Просто о сложном
Используй стрелки ← → для навигации
Large Language Model — Большая Языковая Модель
LLM — это программа, которая предсказывает следующее слово на основе всех предыдущих. Делает она это настолько хорошо, что создаётся впечатление понимания и мышления.
Представь автозаполнение в телефоне, но в миллион раз умнее. Ты пишешь «Привет, как...» — телефон предлагает «дела». LLM делает то же самое, но может «дописывать» целые эссе, код и стихи.
Книги, статьи, код, форумы — триллионы слов. Модель ищет паттерны: какие слова обычно идут друг за другом.
Миллиарды параметров (весов) запоминают эти паттерны. Параметры — это «нейроны» модели.
Люди оценивают ответы модели: «этот хороший, этот плохой». Модель учится отвечать полезнее (RLHF).
Модель не «знает» факты — она знает статистику языка. Но эта статистика настолько богата, что выглядит как знание.
Anthropic
Opus, Sonnet, Haiku
OpenAI
ChatGPT
Google
DeepMind
Meta
Open Source
Mistral AI
Франция
DeepSeek
Китай
Валюта языковых моделей
Токен — это кусочек текста, с которым работает модель. Это не всегда целое слово — может быть часть слова, пробел или знак препинания.
Если текст — это конструктор LEGO, то токены — это отдельные кубики. Модель не видит готовую картинку — она работает с кубиками и собирает из них ответ, по одному за раз.
Фраза: «Привет, как дела?»
6 токенов
Фраза: «Hello, how are you?»
6 токенов
Русский текст обычно требует больше токенов, чем английский — модели обучались в основном на английском.
API моделей тарифицируется за токены. Больше токенов = дороже запрос. Обычно цена за 1M (миллион) токенов.
У каждой модели есть лимит токенов — контекстное окно. Если текст слишком длинный, он не поместится.
Модель генерирует по одному токену за шаг. Больше токенов в ответе = дольше ждать.
~1 токен ≈ 4 символа на английском. ~1 токен ≈ 1-2 символа на русском. 1 страница текста ≈ 300-500 токенов.
Рабочая память модели
Контекстное окно — это максимальный объём текста, который модель может «видеть» одновременно: ваш запрос + её ответ + вся история диалога.
Представь рабочий стол. Контекстное окно — это размер стола. Чем больше стол, тем больше документов ты можешь разложить и видеть одновременно. Маленький стол = приходится убирать старые документы, чтобы положить новые.
GPT-3 (2020) — 4K токенов ≈ 3 страницы
GPT-4 (2023) — 128K токенов ≈ 100 страниц
Claude Opus (2025) — 200K токенов ≈ 150 страниц
Gemini 2.0 (2025) — 1M токенов ≈ 750 страниц
Когда диалог становится длиннее контекстного окна, самые старые сообщения «выпадают» — модель их больше не видит.
Вот почему в длинных чатах модель может «забыть» то, что обсуждали в начале — эти токены уже выпали из окна.
Если модель «забыла» важную информацию — просто повторите её в новом сообщении. Или начните новый чат с ключевыми фактами в первом сообщении.
Как правильно разговаривать с LLM
Промпт (prompt) — это текст, который вы отправляете модели. Качество ответа напрямую зависит от качества вопроса. Мусор на входе = мусор на выходе.
LLM — это супер-умный стажёр. Он может сделать почти всё, но ему нужна чёткая задача. Скажи «сделай красиво» — получишь непредсказуемый результат. Скажи «сделай таблицу с 3 колонками в минималистичном стиле» — получишь именно это.
«Расскажи про маркетинг»
«Составь план email-маркетинга для интернет-магазина одежды на 1 месяц. Бюджет 50 000 руб. Целевая аудитория — женщины 25-35 лет. Формат: таблица по неделям.»
«Напиши код»
«Напиши функцию на Python, которая принимает список email-адресов и возвращает только валидные. Используй регулярные выражения. Добавь docstring и 3 теста.»
«Ты — опытный юрист, специализирующийся на трудовом праве...»
«У нас стартап, 10 человек, B2B SaaS для логистики...»
«Ответь в виде нумерованного списка / таблицы / JSON / пошагово...»
«Вот пример того, что я хочу получить: [пример]. Сделай аналогично для...»
«Думай пошагово» — попроси модель рассуждать по шагам. Это реально улучшает качество ответов на сложные вопросы!
Не пытайся написать идеальный промпт с первого раза. Уточняй и дополняй в диалоге.
Разбей сложную задачу на шаги. Каждый шаг — отдельный промпт.
«Не используй X», «Ответ не длиннее Y строк», «Только на основе данного текста».
Как уместить гиганта в ноутбук
LLM — это миллиарды чисел (параметров). Каждое число хранится с высокой точностью. Модель с 70 миллиардами параметров в полном качестве занимает ~140 ГБ видеопамяти. Это несколько видеокарт за $20 000+.
Представь фотографию в формате RAW (50 МБ) vs JPEG (5 МБ). Разница в качестве почти незаметна глазу, но файл в 10 раз меньше. Квантизация делает то же самое с «весами» нейросети — округляет числа, чтобы модель занимала меньше памяти.
140 ГБ
70 ГБ
35 ГБ
~18 ГБ
* Размеры указаны для модели с 70B параметров
Хочешь запустить LLM на своём ноутбуке? Без квантизации не обойтись. INT4-версии работают даже на MacBook с 16 ГБ RAM.
Меньше памяти = дешевле серверы = дешевле API. Компании квантизируют модели для продакшена.
Квантизированные модели работают быстрее — меньше данных нужно обрабатывать.
Ollama, llama.cpp, GGUF — популярные инструменты для запуска квантизированных моделей локально.
Путь от вопроса до ответа
Ваш текст разбивается на токены и превращается в числа. Каждый токен — это число из «словаря» модели (обычно ~50 000 — 150 000 токенов в словаре).
«Расскажи про космос»
↓
Расскажи про космос↓
[8492, 15743, 2891, 44521, 9103]
Каждый токен превращается в вектор — координаты на «карте смыслов». Похожие слова → рядом. Разные → далеко.
Карта смыслов в 2D. В реальности — тысячи измерений. Похожие слова группируются, далёкие — разлетаются.
Ядро модели — механизм внимания (Attention). Каждый токен «смотрит» на все остальные и определяет, какие важны для контекста.
«он» сильнее всего связан с «Кот» — толстая яркая линия. Связь с «коврик» — слабая.
Модель выдаёт вероятности для каждого возможного следующего токена. Из них выбирается один — и процесс повторяется.
Следующий токен после «Космос — это»:
Temperature = 0 → всегда «бесконечное». Temperature = 1+ → может выбрать «загадочное» — ответ разнообразнее, но менее предсказуем.
Temperature — это параметр «креативности» модели. Он управляет тем, насколько предсказуемо модель выбирает следующий токен из списка вероятностей.
Представь шеф-повара. При temperature = 0 он всегда готовит своё фирменное блюдо — идеально, но одинаково. При temperature = 1 он импровизирует: добавляет новые специи, пробует комбинации. При temperature = 2 он бросает в кастрюлю всё подряд — иногда гениально, чаще хаос.
Всегда выбирает самый вероятный токен. Один и тот же промпт → один и тот же ответ. Идеально для кода, SQL, фактов.
Баланс. Небольшое разнообразие, но ответ остаётся связным. Хороший дефолт для большинства задач.
Менее вероятные токены получают шанс. Ответы разнообразнее, но могут быть менее логичными. Для креатива, brainstorm.
Вероятности токенов делятся на temperature перед softmax. T=0.5 → разрыв между лидером и остальными увеличивается (лидер выигрывает чаще). T=2.0 → разрыв сглаживается (все токены почти равновероятны).
Модель генерирует ответ по одному токену за раз. Каждый новый токен добавляется к контексту, и весь процесс повторяется.
Каждый шаг — это полный проход через все слои трансформера. Для ответа в 500 токенов модель делает 500 таких проходов. Вот почему длинные ответы генерируются долго.
Терминальные помощники для разработчиков
AI CLI — это ИИ-ассистент прямо в терминале. Он видит твой проект, может читать и редактировать файлы, запускать команды — и всё это через текстовый диалог в консоли.
Представь, что в твоём терминале сидит опытный разработчик. Ты описываешь задачу словами, а он сам находит нужные файлы, пишет код, запускает тесты и фиксит баги. Ты лишь подтверждаешь его действия.
CLI-инструмент от Anthropic. Работает в терминале, видит весь проект, может читать/писать файлы, запускать bash-команды.
Opus, Sonnet, Haiku. Контекст до 1M токенов. Агентный режим — сам исследует код, планирует и выполняет.
Субагенты, параллельные задачи, MCP-серверы, хуки, автоматические коммиты и PR, поддержка IDE (VS Code, JetBrains).
Рефакторинг, фикс багов, написание тестов, code review, исследование незнакомого кодбейза, миграции.
npm install -g @anthropic-ai/claude-code && claude
CLI-агент от OpenAI. Open source. Работает в терминале с моделями GPT-4o и o3/o4-mini. Песочница для безопасного выполнения команд.
suggest (только предлагает), auto-edit (редактирует с подтверждением), full-auto (полная автономия в песочнице).
npm install -g @openai/codex && codex
CLI от Google на базе Gemini 2.5 Pro. Open source. Контекст 1M токенов. Бесплатный тариф — до 60 запросов/мин для личного использования.
Интеграция с Google-экосистемой. Поддержка MCP-серверов. Мультимодальность — понимает изображения и скриншоты.
npm install -g @anthropic-ai/claude-code && gemini (шутка) npm install -g @google/gemini-cli && gemini
Лучший агентный режим. Субагенты. Глубокий анализ кода. Платный (подписка Anthropic).
Open source. Песочница. Хорош для простых задач. Нужен API-ключ OpenAI.
Бесплатный тариф. 1M контекст. Google-экосистема. Нужен Google-аккаунт.
Все три инструмента можно попробовать бесплатно (или почти). Лучший способ выбрать — попробовать каждый на реальной задаче из своего проекта.
Редакторы кода со встроенным ИИ
Форк VS Code со встроенным ИИ. Выглядит и работает как VS Code, но с суперспособностями: автокомплит, чат, агент — всё из коробки.
Tab-автокомплит (предсказывает целые блоки), Cmd+K (редактирование по описанию), агентный режим, встроенный чат с контекстом проекта.
Claude, GPT-4o, собственные модели Cursor. Можно подключить свой API-ключ. Автоматически выбирает лучшую модель для задачи.
Free (ограниченно), Pro $20/мес, Business $40/мес. Все расширения VS Code совместимы.
AI IDE от Codeium (теперь OpenAI). Акцент на «flow» — ИИ работает параллельно с тобой, предугадывая следующие действия.
Агентный движок. Понимает весь проект, может вносить изменения в несколько файлов одновременно, запускать команды.
Расширение для VS Code / JetBrains. Автокомплит и чат от GitHub (Microsoft). $10/мес или бесплатно для студентов и open source.
Сверхбыстрый автокомплит (300K контекст). Расширение для VS Code, JetBrains, Neovim. Бесплатный тариф.
Open source расширение для VS Code / JetBrains. Подключает любую модель — облачную или локальную (Ollama).
Open source расширение для VS Code. Агентный режим — сам создаёт файлы, запускает терминал. Работает с любым API.
+ Полный контроль
+ Автоматизация и скрипты
+ Работает по SSH / на серверах
+ Нет привязки к редактору
− Нет визуального интерфейса
− Порог входа выше
+ Визуальный diff изменений
+ Tab-автокомплит в реальном времени
+ Низкий порог входа
+ Привычный интерфейс
− Привязка к конкретному редактору
− Меньше гибкости
Многие разработчики используют оба подхода: IDE для повседневной работы + CLI для сложных задач (рефакторинг, миграции, исследование кода).
Единый доступ ко всем моделям
OpenRouter — это агрегатор API для языковых моделей. Один API-ключ даёт доступ к сотням моделей: Claude, GPT-4, Gemini, LLaMA, Mistral, DeepSeek и многим другим.
Это как агрегатор такси: вместо установки отдельных приложений (Uber, Яндекс, Bolt) — одно приложение, которое показывает все варианты и цены. OpenRouter — тот же принцип для LLM API.
Не нужно заводить аккаунты у каждого провайдера. Один API-ключ OpenRouter = доступ к 200+ моделям.
Видишь цену за токен для каждой модели. Можно выбрать оптимальное соотношение цена/качество для задачи.
Если одна модель недоступна — автоматически переключается на другую. Надёжность для продакшена.
Легко сравнить ответы разных моделей на один и тот же промпт. Идеально для выбора модели под задачу.
OpenRouter совместим с OpenAI API форматом. Это значит, что почти любой инструмент, который умеет работать с OpenAI — может работать и с OpenRouter. Просто смени base URL и API-ключ.
Settings → Models → OpenAI API compatible → вставить URL и ключ OpenRouter
config.json → провайдер «openrouter» → любые модели через единый конфиг
Нативная поддержка OpenRouter — выбираешь провайдер из списка
openai SDK → base_url="https://openrouter.ai/api/v1" — и готово
Бесплатные и открытые альтернативы
Open source терминальный AI-ассистент. Красивый TUI (текстовый интерфейс). Написан на Go. Работает с любым провайдером: Anthropic, OpenAI, OpenRouter, Ollama.
LSP-интеграция (понимает типы и ошибки), сессии, подключение файлов по @ — похож на Claude Code, но open source и бесплатный.
Один из старейших AI CLI для кодинга. Open source, Python. «AI pair programming в терминале». Интеграция с git из коробки — автокоммиты.
Поддержка множества моделей (Claude, GPT, Gemini, DeepSeek, локальные). Architect mode — одна модель планирует, другая кодит. Бенчмарки кодинга.
pip install aider-chat && aider
Ollama позволяет запускать LLM локально на своём компьютере. Никаких API-ключей, никакой отправки данных в облако. Всё работает офлайн.
LLaMA 3.3, Qwen 2.5, DeepSeek-R1, Mistral, Gemma, CodeLLaMA — сотни моделей одной командой.
Данные не покидают твой компьютер. Идеально для работы с конфиденциальным кодом и документами.
brew install ollama && ollama run llama3.3
Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode
Cursor, Windsurf, GitHub Copilot, Cline, Continue.dev, Supermaven
OpenRouter — единый ключ ко всем моделям
Ollama, llama.cpp, LM Studio — модели на своём железе
Не нужно выбирать что-то одно. Комбинируй инструменты: Cursor для ежедневного кодинга + Claude Code для сложных задач + Ollama для приватных данных + OpenRouter для экспериментов.
LLM с руками, глазами и командой
Агент — это LLM, которая умеет не только думать, но и действовать: читать файлы, запускать команды, вызывать API, писать код — и сама решает, что делать дальше на каждом шаге.
Обычный ChatGPT — это эксперт в стеклянной комнате. Он видит только то, что ты ему покажешь через окошко, и может только говорить в ответ. Агент — это тот же эксперт, но с ключами от офиса: он может сам открывать шкафы, пользоваться компьютером и делать работу.
Вопрос → Ответ текстом. Не видит файлы, не может запустить код, не помнит прошлый чат.
Задача → Думает → Действует → Наблюдает результат → Думает снова → ... → Готово.
Агент крутится в цикле, пока задача не решена. Каждый виток — новый шаг к цели.
Субагент — это агент, которого запускает другой агент. Главный агент (оркестратор) делегирует сложные подзадачи специализированным субагентам, каждый со своим контекстом.
Тимлид не пишет весь код сам. Он разбивает задачу: «Петя — сделай API, Маша — напиши тесты, Саша — обнови документацию». Каждый работает параллельно в своей ветке. Тимлид собирает результаты. Субагенты — это то же самое, но вместо людей — LLM-процессы.
Скилл — это конкретное действие, которое агент может вызвать: прочитать файл, выполнить bash-команду, сделать HTTP-запрос, отредактировать код. Без скиллов агент — просто чат.
Скиллы — это приложения на телефоне. Сам телефон (LLM) умный, но без приложений бесполезен. Установил Google Maps (скилл навигации) — теперь может проложить маршрут. Установил камеру (скилл чтения файлов) — теперь видит документы.
Читает файлы из проекта. Агент сам решает, какой файл открыть.
Редактирует код точечно — заменяет конкретные строки, не переписывая файл целиком.
Ищет по содержимому файлов и по именам. Как Ctrl+Shift+F в IDE.
Запускает терминальные команды: тесты, билд, git, npm, pip — что угодно.
Ищет информацию в интернете и загружает веб-страницы.
Запускает другого агента для параллельной работы над подзадачей.
Rules — это инструкции, которые агент читает перед каждым действием. Они задают стиль кода, ограничения, соглашения команды. Хранятся в файлах CLAUDE.md, .cursorrules, .clinerules и т.д.
Rules — это как Code Style Guide и README для нового разработчика. Когда в команду приходит стажёр, ты даёшь ему документ: «Мы используем TypeScript, пишем тесты на Vitest, деплоим через GitHub Actions, коммиты в conventional commits формате». Rules — то же самое для AI.
Агент пишет код по-своему: другой стиль, не те библиотеки, коммиты без формата. Каждый раз нужно объяснять заново.
Агент сразу знает: «TypeScript strict, Vitest для тестов, conventional commits, не трогать папку legacy/». Работает как часть команды.
Мы пишем на TypeScript. Все функции типизированы. Тесты обязательны. Не используй any. База — PostgreSQL. ORM — Prisma. Пиши коммиты в формате: feat|fix|refactor: описание.
MCP — это открытый протокол для подключения внешних инструментов к AI-агенту. Единый стандарт: любой MCP-сервер работает с любым MCP-клиентом (Claude Code, Cursor, Cline и др.).
MCP — это как USB. До USB у каждого устройства был свой разъём. MCP — универсальный разъём для AI: один стандарт подключает базы данных, Jira, Slack, GitHub, Figma, Terraform — что угодно. Написал MCP-сервер один раз → работает везде.
Хуки — это автоматические скрипты, которые срабатывают на определённые события агента: перед выполнением команды, после редактирования файла, при старте сессии и т.д.
Хуки — это как Git Hooks (pre-commit, post-push), но для AI-агента. Например: «после каждого редактирования .py файла — запусти линтер», «перед коммитом — проверь, что нет секретов», «при старте — загрузи контекст проекта из Notion».
Срабатывает перед вызовом инструмента. Можно заблокировать опасные команды: rm -rf, DROP TABLE и т.д.
Срабатывает после. Пример: после Edit → запустить eslint/prettier автоматически.
При старте сессии. Загрузить контекст проекта, проверить окружение, подтянуть последние изменения.
Отправить уведомление при завершении долгой задачи — в Slack, Telegram или системное оповещение.
PostToolCall (Edit *.py) → "ruff check --fix $FILE" — автолинтинг после каждого редактирования Python-файла
Agents Team — это несколько специализированных агентов, работающих вместе над одной задачей. У каждого своя роль, свои инструменты и свои правила.
Это как настоящая dev-команда. У тебя есть: фронтенд-разработчик (знает React, имеет доступ к Figma), бэкенд (знает Go, имеет доступ к БД), DevOps (знает Terraform, имеет доступ к облаку). Каждый видит только свой scope и имеет только свои инструменты.
LLM + цикл «думай → действуй → наблюдай». Мозг операции.
Помощники, которых агент создаёт для параллельной работы.
Конкретные действия: Read, Edit, Bash, WebSearch и кастомные.
Инструкции и ограничения. Code style, запреты, соглашения команды.
Универсальный протокол подключения внешних сервисов и данных.
Автоматические реакции на события: линтинг, проверки, уведомления.
Несколько агентов с разными ролями, работающих параллельно над задачей.
Полноценная AI-команда, которая кодит, тестирует и деплоит.
14 бесплатных моделей: Gemini API + OpenRouter — прямо в презентации
Для работы демо нужны API-ключи (бесплатные). Ключи сохраняются только в браузере — никуда не отправляются кроме API провайдеров.
Один промпт — две модели — два ответа параллельно. Выбери любые модели для сравнения.
Один промпт, одна модель, но разная temperature. Смотрим как меняется «креативность».
Сколько стоит AI в 2026
| Сервис | Free | Базовый | Pro | Max |
|---|---|---|---|---|
| 🟢 ChatGPT | $0 | $8 Go | $20 Plus | $200 Pro |
| 🟣 Claude | $0 | — | $20 Pro | $200 Max 20x |
| 🔵 Gemini | $0 | $8 Plus | $20 Pro | $42 Ultra |
| 🟠 Mistral | $0 | — | $15 Pro | $25 Team |
$20/мес — стандарт индустрии (ChatGPT Plus, Claude Pro, Cursor Pro). Самый дешёвый вход — Gemini Plus за $8.
| Инструмент | Free | Pro | Pro+ | Teams |
|---|---|---|---|---|
| ⚡ Cursor | $0 50 req | $20 | $60 | $40/user |
| 🤖 Copilot | $0 50 req | $10 | $39 | $19/user |
| 🟣 Claude Code | нет | $20 Pro | $100-200 Max | $150/user |
| 🔵 Gemini CLI | $0 1000/day! | Бесплатный, нужен только Google аккаунт | ||
Gemini CLI — 1,000 запросов/день бесплатно. Copilot Pro — $10/мес за доступ к нескольким моделям. OpenCode + Ollama — $0 навсегда (локально).
| Модель | Input/1M | Output/1M | Уровень |
|---|---|---|---|
| DeepSeek V3.2 | $0.28 | $0.42 | cheapest frontier |
| Gemini 2.5 Flash-Lite | $0.10 | $0.40 | ultra-cheap |
| GPT-5.4 Nano | $0.20 | $1.25 | budget OpenAI |
| Claude Haiku 4.5 | $1.00 | $5.00 | budget Anthropic |
| Gemini 2.5 Flash | $0.30 | $2.50 | sweet spot |
| Claude Sonnet 4.6 | $3.00 | $15.00 | premium |
| Claude Opus 4.6 | $5.00 | $25.00 | flagship |
| GPT-5.4 Pro | $30.00 | $180.00 | most expensive |
DeepSeek V3.2 output: $0.42/1M. GPT-5.4 Pro output: $180/1M. Разница в 430 раз за output. Для большинства задач дешёвые модели работают достаточно хорошо.
250 req/day Flash, 100/day Pro, 1000/day Flash-Lite. Без кредитки. Лучший бесплатный API.
14,400 req/day (8B), 1,000/day (70B). 30 RPM. Сверхбыстрый инференс. Без кредитки.
50 req/day free, 1,000/day при $10+ на балансе. ~27 бесплатных моделей. 20 RPM.
Безлимит навсегда. Нужно только железо: 16 ГБ RAM для 7B моделей, 64 ГБ для 70B.
Для экспериментов — Google AI Studio / Groq (щедрые лимиты). Для приватных данных — Ollama. Для продакшена — выбирай по цене/качеству: DeepSeek (cheapest), Gemini Flash (balanced), Claude Sonnet (premium).
Как CLI/IDE-агенты решают реальные задачи Data-специалистов
Ручное написание DDL-скриптов, конфигурация инфраструктуры, поддержание Data Quality — рутина, которая отъедает часы.
Агент подключается к тестовой БД, профилирует таблицы, находит аномалии и автоматически генерирует Terraform/dbt модели.
«Подключись к PostgreSQL, спрофилируй таблицу orders: найди NULL-колонки >5%, дубли по order_id, выбросы в amount. Сгенерируй dbt-тест для каждой найденной проблемы.»
Описываешь сущности словами — получаешь готовые CREATE TABLE с constraints и индексами
Агент анализирует распределения, типы, NULL-rate, кардинальность — и генерирует отчёт
Автоматическая генерация Terraform, dbt models/tests, Airflow DAGs из описания пайплайна
Сложные SQL с window-функциями, чистка грязных CSV, ручной exploratory analysis — каждый отчёт с нуля.
IDE как SQL-копайлот: скармливаешь схему — получаешь оптимизированный SQL. CLI-агент пишет и запускает Python для очистки данных и извлечения инсайтов.
«Вот схема таблиц sales и products (DDL прилагается). Напиши SQL: топ-10 продуктов по выручке за последний квартал с rolling average за 7 дней и процент от общей выручки категории.»
Агент пишет Python-скрипт: парсит CSV, заполняет пропуски, нормализует форматы дат и валют
Объясняешь задачу на естественном языке — получаешь оптимизированный запрос с CTE и window-функциями
«Проанализируй этот датасет и дай топ-3 инсайта» — агент сам выбирает метод анализа и визуализацию
Разбор 100-страничных PDF-регламентов, поддержание глоссариев и формул расчёта метрик в актуальном состоянии.
Docs-as-Code: CLI-агент парсит тяжёлые PDF, извлекает формулы расчёта метрик в строгий JSON-формат — единый источник правды.
«Вот PDF методологии расчёта KPI (прилагается). Извлеки все метрики в JSON-формат: {name, formula, source_tables, granularity, business_owner}. Отметь конфликты между разделами.»
Автоматическое извлечение структурированных данных из регламентов и нормативных документов
Агент сравнивает определения терминов между документами и находит противоречия
Проверка формул метрик на консистентность: «метрика A зависит от B, но B не определена»
Ключевой приём для всех ролей: не отправляй данные — отправляй схему. Экспортируй DDL, JSON Schema или структуру CSV. Агент генерирует код, ты запускаешь его локально на реальных данных.
Данные не покидают корпоративный контур. AI видит только структуру — колонки, типы, связи.
Агент генерирует dummy-данные с тем же распределением для тестирования пайплайнов до деплоя в прод.
Предсказывает следующий токен, обучившись на огромных объёмах текста
Кусочки текста — единица измерения. Влияют на цену и скорость
Рабочий стол модели — сколько текста видит одновременно
Чёткий запрос = чёткий ответ. Роль + контекст + формат
Сжатие модели — RAW → JPEG для нейросетей
Токенизация → эмбеддинги → attention → генерация
Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode — ИИ-ассистенты прямо в терминале для полного контроля
Cursor, Windsurf, Copilot, Cline — встроенный ИИ в редакторе кода для быстрой повседневной работы
Один API-ключ → 200+ моделей. Агрегатор для сравнения, экспериментов и продакшена
Ollama, LM Studio — запуск LLM на своём железе. Приватность и офлайн-работа
Вопросы?