LLM — просто «говорящий рот» у правильного ИИ-агента. Мы забрали у языковой модели рассуждение

мы здесь имеем в виду, что отнимаем направление ризонинга у ллм, прогоняем его теперь уже через 3 слоя (системы 1 и 2 по Канеману + слой 3, который назвали СуперЭго) мышления архитектуры. На выходе она отдает в ллм состояние системы, из которого и складывается структура ответа. Помогает не глючить-не конфабить, держаться контекста даже на очень долгом сроке)

Из OpenAI уходит глава команды Reasoning Models и один из создателей GPT-4

Тренд продолжается) https://www.businessinsider.com/executives-board-members-and-researchers-who-left-openai-in-2025-2025-12

GPT-4o: технический разбор модели, которая взрывает людям мозги

душевная) вот тут есть об этом https://dianawolftorres.substack.com/p/openais-gpt-4o-sycophancy-saga-how

GPT-4o: технический разбор модели, которая взрывает людям мозги

кросскультурную, гуманистическую)

GPT-4o: технический разбор модели, которая взрывает людям мозги

нам как инженерам доступна другая сторона вопроса - строить безопасные и этичные системы ИИ)

GPT-4o: технический разбор модели, которая взрывает людям мозги

когнитивные особенности этих юзеров упали в благодатную почву технически "подшитой на согласие" модели)

LLM — просто «говорящий рот» у правильного ИИ-агента. Мы забрали у языковой модели рассуждение

Почему не langchain выбрали - https://t.me/ena_ai/235 написала пост в тг на эту тему)

Мы построили AI-агента на Python без if/else

https://zenodo.org/records/17389938 одна из наших первых публикаций, слегка устарела, но тем не менее)

Мы построили AI-агента на Python без if/else

придумали, как дать ии-агенту необходимую бесшумность мышления)

Мы построили AI-агента на Python без if/else

приветствую) почему-то в агентных фреймворках редко это вижу)

RAG — это не память. Разбираем архитектуру персистентных AI-агентов

регистрация и бюрократия в процессе. в 2026 выходим в рынок)

RAG — это не память. Разбираем архитектуру персистентных AI-агентов

Мы храним текущее состояние агента (цели, эмоциональный контекст, активные темы) отдельно от долговременной памяти. При каждом взаимодействии система находит релевантные узлы из прошлого и строит связную историю (не просто набор chunks).

Граф мы сериалим в нарратив перед передачей в роутер стейт. LLM видит не "вот 5 похожих фактов", а "вот причинно-следственная цепочка событий с временным контекстом". Это даёт понимание истории, а не просто recall фактов.

Ну гибриды (Neo4j, Weaviate) мощнее чистых векторов или чистых графов. Мы используем комбинацию подходов, но детали реализации — наш competitive advantage 😉

RAG — это не память. Разбираем архитектуру персистентных AI-агентов

а ой. Но в профиле есть. И еще наш ТГ)

Почему LLM не становятся субъектами

он заехал на сервак сегодня)