Статті й конспекти від тих, хто вчиться
Конспекти з IT, з якими вчитися простіше
Читайте статті спільноти про DevOps, QA, Python, Frontend і ще 80+ напрямів. Імпортуйте найкращі собі, доповнюйте своїми нотатками й відмічайте, що вже вивчили.
- 50 статей
- 12 авторів
- 1 імпорт
Статті з командами, прикладами й поясненнями — від людей, які вчаться так само, як ви.
Один клік — і стаття стає вашою нотаткою: доповнюйте, виправляйте, перечитуйте.
Статуси «вчу» та «вивчено» показують прогрес. А своїми конспектами можна поділитися.
AI Engineer
RAG на практиці: чанкінг, ембеддинги та векторний пошук
Як навчити LLM відповідати за вашими документами: з чого складається RAG-конвеєр, як різати тексти на чанки і чому гібридний пошук майже завжди кращий за чисто векторний.
Локальні LLM: Ollama, llama.cpp і квантизація
Як запустити мовну модель на своєму ноутбуці чи сервері, скільки для цього потрібно пам'яті і що насправді означають позначки Q4_K_M та Q8_0.
Як тестувати LLM-застосунки: evals, золоті набори і LLM-as-a-judge
Юніт-тести не впораються з недетермінованими відповідями. Розбираємо, як побудувати оцінювання якості LLM-фіч: від набору прикладів до автоматичних перевірок у CI.
AI-агенти: tool calling, цикл агента і MCP
Чим агент відрізняється від чат-бота, як влаштований виклик інструментів, навіщо потрібен Model Context Protocol і як не дати агенту наробити шкоди.
Prompt engineering без магії: техніки, що реально працюють
Замість «чарівних фраз» — інженерний підхід до промптів: чітке завдання, контекст, приклади, структурований вивід і перевірка на наборі тестів.
Як працюють LLM: токени, контекстне вікно і температура
Мінімум теорії, без якого не вийде впевнено працювати з мовними моделями: що таке токен, чому модель «забуває» і як параметри генерації змінюють відповідь.