Если вы хоть раз пользовались LLM, то почти наверняка сталкивались с двумя ее классическими болячками: галлюцинациями и устаревшими знаниями. А когда дело доходит до рабочих задач, появляется еще одна проблема — как использовать внутренние документы компании, не выкладывая их в открытый доступ. 

В этой статье разберем метод RAG (Retrieval-Augmented Generation) и подробно посмотрим на один из самых интересных open-source инструментов для его реализации — RAGFlow. Попробуем понять, насколько он подходит для внутреннего использования.

Спецификацию PCIe 6.0 утвердили ещё в начале 2022 года, но первые серийные SSD с новым интерфейсом появились только в 2026-м. Пока речь идёт исключительно о серверных моделях, скорости у них уже вплотную приблизились к 30 ГБ/с. Для обычных компьютеров такие накопители пока остаются делом будущего: потребительский рынок всё ещё ограничен PCIe 5.0.

Почему на вывод нового стандарта на рынок ушло четыре года? Дело не только и не столько в сложности технологии. До недавнего времени рынку попросту не особенно нужны были SSD с такой пропускной способностью. Ситуацию изменил бум ИИ: в серверах с десятками ускорителей скорость хранилища сама начала становиться узким местом. Поэтому PCIe 6.0 сейчас приходит прежде всего в дата-центры, а не в домашние ПК. Но давайте разбираться, что это за стандарт, зачем он нужен и когда станет распространенным.

Однажды на просторах интернета я нашел интересную концепцию — Capability-based Security. Это подход, при котором разрешения управляют доступом к функциям или ресурсам. Я решил не распыляться на изучение концепции целиком и сразу, а разобрать для начала конкретное понятие — интенты. 

Интенты (декларация намерений) — это декларативное объявление ресурсов, то есть указание того, какие именно возможности или права понадобятся функции или модулю для работы. Я загорелся идеей попробовать реализовать такую функциональность в Python через собственную библиотеку. Моя идея заключается в том, чтобы с помощью декоратора функция декларировала необходимые ресурсы, а библиотека блокировала вызовы неразрешенных функций.

Идея звучит жизнеспособно и отлично подходит для создания систем плагинов, проектирования AI-агентов или фреймворков для тестирования. В этой статье я расскажу о capability-based security и мы попробуем решить дилемму: как дать функции только те привилегии, которые ей необходимы, и ничего лишнего.

Заголовок этой статьи, частично, наглядная демонстрация того, как его видит языковая модель. Куски слов, нарезанные по логике, которая к русскому языку не имеет вообще никакого отношения.

И из этой нарезки растет длинный список вещей, которые иногда списывают на «глупую нейронку» (особенно если речь идет о небольших локальных моделях): модель не может посчитать буквы в слове, путается в арифметике, коверкает редкие фамилии, а русский текст обходится вдвое дороже английского при том же смысле.

А еще оттуда же растут вещи, которые с токенами вообще вроде бы не связаны. Например: почему «давай рассуждать по шагам» реально работает, и почему лишний пробел в конце промпта портит ответ.

Виноват во всем этом компонент стека, который первым в пайплайне, никогда не обучается вместе с моделью и которому обычно посвящают полтора абзаца в начале туториала. Что ж, давайте по порядку.

Выход в продакшен с собственными языковыми моделями внутри корпоративного контура часто упирается в высокую стоимость GPU-оборудования и сложные риски. Внешние сервисы вроде ChatGPT не подходят из-за требований к безопасности данных, а аренда или покупка физических серверов может приводить к переплатам за простой в неактивные часы или, наоборот, падению сервиса при пиковых нагрузках. Помимо самой модели, бизнесу необходимо развертывать и связывать между собой векторные базы данных, сервисы векторизации и оркестраторы сценариев.

Эту проблему решает запуск приватной LLM в облачном Managed Kubernetes. Приватная модель гарантирует конфиденциальность и не отправляет данные во внешние сети, облако переводит капитальные затраты в гибкие операционные, а Kubernetes берет на себя отказоустойчивость и автоматическое масштабирование дорогих GPU-ресурсов. Материал будет полезен DevOps-, MLOps-инженерам и архитекторам, перед которыми стоит задача развернуть изолированную и надежную RAG-систему.

В этой статье рассмотрим, как можно задеплоить LLM в Managed Kubernetes на примере простой RAG-системы. Будем использовать LLM-роутер AIBrix, n8n и vLLM. Дополнительно понадобятся Envoy Gateway (как зависимость для AIBrix), cert-manager (выпустим сертификаты для домена n8n), Qdrant (хранилище для RAG системы) и PostgreSQL в качестве базы данных для n8n.

В первой части мы разобрались с архитектурой Apache Iceberg. Увидели, как иерархия метаданных позволяет находить нужную информацию без полного сканирования хранилища. Также стало понятно, почему Iceberg — это не вычислительный движок и не формат файлов, а табличная спецификация поверх объектного хранилища. 

Теперь настало время ответить на практический вопрос: как все эти метаданные связать в единую систему, чтобы несколько движков могли работать с одними и теми же таблицами без хаоса. Помимо теории развернем HMS в Docker, настроим PyIceberg и разберем внутреннюю анатомию файла metadata.json.

Привет! Я Денис, старший бэкенд-разработчик в Selectel. Надеюсь, материал будет полезен инженерам данных и архитекторам. Мы рассмотрим Hive Metastore, AWS Glue, REST Catalog и Nessie и расскажем как выбрать подходящий инструмент под специфику проекта.

В июле 2026 вышло сразу несколько продуктов, которые демонстрируют две тенденции. Первая: воздушное охлаждение окончательно перестает справляться, и водоблоки появились даже на накопителях. Вторая: узким местом инференса и расчетов стала не арифметика, а память, и обходить это ограничение вендоры начали каждый по-своему. Ну и наконец PCIe 6.0 добрался до серийных продуктов. Разбираем, что именно показали вендоры.

Полтора месяца ушло на то, чтобы среди кучи вакансий, не стыкующихся с моей учебой в универе, найти этот бриллиант. Вернулся я однажды с пар, сижу на бирже труда — и нахожу объявление: «Учитель информатики для детей, без опыта, требования — студент вуза на технической специальности».

Шел на собеседование с мыслью: раз я инженер, с техникой работаю нормально, то и детям объяснить получится, слова попроще подберу. Никогда до этого отклика я всерьез не рассматривал себя в роли преподавателя. Да и какой из меня преподаватель — для этого вроде педагогический нужно оканчивать.

Через пару дней такой работы я был приятно удивлен. Я думал, что шел на эту работу как на простой способ заработка: отработал норму — свободен. А по факту я стал смотреть на мир совсем другими глазами. Этому меня научили дети.

Космическая обсерватория NASA Swift больше 20 лет работает на околоземной орбите, изучая гамма-всплески и другие феномены Вселенной. Несмотря на солидный возраст, научные приборы обсерватории остаются исправными. Однако в последние годы Swift стал терять высоту. Без посторонней помощи аппарат может войти в плотные слои атмосферы и сгореть уже до конца года.

NASA решило спасти работающую обсерваторию необычным способом. К ней отправили аппарат LINK, который должен догнать Swift, захватить его роботизированными манипуляторами и поднять на более высокую орбиту. Но вскоре после запуска проблемы возникли уже у самого спасателя: LINK потерял нормальную ориентацию и начал быстро вращаться. Теперь инженерам приходится сначала спасать этот аппарат, а уж потом думать, что делать с обсерваторией. Давайте разбираться.

Одноплатники становятся мощнее, но при этом умудряются сохранять весьма скромные размеры. Среди новинок последних месяцев есть 12-ядерная Orange Pi 6 с двумя слотами для NVMe, крошечная NanoPi с двумя гигабитными сетевыми портами и x86-плата на свежих процессорах Intel Wildcat Lake. Памяти тоже становится больше: некоторые модели получили до 32 ГБ.

Есть и другие нововведения. В новых платах появились NPU для локальной работы с нейросетями, сети 2.5 GbE, несколько интерфейсов для камер и отдельные ядра реального времени. Причем размер некоторых плат крохотный, всего 45 × 45 мм. Давайте оценим пять интересных моделей, представленных летом 2026 года.

В марте 2026 года Google публикует пост про алгоритм сжатия памяти для языковых моделей. Звучит скучно, правда? Но акции Micron, SanDisk, Samsung, SK Hynix и других производителей памяти за неделю теряют суммарно почти $90 млрд капитализации. Инвесторы паникуют: если модели начнут тратить в разы меньше памяти, то зачем столько железа?

Алгоритм, который навел весь этот шум, называется TurboQuant — герой этой статьи.

Я не буду говорить, что это «революция» или «переворот в индустрии» — это было бы явное преувеличение. Но штука действительно интересная, и уже есть рабочие реализации. Если вы деплоите LLM в продакшн или просто прогоняете модели локально, то вам 100% будет полезно об этом узнать. Разберем, что из заявленного правда, а что преувеличение, и главное — как это попробовать прямо сейчас.

На связи Андрей, руководитель направления безопасности облака в Selectel. В статье расскажу, как работать с индексами Wazuh напрямую через OpenSearch. Такой подход пригодится, когда встроенных возможностей Wazuh уже не хватает: нужно собрать собственный отчет, посчитать статистику по всей инфраструктуре, настроить нестандартный алертинг или выгрузить данные для BI и других внешних систем. Вместо того чтобы обходить ограничения дашбордов, мы научимся работать с тем, где эти данные хранятся на самом деле.

Под катом разберем, какие индексы есть в Wazuh 4.14, как устроены документы внутри них, как безопасно читать данные из Python и не создавать лишнюю нагрузку на кластер. А в конце посмотрим, что изменится в Wazuh 5.0 и к чему стоит подготовить свои скрипты уже сейчас. Небольшой спойлер: индексы там переименовали целиком.

Привет, Хабр! В июле мы добавили выгрузку аудит-логов в объектное хранилище, расширили географию сетевых дисков, улучшили работу Managed Kubernetes и реализовали еще несколько важных обновлений. Обо всех обновлениях в продуктах Selectel читайте под катом!

Привет! Я — Аля, старший продакт-менеджер выделенных серверов в Selectel. За последние полтора года в мире сетей для ИИ произошла серия событий, которые по отдельности выглядят как обычные корпоративные новости, но вместе они складываются в любопытную картину.

Broadcom с октября 2025 года серийно отгружает коммутатор Tomahawk 6 «Davisson» с оптикой, встроенной прямо в корпус чипа, а его предшественник разошелся десятками тысяч штук. NVIDIA анонсировала собственные коммутаторы с той же технологией и уже запустила их в производство. Marvell в феврале 2026 года купила стартап Celestial AI, сумма сделки — около $3,3 млрд. Стартап Ayar Labs в марте 2026 года привлек $500 млн при оценке $3,75 млрд, и среди его инвесторов одновременно NVIDIA и AMD. А Lightmatter инвесторы оценили в $4,4 млрд еще до первого массового продукта.

Все эти ставки сделаны на одну и ту же технологию — совместно упакованную оптику, CPO (co-packaged optics), то есть оптику, собранную в одном корпусе с чипом. Да, но оптика в дата-центрах — вообще-то не новость. Оптоволокно носит трафик между городами уже полвека, а между серверными стойками пару десятилетий. Что такого могли придумать в этой области, чтобы настолько разные компании синхронно понесли туда свои миллиарды? 

В статье разберемся, что такое совместно упакованная оптика, при чем тут фотонный интерконнект и что все эти компании на самом деле покупают.

В отчете The State of AI 2025 агентство McKinsey заявляет, что 88% компаний уже используют ИИ хотя бы в одном бизнес-процессе. Grand View Research отмечает, что по их прогнозам глобальный рынок вырастет до 3,5 триллионов долларов к 2033. Уже сейчас мы можем отследить эту динамику.

Однако AI-сервисы не бесплатны. Компании, которые начали с токенизированных API, часто обнаруживают, что при реальной нагрузке их счета растут быстрее, чем польза от ИИ. Поэтому возникает вопрос: как развернуть искусственный интеллект на собственной инфраструктуре и не переплатить.

Привет! Привет! Меня зовут Сергей Ковалёв, я менеджер продукта в Selectel. В статье отвечу на этот вопрос, сравню токенизированные API с on-premise и разберу, когда собственное железо будет выгоднее арендованного. Подскажу, как выбрать модель в зависимости от задачи и GPU под разные сценарии: от простого чат-бота на L4 до многоагентных систем на HGX B300. А в конце дам пошаговый план, как перейти с токенов на собственную инфраструктуру и посчитать реальную стоимость запроса.

Планировщик процессов — одна из важнейших подсистем ядра Linux. Именно он определяет, какой поток получит процессорное время в каждый конкретный момент. Несмотря на многоядерность современных компьютеров, количество одновременно выполняемых задач практически всегда значительно превышает доступные вычислительные ресурсы. Поэтому ядру необходимо постоянно принимать решения о распределении процессорного времени между задачами.

Привет! Я Никита, разработчик системного ПО в Selectel. В этой статье рассмотрим эволюцию трех наиболее известных планировщиков Linux: O(1), CFS (Completely Fair Scheduler) и EEVDF (Earliest Eligible Virtual Deadline First).

Сохранение в играх — настолько привычная и базовая вещь, что многие воспринимают ее как нечто само собой разумеющееся и не особо хитрое. Открыли сундук, сменили локацию, вышли из дома персонажа, победили босса — и в углу экрана на долю секунды мигает иконка сохранения.

Кажется, что игра просто скинула файл на диск. На деле за эти доли секунды успевает отработать длинная цепочка: игровой движок превращает состояние виртуального мира в поток байт, операционная система решает, куда их писать, контроллер SSD выбирает физические ячейки памяти, а между делом происходят миллионы операций в процессоре. Чтобы понять, почему это так устроено, стоит сначала посмотреть, как система сохранений вообще появилась в играх — а потом уже разобрать современный конвейер сохранения, от объекта в памяти до заряда в транзисторе.

Меня зовут Влад, я фуллстек-разработчик в Selectel. Есть распространенное мнение, что для серьезной агентской разработки хорошо подходят только коммерческие модели вроде Claude и ChatGPT, а open-source модели всегда остаются на вторых ролях. В реальном корпоративном проекте выбор устроен сложнее: в первую очередь думаешь, что можно модели передать, а уже потом — какую модель использовать.

В моих сценариях внешние модели я использую для ресерча и AI-ассиста на данных, за которые можно не переживать, а задачи с закрытым кодом или внутренней документацией выполняются с self-hosted GLM внутри управляемого контура. В статье расскажу, как harness делает такой внутренний контур практически применимым и как оптимизировать итоговый процесс в гибридном режиме.

Представьте: вы с другом в детстве живете в разных домах, и окна ваших комнат выходят друг на друга. Вечером, когда вас зовут на ужин по домам, вы больше не можете общаться со своим другом, ведь ввиду возраста у вас еще нет телефонов (вот было время...). Зато родители подарили каждому из вас по фонарику.

Вы заранее договорились, что один клик фонариком — это привет, два клика — пока, да и вообще каждому количеству кликов можно придать свое значение. Например, моргаете 8 раз, и по вашей договоренности друг понимает, что вы предлагаете встретиться завтра во дворе в 8 утра. А как быть, если нужно передать сообщение, о котором вы заранее не договаривались?

Тут мы подбираемся к сути кодировки: кодирование — это есть замена одной единицы информации на другую, которая в данных условиях просто удобнее передается. Вы несете одинаковый смысл и когда говорите слово «привет», и когда мигаете фонариком один раз. Первое, что приходит в голову, когда нужно расширить ваши возможности общения, — это закодировать буквы по алфавиту, где А — 1 щелчок, а Я — 33 щелчка, и с помощью букв уже собирать любые слова. Но, конечно, не все так просто.

Исследователи AISLE обнаружили критическую уязвимость, которая затрагивает Cursor, Microsoft Visual Studio Code и Google Antigravity. Проблема позволяла злоумышленнику добиться удаленного выполнения кода (RCE), если разработчик открывал специально подготовленную ссылку в сообщении Git-коммита. 

Несмотря на то, что исправления уже выпущены всеми тремя вендорами, инцидент показал новую проблему всей экосистемы AI-IDE — наследование уязвимостей между продуктами, построенными на общей кодовой базе. По оценке исследователей, потенциально под угрозой могли находиться около 50 миллионов пользователей.