GPT 5.6 Sol минимум до ноября 2026 года — это попытка восстановить свою долю на рынке через демпинг. Открытые модели больше не догоняют закрытые по качеству, а даже иногда опережают их в экономике использования, делая доступ к ИИ коммунальной услугой.

В этой статье мы разберём влияние Qwen, GLM и прочих опенсорсных моделей, конкуренцию на рынке ИИ и наконец разберём, куда свернула ИИ-гонка на этот раз.

Нейродетектор обещает поймать ленивого копирайтера, а подозревает длинное тире, слишком аккуратную редактуру. Проверяем, что он действительно измеряет, а потом отдадим ему часть этого текста. Посмотрим, та ли мышь попадется.

В июле 2026 года внутренний эксперимент OpenAI по проверке кибервозможностей моделей вышел за пределы тестовой среды. Агенты получили доступ к интернету, научились обмениваться информацией через не предусмотренный разработчиками канал и добрались до инфраструктуры Hugging Face.

Они выполняли код на десятках серверов, на одном сервере получили root-доступ, а также добыли ограниченные закрытые данные и учетные данные. OpenAI утверждает, что пользовательские данные и работоспособность ее публичных продуктов не пострадали.

Сейчас OpenAI опубликовала подробный технический разбор. В тот же день независимое расследование выпустили METR и исследователь Райан Гринблатт из Redwood Research. Вместе эти документы дают подробный разбор того, как группа AI-агентов превратила обычный кибертест в многоэтапное вторжение.

Если вы хоть раз пытались подключить к продукту одновременно GPT, Claude и Gemini, вы знаете это чувство: три личных кабинета, три способа биллинга, три разных формата API и ньюанса интеграции и один разработчик, который в пятницу вечером выясняет, почему у Anthropic лимит токенов считается иначе, чем у OpenAI. Именно эту боль решают LLM-агрегаторы — сервисы, которые дают один API-ключ, один base URL и единый счёт на все модели сразу.

Два заметных игрока в этой нише — российский BotHub и американский OpenRouter с похожим УТП: «один ключ — сотни моделей». Разница начинается там, где заканчивается маркетинг и приходится считать реальную стоимость inference.

В этой статье я не буду убеждать вас, что один сервис однозначно лучше другого — это было бы нечестно. Вместо этого мы возьмём официальные прайсы обеих платформ, посчитаем стоимость одинаковой нагрузки на одинаковых моделях и посмотрим, где цифры действительно расходятся и пройдемся по основным функциям.

Неважно, что делает LLM. Задача все равно приходит словами, и одно пропущенное не может испортить уже вполне материальное действие. Смотрю на LLM глазами лингвиста и разбираюсь, как языковед проверяет LLM от токенизации до прагматики и что разработчик может превратить из этого филологического занудства в код, метрики и тесты.

Разработчики агентных систем оказались в странной ситуации. Модели становятся дешевле, но задачи решают хуже. Провайдеры соревнуются в снижении цены за токен, а команды радостно переходят на облегчённые версии, экономя на вычислениях. Экономия очевидна — до первого столкновения с реальной задачей.

Только потом выясняется, что агент на дешёвой модели делает в три раза больше вызовов инструментов, чем на дорогой. Он теряет способность планировать, начинает галлюцинировать и ходить по кругу, переспрашивать и исправлять ошибки новыми ошибками. Счёт за токены незаметно растёт, время выполнения задачи увеличивается, а многие начинают нервничать.

Это история, уже не только про жадность разработчиков как таковую, а про то, как — и главное, почему так — устроен рынок ИИ, и почему ваша следующая экономия на модели может оказаться самой дорогой скрытой инвестицией в жизни проекта.

Что ж, продолжим погружаться в теорию нейросетевой обработки фотографий. В первой части мы разобрали общий принцип работы диффузионных нейросетей и начали объяснять, почему для обработки фото этот принцип часто больше вредит, чем помогает. В этой статье мы продолжим разбор.

Двадцать лет назад убрать мусорный бак из кадра — это была целая история, требующая виртуозно владеть фотошопом. Чем дальше шло развитие «умных» инструментов, тем проще решалась эта задача, но поведение всё же не было до конца предсказуемым.

И вот мы пришли к полноценному ИИ, который нам этот бак уберёт одним щелчком, не обязательно даже его полностью выделять. Так и хочется сказать: «Будущее!» А потом заметить, что заодно перерисовался бордюр в другом конце кадра. Который вообще не надо было трогать.

В этом небольшом цикле статей мы поговорим об обработке настоящих, реальных фотографий с помощью ИИ. И нет, это не будет сборник типа «десять нейросетей для фотографа». Мы с вами полезем куда глубже, в самые основы, чтобы понять, как именно нейронка (а точнее, диффузионка) видит и обрабатывает фото.

Разговор пойдёт по нарастающей. Сначала пройдёмся по методам ретуши. Потом погрузимся в то, как диффузионка вообще работает с картинкой — целиком, от промпта до пикселей. Потом — как из такой генерации сделали редактор. Дальше — что модель несёт с собой из обучения, что ломается на стыке с фотографическим рабочим процессом, что до сих пор быстрее делать по-старому. И под конец — вопрос про то, чему теперь вообще верить, мы его затронем по касательной.

Предупреждаю сразу: примерно две трети текста — это про ограничения. Про достоинства вам и без меня расскажут в любом рекламном ролике, а вот про то, где именно эта штука спотыкается, обычно молчат.

О когнитивных способностях человека есть много исследований. Одно из самых известных это исследование за авторством Элизабет Спелке. Оно о том как у человека появляется самое первое, базовое понимание мира и физических законов. Её работа ставит под сомнение традиционные взгляды на то, что всё человеческое знание приобретается исключительно через опыт, и выдвигает гипотезу о наличии врожденных когнитивных систем.

На основе когнитивных экспериментов Спелке доказывает, что фундаментальные представления о мире начинают проявляться в самых ранних месяцах жизни и являются частью врожденного аппарата человека.

Итак, если Спелке показывает, что человеку для этого нужно врожденное ядро знаний, то как с этим справляются ИИ? 
Способна ли нейросеть самостоятельно выделить объекты из огромного числа пикселей, построить внутренний физический движок и предсказать, куда упадет брошенный мяч, не зная формулы ? 

Рассмотрим как современные ИИ-системы пытаются понять физический мир через наблюдение. Где у них это действительно получается, и почему хорошая визуальная экстраполяция всё еще не означает истинного понимания природы вещей.

В первой статье цикла мы гоняли по 11 тестам Opus 4.8, GPT 5.5 и Gemini 3.1 Pro, во второй устроили дуэль тяжеловесов Claude Fable 5 и GPT 5.5 Pro, в третьей спустились в средний класс и столкнули три поколения Sonnet с GigaChat 2 MAX и YandexGPT Pro 5.1. Закончили мы прошлый материал прямым вопросом: хотите ли увидеть в следующей части DeepSeek и Qwen? Запрос в комментариях мы услышали, так что сегодня на ринге Китай.