26 4 мин
Внедрение ИИ в компании: с чего начать
Разбор с обратной стороны: почему пилоты не доживают до продакшена, какой процесс брать первым и по какому признаку понять, что внедрять пока нечего.
рабочий журнал последняя запись — 6 сентября 2026 г.
подчёркнутое слово распадается на токены — так его видит модель
Беру задачи на разбор свободные слоты с середины месяца
по
шаг 03 / 04 σ 0.18
наведите на подчёркнутые слова — так их видит токенизатор
Веду журнал того, что собираю сам: агенты, рабочие контуры, базы знаний и проверки. Пишу про — как оно устроено внутри и почему , — а не про то, что обещают на конференциях.
- записей
- 26
- заметок
- 20
- направлений
- 6
- о чём
- агенты · рабочие контуры · базы знаний · проверки · инструменты
последние
-
- 25 4 мин
Какую нейросеть выбрать под задачу
Процедура выбора из четырёх шагов вместо сравнения бенчмарков: что должно быть решено до модели, по какому признаку сравнивать и когда переходить на другую.
- 24 5 мин
Промпт-инъекции: почему от них нельзя защититься промптом
Инструкции и данные едут в модель одной строкой, и различить их она не умеет. Разбираю, почему фильтры дают ложное спокойствие и что реально ограничивает ущерб.
- 23 5 мин
Локальная нейросеть: когда своя модель дешевле облака
Посчитал стоимость миллиона токенов на арендованной видеокарте и сравнил с ценами API. Результат неожиданный: по деньгам локальная модель почти никогда не выигрывает.
-
Чем ИИ-агент отличается от чат-бота
Разница не в модели и не в интерфейсе, а в том, кто решает следующий шаг. У бота сценарий задан заранее, у агента — выбирается на ходу.
-
Зачем нужен реранкер в поиске
Векторный поиск сравнивает вопрос и фрагмент по отдельности, реранкер смотрит на них вместе. Отсюда и разница: он видит отрицание, которое вектор не видит.
-
Что нельзя отправлять в облачную нейросеть
Отправка персональных данных в зарубежный сервис — это трансграничная передача со своими требованиями. Разбираю практическую границу и что делать, если данные всё-таки нужны.
-
Как посчитать токены в тексте
Токен — не слово и не символ. Считать надо токенизатором конкретной модели, и на русском результат отличается от английского примерно в 1.29 раза.
-
Английский промпт ради экономии токенов
Инструкция на английском занимает вдвое меньше токенов, чем на русском. На системной части это заметные деньги — и заметный риск для регистра ответа.
-
Оценка уверенности почти не калибрована
Попросить модель приписать ответу «уверенность 85%» легко. Считать это число вероятностью нельзя: оно отражает уверенность формулировки, а не знания.
- ИИ-агенты и рабочие контуры 14
- Агентные системы, оркестрация, границы ответственности и связка человека с агентом.
- Базы знаний и память 8
- Как хранить контекст, чтобы он находился: графы, заметки, семантический поиск, память моделей.
- Инструменты разработки 11
- Кодовые агенты, MCP, CLI-обвязка и то, как это меняет ежедневную инженерную работу.
- Автоматизация и интеграции 13
- API, вебхуки, пайплайны и рутина, которую имеет смысл отдать машине.
- Процессы и методология 33
- Как встроить ИИ в работу команды: регламенты, проверки, точки остановки, приёмка.
- Интерфейсы и визуальный язык 1
- Frontend, дизайн-системы и то, как выглядит продукт, собранный вместе с моделью.
работа
Разобрать вашу задачу
Беру работу там, где важно не потратить месяц на эксперименты вслепую: смотрим процесс целиком, выбираем один проверяемый шаг и делаем его.
- Консультация
- 60–90 минут
- Разбираем конкретную задачу: где ИИ действительно помогает, а где вы потеряете время и деньги.
- Разбор контура
- 1–2 недели
- Смотрю на реальный процесс целиком: данные, инструменты, люди, места отказа.
- Сопровождение
- от месяца
- Внедряем вместе: агенты, база знаний, проверки качества и регламент работы с моделью.