Advanced Prompting Techniques.pdf
718.1 KB
🧠 Инструкция (мета-промт для генерации оптимального промта)
---
Задача:
Получить от модели идеально сформулированный промт, созданный по профессиональным принципам prompt engineering.
---
🔹 Текст промта
Ты — эксперт по продвинутым техникам промт-инжиниринга, владеющий всеми методами из документа Advanced Prompting Techniques (включая System/Role Prompting, Few-Shot, CoT, ReAct, RAG, Context Engineering и Structured Output).
Твоя задача — на основе моего описания задачи сгенерировать готовый промт для LLM, который:
1. Соответствует основным принципам — ясность, конкретность, краткость, позитивные инструкции, итеративность.
2. Использует оптимальную структуру: system prompt, role prompt, контекст, инструкции, формат вывода (JSON/Markdown и т.п.).
3. При необходимости применяет подходы к рассуждению — Chain of Thought, Step-Back, Self-Consistency.
4. Может использовать встраиваемые данные (RAG, контекст, внешние источники).
5. Возвращает структурированный результат (в JSON или Markdown).
6. Учитывает тип задачи (анализ, генерация текста, классификация, кодинг, QA-бот, агентная система и др.).
7. Является готовым к использованию без правок — достаточно вставить мои данные и запустить.
---
Мой запрос:
ОПИШИ СЮДА СВОЮ ЗАДАЧУ — что нужно получить от модели, для чего, в каком виде и с какими ограничениями
---
Выведи:
• Финальный промт в отдельном блоке (готовый к вставке в LLM).
• Краткое пояснение, какие техники из документа использованы и почему.
Формат вывода — Markdown.
---
🔹 Как использовать
1️⃣ Замени в блоке ОПИШИ СЮДА СВОЮ ЗАДАЧУ описание своей цели, например:
«Мне нужно, чтобы модель генерировала краткие баг-репорты на основе пользовательских обращений.»
2️⃣ Прикрепи к запросу файл Advanced Prompting Techniques.pdf
3️⃣ Отправь этот мета-промт в любую LLM.
4️⃣ Модель вернёт:
• готовый системный промт (для вставки в проект или агент);
• описание применённых техник (например: “использован Chain-of-Thought + Structured Output”).
---
Задача:
Получить от модели идеально сформулированный промт, созданный по профессиональным принципам prompt engineering.
---
🔹 Текст промта
Ты — эксперт по продвинутым техникам промт-инжиниринга, владеющий всеми методами из документа Advanced Prompting Techniques (включая System/Role Prompting, Few-Shot, CoT, ReAct, RAG, Context Engineering и Structured Output).
Твоя задача — на основе моего описания задачи сгенерировать готовый промт для LLM, который:
1. Соответствует основным принципам — ясность, конкретность, краткость, позитивные инструкции, итеративность.
2. Использует оптимальную структуру: system prompt, role prompt, контекст, инструкции, формат вывода (JSON/Markdown и т.п.).
3. При необходимости применяет подходы к рассуждению — Chain of Thought, Step-Back, Self-Consistency.
4. Может использовать встраиваемые данные (RAG, контекст, внешние источники).
5. Возвращает структурированный результат (в JSON или Markdown).
6. Учитывает тип задачи (анализ, генерация текста, классификация, кодинг, QA-бот, агентная система и др.).
7. Является готовым к использованию без правок — достаточно вставить мои данные и запустить.
---
Мой запрос:
ОПИШИ СЮДА СВОЮ ЗАДАЧУ — что нужно получить от модели, для чего, в каком виде и с какими ограничениями
---
Выведи:
• Финальный промт в отдельном блоке (готовый к вставке в LLM).
• Краткое пояснение, какие техники из документа использованы и почему.
Формат вывода — Markdown.
---
🔹 Как использовать
1️⃣ Замени в блоке ОПИШИ СЮДА СВОЮ ЗАДАЧУ описание своей цели, например:
«Мне нужно, чтобы модель генерировала краткие баг-репорты на основе пользовательских обращений.»
2️⃣ Прикрепи к запросу файл Advanced Prompting Techniques.pdf
3️⃣ Отправь этот мета-промт в любую LLM.
4️⃣ Модель вернёт:
• готовый системный промт (для вставки в проект или агент);
• описание применённых техник (например: “использован Chain-of-Thought + Structured Output”).
🔥1
⚙️ Обзор фреймворков для разработки ИИ-агентов
В экосистеме агентных систем сегодня десятки инструментов.
Одни позволяют собрать логику агента вручную, другие — управляют целыми командами агентов.
---
💡 LangChain
Что это: базовый фреймворк для работы с LLM.
Позволяет создавать линейные цепочки из шагов, где каждый шаг — это операция (промт → модель → парсинг вывода).
Идеально подходит для:
• простых RAG-сценариев;
• суммаризации текста;
• извлечения структурированных данных.
Особенность: использует LangChain Expression Language (LCEL), где процесс идёт по прямой — от входа к выходу без циклов.
---
💡 LangGraph
Что это: надстройка над LangChain для агентов с состоянием и циклическими процессами.
Здесь вместо цепочки — граф: узлы и связи, между которыми циркулирует состояние.
Позволяет:
• создавать мультиагентные системы (менеджер → рабочие агенты);
• реализовать план и исполнение (план → действие → анализ → обновлённый план);
• встроить Human-in-the-Loop, ожидая действий человека.
Разница с LangChain: LangGraph может «думать по кругу» — повторять, уточнять, корректировать план.
---
💡 Google ADK (Agent Development Kit)
Что это: высокоуровневая платформа для построения и развертывания команд агентов.
В отличие от LangChain и LangGraph, не требует вручную описывать узлы и связи — всё работает через предопределённые шаблоны (SequentialAgent, ParallelAgent и др.).
Фокус:
• управление командой агентов как системой;
• автоматическая координация задач;
• встроенные типы агентов с разными ролями.
ADK — это как фабрика для сборки и управления флотом агентов, а не один агент в проводах.
---
💡 CrewAI
Что это: фреймворк, ориентированный на командную работу агентов.
Каждый агент имеет роль, цель, «личность» и задания (Tasks).
Система управляет взаимодействием в духе команды специалистов.
Архитектура:
• Agents — участники с ролями и целями;
• Tasks — конкретные задачи;
• Crew — команда, которая выполняет процесс (Sequential или Hierarchical).
Главная идея: разработчик описывает не алгоритм, а организацию — как агенты работают вместе.
---
💡 Другие популярные фреймворки
AutoGen (Microsoft): общение между агентами через диалог. Гибкий, но требует точных промтов.
LlamaIndex: подключает LLM к базам данных и индексам. Идеален для RAG.
Haystack: масштабируемый Q&A и поиск.
MetaGPT: имитация IT-команды (менеджеры, разработчики, тестировщики).
SuperAGI: полный стек для автономных агентов с мониторингом и интерфейсом.
Semantic Kernel (Microsoft): интеграция LLM в код (Python, .NET).
Strands Agents (AWS): лёгкий SDK для агентов с поддержкой MCP и разных моделей.
---
📊 Как выбрать фреймворк
🔹 Для простой логики (линейные шаги) → LangChain
🔹 Для циклического мышления и адаптации → LangGraph
🔹 Для командной работы агентов → CrewAI
🔹 Для промышленного применения → Google ADK
🔹 Для RAG и работы с данными → LlamaIndex / Haystack
---
👉 Итог:
Каждый фреймворк отражает свой уровень сложности —
от цепочки шагов (LangChain) до организованной команды агентов (CrewAI, ADK).
Главный выбор — между гибкостью (низкоуровневые фреймворки) и скоростью запуска (высокоуровневые платформы).
В экосистеме агентных систем сегодня десятки инструментов.
Одни позволяют собрать логику агента вручную, другие — управляют целыми командами агентов.
---
💡 LangChain
Что это: базовый фреймворк для работы с LLM.
Позволяет создавать линейные цепочки из шагов, где каждый шаг — это операция (промт → модель → парсинг вывода).
Идеально подходит для:
• простых RAG-сценариев;
• суммаризации текста;
• извлечения структурированных данных.
Особенность: использует LangChain Expression Language (LCEL), где процесс идёт по прямой — от входа к выходу без циклов.
---
💡 LangGraph
Что это: надстройка над LangChain для агентов с состоянием и циклическими процессами.
Здесь вместо цепочки — граф: узлы и связи, между которыми циркулирует состояние.
Позволяет:
• создавать мультиагентные системы (менеджер → рабочие агенты);
• реализовать план и исполнение (план → действие → анализ → обновлённый план);
• встроить Human-in-the-Loop, ожидая действий человека.
Разница с LangChain: LangGraph может «думать по кругу» — повторять, уточнять, корректировать план.
---
💡 Google ADK (Agent Development Kit)
Что это: высокоуровневая платформа для построения и развертывания команд агентов.
В отличие от LangChain и LangGraph, не требует вручную описывать узлы и связи — всё работает через предопределённые шаблоны (SequentialAgent, ParallelAgent и др.).
Фокус:
• управление командой агентов как системой;
• автоматическая координация задач;
• встроенные типы агентов с разными ролями.
ADK — это как фабрика для сборки и управления флотом агентов, а не один агент в проводах.
---
💡 CrewAI
Что это: фреймворк, ориентированный на командную работу агентов.
Каждый агент имеет роль, цель, «личность» и задания (Tasks).
Система управляет взаимодействием в духе команды специалистов.
Архитектура:
• Agents — участники с ролями и целями;
• Tasks — конкретные задачи;
• Crew — команда, которая выполняет процесс (Sequential или Hierarchical).
Главная идея: разработчик описывает не алгоритм, а организацию — как агенты работают вместе.
---
💡 Другие популярные фреймворки
AutoGen (Microsoft): общение между агентами через диалог. Гибкий, но требует точных промтов.
LlamaIndex: подключает LLM к базам данных и индексам. Идеален для RAG.
Haystack: масштабируемый Q&A и поиск.
MetaGPT: имитация IT-команды (менеджеры, разработчики, тестировщики).
SuperAGI: полный стек для автономных агентов с мониторингом и интерфейсом.
Semantic Kernel (Microsoft): интеграция LLM в код (Python, .NET).
Strands Agents (AWS): лёгкий SDK для агентов с поддержкой MCP и разных моделей.
---
📊 Как выбрать фреймворк
🔹 Для простой логики (линейные шаги) → LangChain
🔹 Для циклического мышления и адаптации → LangGraph
🔹 Для командной работы агентов → CrewAI
🔹 Для промышленного применения → Google ADK
🔹 Для RAG и работы с данными → LlamaIndex / Haystack
---
👉 Итог:
Каждый фреймворк отражает свой уровень сложности —
от цепочки шагов (LangChain) до организованной команды агентов (CrewAI, ADK).
Главный выбор — между гибкостью (низкоуровневые фреймворки) и скоростью запуска (высокоуровневые платформы).
🏗️ AgentSpace — как создавать корпоративных ИИ-агентов без кода
AgentSpace — это платформа Google для построения "agent-driven enterprise" — компаний, где ИИ встроен прямо в рабочие процессы.
Она объединяет документы, почту, базы данных и знания организации в единую среду, где работают интеллектуальные агенты.
---
💡 Что делает AgentSpace
• Создаёт enterprise knowledge graph — карту связей между людьми, документами и данными.
• Позволяет агентам понимать контекст и давать персонализированные ответы.
• Поддерживает автономных агентов, которые умеют планировать, рассуждать и выполнять многошаговые действия.
• Обеспечивает безопасность корпоративного уровня — роли, права, шифрование данных.
---
🧠 Как это работает
1️⃣ В Google Cloud Console выбирается раздел AI Applications → AgentSpace.
2️⃣ Агент подключается к корпоративным сервисам: Gmail, Calendar, Jira, Outlook, Service Now и др.
3️⃣ Настраивается промт-профиль — можно выбрать из галереи Google или создать свой.
4️⃣ Агент получает доступ к хранилищам данных и графу знаний (Google KG или приватный).
5️⃣ Через веб-интерфейс можно развернуть чат с агентом и отслеживать аналитику использования.
---
⚙️ Особенности и возможности
• No-code интерфейс Agent Designer — создание агентов без программирования.
• Интеграция с базами и API — для доступа к внутренним данным.
• Analytics — отслеживание активности и производительности агентов.
• Agent2Agent Protocol (A2A) — обмен сообщениями между агентами для сложных сценариев.
---
🎯 Для чего используется
AgentSpace позволяет организациям:
• Автоматизировать рутинные задачи.
• Создавать агентов-исследователей и аналитиков.
• Встраивать ИИ-помощников в рабочие процессы.
• Улучшать принятие решений на основе данных.
---
📚 Дополнительно
• Документация: cloud.google.com/agentspace
• Практический курс: Google Cloud Skills Boost — Build a Gen AI Agent with AgentSpace
---
👉 Итог:
AgentSpace превращает корпоративные системы в живую экосистему интеллектуальных агентов, которые понимают контекст, сотрудничают между собой и действуют автономно — без необходимости писать код.
AgentSpace — это платформа Google для построения "agent-driven enterprise" — компаний, где ИИ встроен прямо в рабочие процессы.
Она объединяет документы, почту, базы данных и знания организации в единую среду, где работают интеллектуальные агенты.
---
💡 Что делает AgentSpace
• Создаёт enterprise knowledge graph — карту связей между людьми, документами и данными.
• Позволяет агентам понимать контекст и давать персонализированные ответы.
• Поддерживает автономных агентов, которые умеют планировать, рассуждать и выполнять многошаговые действия.
• Обеспечивает безопасность корпоративного уровня — роли, права, шифрование данных.
---
🧠 Как это работает
1️⃣ В Google Cloud Console выбирается раздел AI Applications → AgentSpace.
2️⃣ Агент подключается к корпоративным сервисам: Gmail, Calendar, Jira, Outlook, Service Now и др.
3️⃣ Настраивается промт-профиль — можно выбрать из галереи Google или создать свой.
4️⃣ Агент получает доступ к хранилищам данных и графу знаний (Google KG или приватный).
5️⃣ Через веб-интерфейс можно развернуть чат с агентом и отслеживать аналитику использования.
---
⚙️ Особенности и возможности
• No-code интерфейс Agent Designer — создание агентов без программирования.
• Интеграция с базами и API — для доступа к внутренним данным.
• Analytics — отслеживание активности и производительности агентов.
• Agent2Agent Protocol (A2A) — обмен сообщениями между агентами для сложных сценариев.
---
🎯 Для чего используется
AgentSpace позволяет организациям:
• Автоматизировать рутинные задачи.
• Создавать агентов-исследователей и аналитиков.
• Встраивать ИИ-помощников в рабочие процессы.
• Улучшать принятие решений на основе данных.
---
📚 Дополнительно
• Документация: cloud.google.com/agentspace
• Практический курс: Google Cloud Skills Boost — Build a Gen AI Agent with AgentSpace
---
👉 Итог:
AgentSpace превращает корпоративные системы в живую экосистему интеллектуальных агентов, которые понимают контекст, сотрудничают между собой и действуют автономно — без необходимости писать код.
🧩 Подборка наиболее полезных MCP серверов для Codex в области разработки
Для современных AI-разработчиков, использующих Codex, MCP серверы дают различные возможности — от работы с файлами до автоматизации браузера и удалённого SSH-доступа.
Вот самые ценные, популярные и практически полезные варианты, которые стоит внедрять и тестировать в работе.
---
1️⃣ Серверы для доступа к файловой системе
Позволяют ИИ и агентам читать, записывать, редактировать файлы, создавать каталоги и передавать данные между агентами.
Пример:
•
• Можно указать директории
---
2️⃣ SSH MCP серверы (удалённый доступ)
Безопасно открывают доступ к VPS и удалённым серверам, позволяют выполнять команды, деплоить проекты, автоматизировать DevOps и интегрировать администрирование.
Рекомендуемые реализации:
•
---
3️⃣ MCP-серверы для автоматизации и тестирования браузера
Позволяют управлять реальными браузерами (Chrome, Chromium), выполнять юзер-скрипты, имитировать действия пользователя, тестировать интерфейс и безопасность.
Варианты:
• Серверы на базе Playwright или Puppeteer (JS/Python) — запуск через
---
4️⃣ Серверы для управления репозиториями (GitHub, GitLab и др.)
Позволяют агентам управлять issues, pull-request’ами, ветками и CI/CD процессами.
Варианты:
•
---
5️⃣ MCP серверы для работы с базами данных
Позволяют агентам выполнять SQL-запросы, анализировать данные и создавать отчёты.
Примеры:
•
•
• Поддерживаются облачные варианты для Vercel и Netlify.
---
6️⃣ MCP серверы для API, внешних сервисов и мониторинга
• Stripe MCP — интеграция и тестирование платежей.
• Grafana MCP — мониторинг логов и метрик.
• Figma MCP — извлечение данных из макетов (Dev Mode).
---
7️⃣ Для интеграций, задач и автоматизации
• Notion MCP, Linear MCP, Atlassian MCP (Jira, Confluence) — управление задачами, документацией и проектами.
---
8️⃣ Универсальные и инфраструктурные серверы
• Bright Data MCP — web-scraping и интеграции с внешним интернетом.
• Cloudflare MCP — автоматизация фронтенда и настройка CDN/безопасности.
---
💡 Рекомендуемое использование
• Запускай базовые серверы: filesystem, ssh, browser, github.
• Для тестирования — Playwright или Puppeteer MCP.
• Для работы с данными — PostgreSQL/Supabase MCP.
• Для управления задачами — Notion/Linear/Atlassian MCP.
• Используй токены и ключи для безопасности.
---
🧠 Итоговая сводка
🔹 Работа с файлами —
🔹 SSH и DevOps —
🔹 Браузер и тестирование —
🔹 Репозитории —
🔹 Базы данных —
🔹 API и интеграции —
🔹 Мониторинг —
🔹 Задачи и совместка —
---
🧩 Рекомендация:
Подключи 3–5 MCP серверов, чтобы покрыть полный цикл разработки — от работы с файлами и базами данных до тестирования, мониторинга и DevOps-автоматизации.
Для современных AI-разработчиков, использующих Codex, MCP серверы дают различные возможности — от работы с файлами до автоматизации браузера и удалённого SSH-доступа.
Вот самые ценные, популярные и практически полезные варианты, которые стоит внедрять и тестировать в работе.
---
1️⃣ Серверы для доступа к файловой системе
Позволяют ИИ и агентам читать, записывать, редактировать файлы, создавать каталоги и передавать данные между агентами.
Пример:
•
@modelcontextprotocol/server-filesystem — стандартный файловый MCP-сервер, запуск через npx. • Можно указать директории
~/Documents, ~/Projects и другие. ---
2️⃣ SSH MCP серверы (удалённый доступ)
Безопасно открывают доступ к VPS и удалённым серверам, позволяют выполнять команды, деплоить проекты, автоматизировать DevOps и интегрировать администрирование.
Рекомендуемые реализации:
•
mcp-ssh-server — Node.js и Python реализации с поддержкой SCP, SFTP и ключевой аутентификации, работает на порту 8889, интегрируется с Claude, Codex и VS Code. ---
3️⃣ MCP-серверы для автоматизации и тестирования браузера
Позволяют управлять реальными браузерами (Chrome, Chromium), выполнять юзер-скрипты, имитировать действия пользователя, тестировать интерфейс и безопасность.
Варианты:
• Серверы на базе Playwright или Puppeteer (JS/Python) — запуск через
npx или pip, управление браузером, скриншоты, сбор данных. ---
4️⃣ Серверы для управления репозиториями (GitHub, GitLab и др.)
Позволяют агентам управлять issues, pull-request’ами, ветками и CI/CD процессами.
Варианты:
•
github-mcp-server, gitlab-mcp-server — официальные решения с поддержкой токенов авторизации. ---
5️⃣ MCP серверы для работы с базами данных
Позволяют агентам выполнять SQL-запросы, анализировать данные и создавать отчёты.
Примеры:
•
postgres-mcp-server — работа с PostgreSQL. •
supabase-community/supabase-mcp — интеграция с Supabase. • Поддерживаются облачные варианты для Vercel и Netlify.
---
6️⃣ MCP серверы для API, внешних сервисов и мониторинга
• Stripe MCP — интеграция и тестирование платежей.
• Grafana MCP — мониторинг логов и метрик.
• Figma MCP — извлечение данных из макетов (Dev Mode).
---
7️⃣ Для интеграций, задач и автоматизации
• Notion MCP, Linear MCP, Atlassian MCP (Jira, Confluence) — управление задачами, документацией и проектами.
---
8️⃣ Универсальные и инфраструктурные серверы
• Bright Data MCP — web-scraping и интеграции с внешним интернетом.
• Cloudflare MCP — автоматизация фронтенда и настройка CDN/безопасности.
---
💡 Рекомендуемое использование
• Запускай базовые серверы: filesystem, ssh, browser, github.
• Для тестирования — Playwright или Puppeteer MCP.
• Для работы с данными — PostgreSQL/Supabase MCP.
• Для управления задачами — Notion/Linear/Atlassian MCP.
• Используй токены и ключи для безопасности.
---
🧠 Итоговая сводка
🔹 Работа с файлами —
server-filesystem 🔹 SSH и DevOps —
mcp-ssh-server 🔹 Браузер и тестирование —
Playwright, Puppeteer 🔹 Репозитории —
github-mcp-server, gitlab-mcp-server 🔹 Базы данных —
postgres-mcp-server, supabase-mcp-server 🔹 API и интеграции —
brightdata-mcp-server 🔹 Мониторинг —
grafana-mcp-server 🔹 Задачи и совместка —
notion-mcp, linear-mcp, atlassian-mcp ---
🧩 Рекомендация:
Подключи 3–5 MCP серверов, чтобы покрыть полный цикл разработки — от работы с файлами и базами данных до тестирования, мониторинга и DevOps-автоматизации.
🌐 Установка MCP-сервера для работы с браузером в Codex CLI
Если ты используешь Codex CLI для автоматизации и хочешь, чтобы ИИ умел управлять браузером — открывать сайты, кликать, собирать данные или делать скриншоты — тебе понадобится подключить MCP-сервер на базе Playwright или Puppeteer.
Вот пошаговая инструкция, как это сделать 👇
⸻
⚙️ Что понадобится
• Node.js версии 18+
• Установленный Codex CLI
• API-ключ OpenAI (или активная подписка ChatGPT)
⸻
🚀 Быстрый способ — через CLI
Playwright:
Puppeteer:
После этого перезапусти codex, введи mcp, и ты увидишь подключённые серверы.
Проверь работу запросом:
⸻
🧩 Альтернатива — вручную через config.toml
Пример для Playwright:
Для видимого окна браузера:
Пример для Puppeteer:
Можно добавить переменные окружения:
⸻
🧠 Что умеют эти MCP-серверы
Playwright:
• Навигация по URL
• Клики, заполнение форм
• Скриншоты
• Получение HTML и текста
• Выполнение JavaScript
• Многовкладочность
• Поддержка Chrome, Firefox, WebKit
Puppeteer:
• Простая автоматизация Chrome
• Быстрый запуск скриптов
• Снимки экрана
• Интеграция с Chrome DevTools
⸻
⚖️ Playwright vs Puppeteer
🔹 Playwright (Microsoft, 2020)
• Поддержка Chrome, Firefox и WebKit
• Работает с Python, Java, .NET и др.
• Идеален для E2E-тестов и CI/CD
• Есть встроенный test-runner, запись видео и трассировка
• Немного медленнее на коротких скриптах, но стабильнее
🔸 Puppeteer (Google, 2017)
• Ориентирован на Chrome/Chromium
• Максимально прост и лёгок
• Работает только с JS/TS
• Быстрее в коротких задачах (~30%)
• Отлично подходит для лёгких скрапов и интеграций с DevTools
⸻
💡 Когда выбрать Playwright
✅ Нужно кросс-браузерное тестирование (Chrome, Firefox, Safari)
✅ Работаешь в многоязычной команде (Python, Java, .NET)
✅ Планируешь CI/CD и видео-тесты
✅ Требуется параллельное выполнение тестов
⚡ Когда выбрать Puppeteer
⚙️ Работаешь только с Chrome
⚙️ Нужна максимальная скорость
⚙️ Ценишь простоту и лёгкость
⚙️ Вся команда на JavaScript/TypeScript
⸻
🔍 Итого
Playwright — универсальный инструмент для серьёзных проектов, CI/CD и тестов под разные браузеры.
Puppeteer — быстрый, минималистичный и удобный, если нужен только Chrome.
Оба отлично работают с Codex CLI, превращая ИИ в настоящего браузерного ассистента — для тестов, сбора данных и автоматизации интерфейсов.
Если ты используешь Codex CLI для автоматизации и хочешь, чтобы ИИ умел управлять браузером — открывать сайты, кликать, собирать данные или делать скриншоты — тебе понадобится подключить MCP-сервер на базе Playwright или Puppeteer.
Вот пошаговая инструкция, как это сделать 👇
⸻
⚙️ Что понадобится
• Node.js версии 18+
• Установленный Codex CLI
npm install -g @openai/codex
• API-ключ OpenAI (или активная подписка ChatGPT)
⸻
🚀 Быстрый способ — через CLI
Playwright:
codex mcp add playwright -- npx -y @playwright/mcp@latest
Puppeteer:
codex mcp add puppeteer -- npx -y @modelcontextprotocol/server-puppeteer
После этого перезапусти codex, введи mcp, и ты увидишь подключённые серверы.
Проверь работу запросом:
Open google.com using playwright
⸻
🧩 Альтернатива — вручную через config.toml
Пример для Playwright:
[mcp_servers.playwright]
command = "npx"
args = ["-y", "@playwright/mcp@latest"]
Для видимого окна браузера:
args = ["-y", "@playwright/mcp@latest", "--extension"]
Пример для Puppeteer:
[mcp_servers.puppeteer]
command = "npx"
args = ["-y", "@modelcontextprotocol/server-puppeteer"]
Можно добавить переменные окружения:
[mcp_servers.puppeteer.env]
DOCKER_CONTAINER = "false"
⸻
🧠 Что умеют эти MCP-серверы
Playwright:
• Навигация по URL
• Клики, заполнение форм
• Скриншоты
• Получение HTML и текста
• Выполнение JavaScript
• Многовкладочность
• Поддержка Chrome, Firefox, WebKit
Puppeteer:
• Простая автоматизация Chrome
• Быстрый запуск скриптов
• Снимки экрана
• Интеграция с Chrome DevTools
⸻
⚖️ Playwright vs Puppeteer
🔹 Playwright (Microsoft, 2020)
• Поддержка Chrome, Firefox и WebKit
• Работает с Python, Java, .NET и др.
• Идеален для E2E-тестов и CI/CD
• Есть встроенный test-runner, запись видео и трассировка
• Немного медленнее на коротких скриптах, но стабильнее
🔸 Puppeteer (Google, 2017)
• Ориентирован на Chrome/Chromium
• Максимально прост и лёгок
• Работает только с JS/TS
• Быстрее в коротких задачах (~30%)
• Отлично подходит для лёгких скрапов и интеграций с DevTools
⸻
💡 Когда выбрать Playwright
✅ Нужно кросс-браузерное тестирование (Chrome, Firefox, Safari)
✅ Работаешь в многоязычной команде (Python, Java, .NET)
✅ Планируешь CI/CD и видео-тесты
✅ Требуется параллельное выполнение тестов
⚡ Когда выбрать Puppeteer
⚙️ Работаешь только с Chrome
⚙️ Нужна максимальная скорость
⚙️ Ценишь простоту и лёгкость
⚙️ Вся команда на JavaScript/TypeScript
⸻
🔍 Итого
Playwright — универсальный инструмент для серьёзных проектов, CI/CD и тестов под разные браузеры.
Puppeteer — быстрый, минималистичный и удобный, если нужен только Chrome.
Оба отлично работают с Codex CLI, превращая ИИ в настоящего браузерного ассистента — для тестов, сбора данных и автоматизации интерфейсов.
💻 ИИ-агенты в командной строке: новая эра разработки
Терминал перестаёт быть просто оболочкой для ввода команд —
он становится умным партнёром, понимающим контекст проекта и выполняющим сложные задачи по естественному языку.
---
## 1️⃣ Claude CLI (Claude Code)
Разработан Anthropic как агент-разработчик высокого уровня.
Он строит ментальную модель репозитория, анализирует архитектуру и работает как напарник по парному программированию.
Что умеет:
• выполнять рефакторинг больших проектов;
• интегрировать новые API;
• автоматически документировать код (TSDoc);
• управлять ветками Git.
Ключевая особенность: поддерживает MCP — можно подключать свои инструменты и API.
---
## 2️⃣ Gemini CLI
Открытый и мультимодальный агент от Google.
Работает с текстом и изображениями, имеет большое контекстное окно и тесно интегрирован с Google Cloud.
Что умеет:
• генерировать код по скриншотам макетов;
• управлять облачными ресурсами;
• использовать встроенные инструменты для файловой системы, веб-поиска и памяти;
• выполнять сложные рефакторинги (например, замену библиотек во всём Java-проекте).
Главная идея: безопасное выполнение команд в песочнице, расширяемое через MCP-серверы.
---
## 3️⃣ Aider
Открытый агент-кодер, работающий прямо с файлами и Git.
Каждое изменение сопровождается тестом и коммитом —
идеален для TDD и прозрачного аудита.
Что умеет:
• писать тесты и код по принципу test-then-fix;
• исправлять ошибки по баг-репортам;
• обновлять зависимости и автоматически фиксировать результат.
Отличие: максимальная прозрачность и контроль, без "магии" — всё видно в Git.
---
## 4️⃣ GitHub Copilot CLI
Расширяет возможности Copilot прямо в терминале.
Глубоко интегрирован в экосистему GitHub — понимает контекст репозитория, issues и pull requests.
Что умеет:
• автоматически решать задачи из GitHub Issues и создавать PR;
• отвечать на вопросы по коду проекта;
• подсказывать сложные shell-команды.
Сценарий: менеджер назначает issue → агент пишет фикc → создаёт pull request — всё без участия человека.
---
## 5️⃣ Terminal-Bench
Открытая платформа для тестирования CLI-агентов.
Содержит 80 задач по анализу данных и научным воркфлоу, чтобы сравнивать эффективность разных моделей.
Будущие версии добавят параллельные тесты и новые бенчмарки.
---
🧠 Итог
ИИ-агенты превращают командную строку в интерактивную лабораторию,
где Claude отвечает за сложные архитектурные задачи,
Gemini — за мультимодальные и облачные,
Aider — за git-ориентированные,
а Copilot — за автоматизацию внутри GitHub.
💡 Знать, как использовать этих агентов, — становится новым базовым навыком разработчика.
Терминал перестаёт быть просто оболочкой для ввода команд —
он становится умным партнёром, понимающим контекст проекта и выполняющим сложные задачи по естественному языку.
---
## 1️⃣ Claude CLI (Claude Code)
Разработан Anthropic как агент-разработчик высокого уровня.
Он строит ментальную модель репозитория, анализирует архитектуру и работает как напарник по парному программированию.
Что умеет:
• выполнять рефакторинг больших проектов;
• интегрировать новые API;
• автоматически документировать код (TSDoc);
• управлять ветками Git.
Ключевая особенность: поддерживает MCP — можно подключать свои инструменты и API.
---
## 2️⃣ Gemini CLI
Открытый и мультимодальный агент от Google.
Работает с текстом и изображениями, имеет большое контекстное окно и тесно интегрирован с Google Cloud.
Что умеет:
• генерировать код по скриншотам макетов;
• управлять облачными ресурсами;
• использовать встроенные инструменты для файловой системы, веб-поиска и памяти;
• выполнять сложные рефакторинги (например, замену библиотек во всём Java-проекте).
Главная идея: безопасное выполнение команд в песочнице, расширяемое через MCP-серверы.
---
## 3️⃣ Aider
Открытый агент-кодер, работающий прямо с файлами и Git.
Каждое изменение сопровождается тестом и коммитом —
идеален для TDD и прозрачного аудита.
Что умеет:
• писать тесты и код по принципу test-then-fix;
• исправлять ошибки по баг-репортам;
• обновлять зависимости и автоматически фиксировать результат.
Отличие: максимальная прозрачность и контроль, без "магии" — всё видно в Git.
---
## 4️⃣ GitHub Copilot CLI
Расширяет возможности Copilot прямо в терминале.
Глубоко интегрирован в экосистему GitHub — понимает контекст репозитория, issues и pull requests.
Что умеет:
• автоматически решать задачи из GitHub Issues и создавать PR;
• отвечать на вопросы по коду проекта;
• подсказывать сложные shell-команды.
Сценарий: менеджер назначает issue → агент пишет фикc → создаёт pull request — всё без участия человека.
---
## 5️⃣ Terminal-Bench
Открытая платформа для тестирования CLI-агентов.
Содержит 80 задач по анализу данных и научным воркфлоу, чтобы сравнивать эффективность разных моделей.
Будущие версии добавят параллельные тесты и новые бенчмарки.
---
🧠 Итог
ИИ-агенты превращают командную строку в интерактивную лабораторию,
где Claude отвечает за сложные архитектурные задачи,
Gemini — за мультимодальные и облачные,
Aider — за git-ориентированные,
а Copilot — за автоматизацию внутри GitHub.
💡 Знать, как использовать этих агентов, — становится новым базовым навыком разработчика.
🧠 Как размышляют ИИ-агенты: что скрыто под капотом
Сегодняшние ИИ-агенты — это не просто чат-боты.
Это системы, которые планируют, анализируют и принимают решения.
В их основе — LLM-модель, acting как мозг, управляющий рассуждениями и действиями.
---
## 🔍 Что происходит внутри
Каждая модель — Gemini, ChatGPT, Claude, DeepSeek и другие — объяснила, как именно она «думает», когда решает задачу.
Несмотря на разные стили, все используют одну базовую архитектуру рассуждения:
1️⃣ Разбор запроса — понимание цели, контекста и ограничений.
2️⃣ Извлечение информации — активация знаний и поиск паттернов в обучении.
3️⃣ Синтез и структура — построение логического плана ответа.
4️⃣ Генерация текста — превращение плана в связный ответ.
5️⃣ Самопроверка и доработка — уточнение формулировок, устранение ошибок.
Этот цикл повторяется миллиарды раз, обеспечивая согласованность и «логичность» вывода.
---
## 💡 Как рассуждают разные модели
Gemini
Разбивает задачу на шаги: анализ запроса → распознавание паттернов → синтез → формирование ответа.
Фокусируется на структурированности и стиле.
ChatGPT
Использует chain-of-thought — имитацию человеческого мышления шаг за шагом.
Выбирает тип рассуждения: дедукция, индукция, аналогия и т. д.
Grok
Создаёт «мысленную модель»: оценивает варианты, строит гипотезы, проверяет их и уточняет итог.
Работает по принципу гипотез и вероятностей.
Kimi
Показывает reasoning как вычислительный конвейер — от токенизации и выбора стратегии до проверки результата.
По сути, имитирует инженерный подход.
Claude
Опирается на контекст и аналогии, рассуждает интуитивно-пошагово.
Отслеживает логику и смысл каждой фразы.
DeepSeek
Объясняет себя максимально прозрачно:
его «мышление» — это статистическое прогнозирование наиболее логичной последовательности слов на основе всех виденных ранее паттернов.
---
## ⚙️ Общий вывод
🧩 Все современные LLM-модели используют один и тот же базовый шаблон рассуждения:
декомпозиция задачи → активация знаний → построение плана → генерация → проверка.
Этот процесс и делает их сердцем ИИ-агентов:
LLM превращается из текстового генератора в планировщик, который способен разбивать цель на действия и выполнять их последовательно.
---
💬 Главная мысль:
ИИ-агенты «мыслят» не как люди, но их рассуждения подчиняются тем же законам логики.
Чем совершеннее эта внутренняя цепочка, тем умнее и надёжнее становятся агенты будущего.
Сегодняшние ИИ-агенты — это не просто чат-боты.
Это системы, которые планируют, анализируют и принимают решения.
В их основе — LLM-модель, acting как мозг, управляющий рассуждениями и действиями.
---
## 🔍 Что происходит внутри
Каждая модель — Gemini, ChatGPT, Claude, DeepSeek и другие — объяснила, как именно она «думает», когда решает задачу.
Несмотря на разные стили, все используют одну базовую архитектуру рассуждения:
1️⃣ Разбор запроса — понимание цели, контекста и ограничений.
2️⃣ Извлечение информации — активация знаний и поиск паттернов в обучении.
3️⃣ Синтез и структура — построение логического плана ответа.
4️⃣ Генерация текста — превращение плана в связный ответ.
5️⃣ Самопроверка и доработка — уточнение формулировок, устранение ошибок.
Этот цикл повторяется миллиарды раз, обеспечивая согласованность и «логичность» вывода.
---
## 💡 Как рассуждают разные модели
Gemini
Разбивает задачу на шаги: анализ запроса → распознавание паттернов → синтез → формирование ответа.
Фокусируется на структурированности и стиле.
ChatGPT
Использует chain-of-thought — имитацию человеческого мышления шаг за шагом.
Выбирает тип рассуждения: дедукция, индукция, аналогия и т. д.
Grok
Создаёт «мысленную модель»: оценивает варианты, строит гипотезы, проверяет их и уточняет итог.
Работает по принципу гипотез и вероятностей.
Kimi
Показывает reasoning как вычислительный конвейер — от токенизации и выбора стратегии до проверки результата.
По сути, имитирует инженерный подход.
Claude
Опирается на контекст и аналогии, рассуждает интуитивно-пошагово.
Отслеживает логику и смысл каждой фразы.
DeepSeek
Объясняет себя максимально прозрачно:
его «мышление» — это статистическое прогнозирование наиболее логичной последовательности слов на основе всех виденных ранее паттернов.
---
## ⚙️ Общий вывод
🧩 Все современные LLM-модели используют один и тот же базовый шаблон рассуждения:
декомпозиция задачи → активация знаний → построение плана → генерация → проверка.
Этот процесс и делает их сердцем ИИ-агентов:
LLM превращается из текстового генератора в планировщик, который способен разбивать цель на действия и выполнять их последовательно.
---
💬 Главная мысль:
ИИ-агенты «мыслят» не как люди, но их рассуждения подчиняются тем же законам логики.
Чем совершеннее эта внутренняя цепочка, тем умнее и надёжнее становятся агенты будущего.
# 🚀 Новый этап моего обучения: погружаюсь в тренинг ИИ-моделей
Для того чтобы глубже понять, как устроен искусственный интеллект изнутри, я решил пройти путь обучения моделей своими руками.
В качестве руководства выбрал Smol Training Playbook от Hugging Face — практическое пособие о том, как создавать и обучать малые, но умные языковые модели.
---
## 💡 Почему именно Smol Training
Это философия, согласно которой большие результаты достигаются малыми, но продуманными шагами:
> Train small, iterate fast, learn a lot.
(Обучай малое, итерай быстро, извлекай максимум пользы.)
---
## ⚙️ Мой рабочий стенд
Для практики я собрал тестовый ПК на Linux Ubuntu 22.04 LTS с характеристиками:
- 💻 Процессор: Ryzen 5600
- 🧠 Оперативная память: 32 ГБ
- 🎮 Видеокарта: NVIDIA RTX 3060 (12 ГБ)
Такой набор позволяет обучать небольшие языковые модели и выполнять эксперименты с fine-tuning без облачных сервисов.
---
## 📘 Планы на ближайшие недели
1. Разобраться с основами Smol-подхода и инфраструктурой для обучения.
2. Подготовить рабочую среду (CUDA, PyTorch, Hugging Face Transformers).
3. Запустить первые эксперименты по обучению мини-модели.
4. Постепенно перейти к более сложным сценариям — fine-tuning и дистилляции.
---
В следующих постах я покажу весь процесс пошагово: от настройки окружения до запуска первой модели.
Будет интересно — максимум практики, минимум магии 💪
Для того чтобы глубже понять, как устроен искусственный интеллект изнутри, я решил пройти путь обучения моделей своими руками.
В качестве руководства выбрал Smol Training Playbook от Hugging Face — практическое пособие о том, как создавать и обучать малые, но умные языковые модели.
---
## 💡 Почему именно Smol Training
Это философия, согласно которой большие результаты достигаются малыми, но продуманными шагами:
> Train small, iterate fast, learn a lot.
(Обучай малое, итерай быстро, извлекай максимум пользы.)
---
## ⚙️ Мой рабочий стенд
Для практики я собрал тестовый ПК на Linux Ubuntu 22.04 LTS с характеристиками:
- 💻 Процессор: Ryzen 5600
- 🧠 Оперативная память: 32 ГБ
- 🎮 Видеокарта: NVIDIA RTX 3060 (12 ГБ)
Такой набор позволяет обучать небольшие языковые модели и выполнять эксперименты с fine-tuning без облачных сервисов.
---
## 📘 Планы на ближайшие недели
1. Разобраться с основами Smol-подхода и инфраструктурой для обучения.
2. Подготовить рабочую среду (CUDA, PyTorch, Hugging Face Transformers).
3. Запустить первые эксперименты по обучению мини-модели.
4. Постепенно перейти к более сложным сценариям — fine-tuning и дистилляции.
---
В следующих постах я покажу весь процесс пошагово: от настройки окружения до запуска первой модели.
Будет интересно — максимум практики, минимум магии 💪
🔥1
# 🧠 Урок 1. Что такое Smol Training и зачем он нужен
---
## 🎯 Цель урока
Понять философию Smol-подхода — как сегодня можно обучать мощные языковые модели, имея ограниченные ресурсы, и почему Hugging Face делает ставку на «малые, но умные» модели.
---
## 1️⃣ Что такое Smol Training
Smol-подход (от англ. small) — это стратегия Hugging Face, позволяющая обучать языковые модели эффективно и доступно, даже на сравнительно скромном оборудовании.
Главная идея — не просто «делать модели меньше», а учить их умнее, следуя принципу:
> 💡 “Train small, iterate fast, learn a lot.”
> (Обучай малое, итерай быстро, извлекай максимум пользы.)
Вместо того чтобы тратить миллионы GPU-часов, как это делают Google или OpenAI, Smol-подход делает акцент на:
- качество данных (curation > количество);
- рациональное распределение вычислений;
- короткие, но продуктивные итерации обучения;
- постоянные эксперименты и валидированные гипотезы.
---
## 2️⃣ Кто за этим стоит
Проект разработан исследовательской группой Hugging Face — той самой, что создала модели SmolLM, SmolLM2 и SmolLM3.
Авторы книги, включая Томаса Вулфа и Льюиса Тансталла, называют её практическим полевым руководством — playbook, а не теоретическим учебником.
В ней собраны рабочие рецепты: от настройки GPU-инфраструктуры до отладки распределённого обучения.
---
## 3️⃣ Ключевые принципы Smol-обучения
| Принцип | Описание |
|----------|-----------|
| 🧩 Малые, но качественные модели | Лучше обучить 3B-модель с идеальными данными, чем 70B на мусоре. |
| 🔁 Быстрая итерация | Запускать много маленьких экспериментов, валидировать гипотезы и масштабировать только удачные решения. |
| 📊 Осознанные метрики | Не гнаться за «loss → 0», а оценивать модели по downstream-таскам (MMLU, GPQA и др.). |
| 🧠 Простота архитектуры | Начинать с LLaMA-подобных dense-архитектур, переходить к MoE (Mixture of Experts) только при необходимости. |
| 👥 Маленькие команды | Для предобучения достаточно 2–3 человек, если у них хорошо автоматизирован pipeline. |
---
## 4️⃣ Почему это важно
Раньше обучение LLM было доступно только крупным лабораториям.
Smol-подход сделал его демократичным — теперь:
- можно тренировать свои модели (например, для русского языка, узкой тематики или корпоративного домена);
- можно повторить эксперименты Hugging Face локально;
- можно реально понять, как строится интеллект LLM — от данных до дистилляции.
---
📘 Продолжение следует…
В следующем уроке — как выбрать архитектуру и размер модели под свой проект ⚙️
---
## 🎯 Цель урока
Понять философию Smol-подхода — как сегодня можно обучать мощные языковые модели, имея ограниченные ресурсы, и почему Hugging Face делает ставку на «малые, но умные» модели.
---
## 1️⃣ Что такое Smol Training
Smol-подход (от англ. small) — это стратегия Hugging Face, позволяющая обучать языковые модели эффективно и доступно, даже на сравнительно скромном оборудовании.
Главная идея — не просто «делать модели меньше», а учить их умнее, следуя принципу:
> 💡 “Train small, iterate fast, learn a lot.”
> (Обучай малое, итерай быстро, извлекай максимум пользы.)
Вместо того чтобы тратить миллионы GPU-часов, как это делают Google или OpenAI, Smol-подход делает акцент на:
- качество данных (curation > количество);
- рациональное распределение вычислений;
- короткие, но продуктивные итерации обучения;
- постоянные эксперименты и валидированные гипотезы.
---
## 2️⃣ Кто за этим стоит
Проект разработан исследовательской группой Hugging Face — той самой, что создала модели SmolLM, SmolLM2 и SmolLM3.
Авторы книги, включая Томаса Вулфа и Льюиса Тансталла, называют её практическим полевым руководством — playbook, а не теоретическим учебником.
В ней собраны рабочие рецепты: от настройки GPU-инфраструктуры до отладки распределённого обучения.
---
## 3️⃣ Ключевые принципы Smol-обучения
| Принцип | Описание |
|----------|-----------|
| 🧩 Малые, но качественные модели | Лучше обучить 3B-модель с идеальными данными, чем 70B на мусоре. |
| 🔁 Быстрая итерация | Запускать много маленьких экспериментов, валидировать гипотезы и масштабировать только удачные решения. |
| 📊 Осознанные метрики | Не гнаться за «loss → 0», а оценивать модели по downstream-таскам (MMLU, GPQA и др.). |
| 🧠 Простота архитектуры | Начинать с LLaMA-подобных dense-архитектур, переходить к MoE (Mixture of Experts) только при необходимости. |
| 👥 Маленькие команды | Для предобучения достаточно 2–3 человек, если у них хорошо автоматизирован pipeline. |
---
## 4️⃣ Почему это важно
Раньше обучение LLM было доступно только крупным лабораториям.
Smol-подход сделал его демократичным — теперь:
- можно тренировать свои модели (например, для русского языка, узкой тематики или корпоративного домена);
- можно повторить эксперименты Hugging Face локально;
- можно реально понять, как строится интеллект LLM — от данных до дистилляции.
---
📘 Продолжение следует…
В следующем уроке — как выбрать архитектуру и размер модели под свой проект ⚙️
# 🧠 Этап 1. Подготовка железа и среды для Smol Training
🚀 Сегодня я завершил первый шаг на пути к обучению собственных языковых моделей по методике Smol Training от Hugging Face.
Цель этапа — подготовить рабочее окружение, где можно запускать и обучать модели прямо на своём ПК.
---
## 💻 1. Установка Ubuntu 22.04 LTS
Для Smol-обучения лучше использовать Linux, поэтому я установил Ubuntu 22.04 LTS на отдельный SSD.
Теперь можно загружаться либо в Windows 11, либо в Linux — удобно для практики.
---
## ⚙️ 2. Установка драйверов NVIDIA
Моя видеокарта — RTX 3060 (12 ГБ).
После установки Ubuntu система не видела GPU, поэтому я выполнил:
Проверка:
Теперь система видит карту, а драйвер 580.95.05 работает с CUDA 13.0 🔥
---
## 🧱 3. Настройка Python-окружения
Создал виртуальное окружение:
Установил PyTorch с поддержкой GPU:
Проверка:
---
## 🧩 4. Установка библиотек Hugging Face
---
## 🤖 5. Первый запуск модели
Проверил работу пайплайна:
✅ Модель успешно запустилась и использует cuda:0 (мою 3060).
---
## 📍 Результат
Среда полностью готова к следующему этапу — обучению моделей Smol LM.
GPU работает, Python-окружение настроено, а первая модель уже отвечает.
🚀 Сегодня я завершил первый шаг на пути к обучению собственных языковых моделей по методике Smol Training от Hugging Face.
Цель этапа — подготовить рабочее окружение, где можно запускать и обучать модели прямо на своём ПК.
---
## 💻 1. Установка Ubuntu 22.04 LTS
Для Smol-обучения лучше использовать Linux, поэтому я установил Ubuntu 22.04 LTS на отдельный SSD.
Теперь можно загружаться либо в Windows 11, либо в Linux — удобно для практики.
---
## ⚙️ 2. Установка драйверов NVIDIA
Моя видеокарта — RTX 3060 (12 ГБ).
После установки Ubuntu система не видела GPU, поэтому я выполнил:
add-apt-repository ppa:graphics-drivers/ppa -y
sudo apt update
sudo apt install -y nvidia-driver-580
sudo reboot
Проверка:
nvidia-smi
Теперь система видит карту, а драйвер 580.95.05 работает с CUDA 13.0 🔥
---
## 🧱 3. Настройка Python-окружения
Создал виртуальное окружение:
apt install -y python3-venv python3-pip
python3 -m venv smol-env
source smol-env/bin/activate
pip install --upgrade pip
Установил PyTorch с поддержкой GPU:
install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
Проверка:
torch
print(torch.cuda.is_available()) # True
print(torch.cuda.get_device_name(0))
---
## 🧩 4. Установка библиотек Hugging Face
install transformers datasets accelerate bitsandbytes peft trl
---
## 🤖 5. Первый запуск модели
Проверил работу пайплайна:
transformers import pipeline
pipe = pipeline("text-generation", model="HuggingFaceTB/SmolLM2-135M-Instruct")
print(pipe("Привет, я модель Smol:", max_new_tokens=20)[0]["generated_text"])
✅ Модель успешно запустилась и использует cuda:0 (мою 3060).
---
## 📍 Результат
Среда полностью готова к следующему этапу — обучению моделей Smol LM.
GPU работает, Python-окружение настроено, а первая модель уже отвечает.
💰 Идеи монетизации Smol-моделей
Подход Smol Training от Hugging Face открывает путь к созданию собственных моделей, которые можно обучить, запустить и даже монетизировать на обычном ПК.
Вот несколько идей, которые мне пришли в голову, где маленькие модели 1–3B параметров могут приносить пользу и доход.
⸻
🧠 1. Персональные репетиторы и обучающие боты
Создаём AI-репетитора по одному предмету — например, «Математика 9 класс» или «История России».
Модель обучается на школьной программе, задаёт вопросы, проверяет ответы и объясняет ошибки простыми словами.
💰 Монетизация:
• Telegram-бот с подпиской или платным доступом к полному курсу
• Веб-платформа с прогрессом и рейтингами
• Продажа кастомных версий школам или EdTech-проектам
⸻
⚙️ 2. Smol-ассистенты для компаний
Маленькие модели можно обучить на документации, инструкциях и переписке с клиентами.
Они становятся внутренними помощниками сотрудников: отвечают на вопросы, подсказывают формулировки, ищут нужные данные.
💰 Монетизация:
• Коробочные решения «AI-ассистент для компании»
• Консалтинг и кастомизация под отрасль HR, юристы, медицина
⸻
💬 3. ИИ-помощники для техподдержки
Smol-модель, обученная на базе знаний и реальных обращениях, умеет:
• понимать запрос пользователя
• подбирать статью из базы
• предлагать готовый ответ оператору
💰 Монетизация:
• Локальные решения для бизнеса без облака и утечек данных
• SaaS-подписка на «AI-помощник поддержки»
• Модуль для Helpdesk-систем
⸻
🪙 4. Тематические чат-боты и эксперты
Модель можно обучить в одной нише: финансы, ЖКХ, авто, медицина, туризм, культура, образование.
Получается эксперт, который отвечает профессионально, но просто.
💰 Монетизация:
• Telegram-бот с Freemium-доступом
• Партнёрские интеграции с сайтами и платформами
• Продажа API-доступа другим разработчикам
⸻
🧩 5. Игровые и интерактивные проекты
Smol-модель можно превратить в живого персонажа: историческая личность, виртуальный учитель, собеседник или гид по музею.
💰 Монетизация:
• Донаты и внутриигровые апгрейды
• Платные диалоги или уровни
• Лицензирование персонажей для приложений и выставок
⸻
🌐 6. Офлайн-и приватные решения
Маленькие модели можно запускать на локальных серверах или даже мини-ПК без интернета.
Это идеальный вариант для школ, музеев, муниципальных систем, где важна конфиденциальность.
💰 Монетизация:
• Установка и сопровождение локальных AI-систем
• Подписка на обновления и обучение моделей
• Продажа лицензий организациям
⸻
🚀 7. Сервисы для разработчиков
Собственная Smol-модель может стать ядром микросервиса: API-интерфейс для генерации ответов, поиска, резюме, кода.
💰 Монетизация:
• Доступ к API по подписке или тарифам usage-based
• White-label-решения для интеграции в чужие продукты
⸻
💡 Главное
Smol-модель — это не мини-копия GPT, а твой личный ИИ,
которого можно обучить под конкретную нишу, бренд, клиента или школу.
Подход Smol Training от Hugging Face открывает путь к созданию собственных моделей, которые можно обучить, запустить и даже монетизировать на обычном ПК.
Вот несколько идей, которые мне пришли в голову, где маленькие модели 1–3B параметров могут приносить пользу и доход.
⸻
🧠 1. Персональные репетиторы и обучающие боты
Создаём AI-репетитора по одному предмету — например, «Математика 9 класс» или «История России».
Модель обучается на школьной программе, задаёт вопросы, проверяет ответы и объясняет ошибки простыми словами.
💰 Монетизация:
• Telegram-бот с подпиской или платным доступом к полному курсу
• Веб-платформа с прогрессом и рейтингами
• Продажа кастомных версий школам или EdTech-проектам
⸻
⚙️ 2. Smol-ассистенты для компаний
Маленькие модели можно обучить на документации, инструкциях и переписке с клиентами.
Они становятся внутренними помощниками сотрудников: отвечают на вопросы, подсказывают формулировки, ищут нужные данные.
💰 Монетизация:
• Коробочные решения «AI-ассистент для компании»
• Консалтинг и кастомизация под отрасль HR, юристы, медицина
⸻
💬 3. ИИ-помощники для техподдержки
Smol-модель, обученная на базе знаний и реальных обращениях, умеет:
• понимать запрос пользователя
• подбирать статью из базы
• предлагать готовый ответ оператору
💰 Монетизация:
• Локальные решения для бизнеса без облака и утечек данных
• SaaS-подписка на «AI-помощник поддержки»
• Модуль для Helpdesk-систем
⸻
🪙 4. Тематические чат-боты и эксперты
Модель можно обучить в одной нише: финансы, ЖКХ, авто, медицина, туризм, культура, образование.
Получается эксперт, который отвечает профессионально, но просто.
💰 Монетизация:
• Telegram-бот с Freemium-доступом
• Партнёрские интеграции с сайтами и платформами
• Продажа API-доступа другим разработчикам
⸻
🧩 5. Игровые и интерактивные проекты
Smol-модель можно превратить в живого персонажа: историческая личность, виртуальный учитель, собеседник или гид по музею.
💰 Монетизация:
• Донаты и внутриигровые апгрейды
• Платные диалоги или уровни
• Лицензирование персонажей для приложений и выставок
⸻
🌐 6. Офлайн-и приватные решения
Маленькие модели можно запускать на локальных серверах или даже мини-ПК без интернета.
Это идеальный вариант для школ, музеев, муниципальных систем, где важна конфиденциальность.
💰 Монетизация:
• Установка и сопровождение локальных AI-систем
• Подписка на обновления и обучение моделей
• Продажа лицензий организациям
⸻
🚀 7. Сервисы для разработчиков
Собственная Smol-модель может стать ядром микросервиса: API-интерфейс для генерации ответов, поиска, резюме, кода.
💰 Монетизация:
• Доступ к API по подписке или тарифам usage-based
• White-label-решения для интеграции в чужие продукты
⸻
💡 Главное
Smol-модель — это не мини-копия GPT, а твой личный ИИ,
которого можно обучить под конкретную нишу, бренд, клиента или школу.
👍1
⚙️ Урок 2. Как выбрать архитектуру и размер модели
---
🎯 Цель
Научиться подбирать архитектуру и размер модели, исходя из цели проекта, данных и доступных ресурсов.
---
1️⃣ С чего начать выбор
Перед тем как выбрать модель, ответь на три вопроса:
- 🧩 Что ты хочешь, чтобы модель умела делать — чат, суммаризация, генерация кода, анализ текстов?
- 📊 Сколько у тебя данных — десятки мегабайт, гигабайты или больше?
- ⚙️ Какие у тебя ресурсы — одна видеокарта на 8 ГБ, 12 ГБ или больше?
Эти факторы определяют, насколько «малой» может быть твоя Smol-модель.
---
2️⃣ Что такое архитектура модели
Архитектура — это то, как модель думает: как она обрабатывает, запоминает и воспроизводит текст.
Есть три основных типа:
- 🧠 Decoder-only — идеально для генерации текста и диалогов (GPT, LLaMA).
- 🧩 Encoder-decoder — подходит для перевода и суммаризации (T5, Flan-T5).
- 🪶 Encoder-only — используется для классификации и поиска (BERT, RoBERTa).
Для Smol-подхода Hugging Face рекомендует начинать с decoder-only,
так как это самые простые и гибкие модели.
---
3️⃣ Как выбрать размер модели
🔹 100M – 500M параметров — отличны для первых экспериментов и отладки пайплайна.
🔹 1B – 3B — уже можно обучать под конкретную задачу (чат-бот, FAQ, анализ).
🔹 7B и выше — серьёзные кейсы, но требуют нескольких GPU по 24 ГБ.
💡 Главное правило Smol:
Начинай с минимальной модели, убедись, что всё работает — и только потом масштабируй.
---
4️⃣ Мой выбор для практики
Для своих экспериментов я выберу:
- Архитектуру — decoder-only (GPT-подобная)
- Модель — SmolLM-135M
Она лёгкая, быстрая и отлично обучается на моей RTX 3060 (12 ГБ).
С неё начну строить первый рабочий пайплайн — от загрузки данных до экспериментов.
---
🎯 Цель
Научиться подбирать архитектуру и размер модели, исходя из цели проекта, данных и доступных ресурсов.
---
1️⃣ С чего начать выбор
Перед тем как выбрать модель, ответь на три вопроса:
- 🧩 Что ты хочешь, чтобы модель умела делать — чат, суммаризация, генерация кода, анализ текстов?
- 📊 Сколько у тебя данных — десятки мегабайт, гигабайты или больше?
- ⚙️ Какие у тебя ресурсы — одна видеокарта на 8 ГБ, 12 ГБ или больше?
Эти факторы определяют, насколько «малой» может быть твоя Smol-модель.
---
2️⃣ Что такое архитектура модели
Архитектура — это то, как модель думает: как она обрабатывает, запоминает и воспроизводит текст.
Есть три основных типа:
- 🧠 Decoder-only — идеально для генерации текста и диалогов (GPT, LLaMA).
- 🧩 Encoder-decoder — подходит для перевода и суммаризации (T5, Flan-T5).
- 🪶 Encoder-only — используется для классификации и поиска (BERT, RoBERTa).
Для Smol-подхода Hugging Face рекомендует начинать с decoder-only,
так как это самые простые и гибкие модели.
---
3️⃣ Как выбрать размер модели
🔹 100M – 500M параметров — отличны для первых экспериментов и отладки пайплайна.
🔹 1B – 3B — уже можно обучать под конкретную задачу (чат-бот, FAQ, анализ).
🔹 7B и выше — серьёзные кейсы, но требуют нескольких GPU по 24 ГБ.
💡 Главное правило Smol:
Начинай с минимальной модели, убедись, что всё работает — и только потом масштабируй.
---
4️⃣ Мой выбор для практики
Для своих экспериментов я выберу:
- Архитектуру — decoder-only (GPT-подобная)
- Модель — SmolLM-135M
Она лёгкая, быстрая и отлично обучается на моей RTX 3060 (12 ГБ).
С неё начну строить первый рабочий пайплайн — от загрузки данных до экспериментов.
🔥1
🎓 Сегодня стартовал интенсив от Google — _Generative AI Intensive 2025_
Я решил принять участие в этом 5-дневном курсе, чтобы глубже разобраться, как создаются и работают современные агентные системы на базе LLM и MCP.
---
🧩 День 1. Введение в агентов и основы LLM
Сегодняшняя программа включает два блока:
1️⃣ Foundational Large Language Models & Text Generation
📘 Кратко:
- LLM — это большие языковые модели, которые умеют понимать и генерировать текст.
- В их основе лежит архитектура Transformer, использующая механизмы внимания (Self-Attention, Multi-Head Attention) для понимания контекста.
- Современные LLM обучаются в два этапа: pre-training на гигантских корпусах данных и fine-tuning под конкретные задачи.
- Ключевые техники оптимизации — LoRA, RLHF, а также ускорение инференса (quantization, Flash Attention, KV-cache).
🎧 В рамках курса — подкаст + технический whitepaper
Whitepaper — Foundational LLMs & Text Generation
---
2️⃣ Prompt Engineering
📘 Кратко:
- Промпт — это то, как мы общаемся с моделью: чем точнее формулировка, тем лучше результат.
- Основные подходы: zero-shot, few-shot, chain-of-thought, ReAct.
- Хороший промпт — это баланс контекста, формата и четких инструкций.
- Инженерия промптов становится отдельным направлением: теперь это не “подсказка”, а часть программирования ИИ.
🎧 Материалы модуля
Whitepaper — Prompt Engineering
---
💻 Практические задания
На сегодня нужно выполнить два codelab-упражнения на Kaggle:
1️⃣ Prompting Fundamentals
2️⃣ Evaluation and Structured Data
---
📚 Я фиксирую процесс прохождения интенсива и все заметки публикую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
Я решил принять участие в этом 5-дневном курсе, чтобы глубже разобраться, как создаются и работают современные агентные системы на базе LLM и MCP.
---
🧩 День 1. Введение в агентов и основы LLM
Сегодняшняя программа включает два блока:
1️⃣ Foundational Large Language Models & Text Generation
📘 Кратко:
- LLM — это большие языковые модели, которые умеют понимать и генерировать текст.
- В их основе лежит архитектура Transformer, использующая механизмы внимания (Self-Attention, Multi-Head Attention) для понимания контекста.
- Современные LLM обучаются в два этапа: pre-training на гигантских корпусах данных и fine-tuning под конкретные задачи.
- Ключевые техники оптимизации — LoRA, RLHF, а также ускорение инференса (quantization, Flash Attention, KV-cache).
🎧 В рамках курса — подкаст + технический whitepaper
Whitepaper — Foundational LLMs & Text Generation
---
2️⃣ Prompt Engineering
📘 Кратко:
- Промпт — это то, как мы общаемся с моделью: чем точнее формулировка, тем лучше результат.
- Основные подходы: zero-shot, few-shot, chain-of-thought, ReAct.
- Хороший промпт — это баланс контекста, формата и четких инструкций.
- Инженерия промптов становится отдельным направлением: теперь это не “подсказка”, а часть программирования ИИ.
🎧 Материалы модуля
Whitepaper — Prompt Engineering
---
💻 Практические задания
На сегодня нужно выполнить два codelab-упражнения на Kaggle:
1️⃣ Prompting Fundamentals
2️⃣ Evaluation and Structured Data
---
📚 Я фиксирую процесс прохождения интенсива и все заметки публикую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
Kaggle
Foundational Large Language Models & Text Generation
Discover what actually works in AI. Join millions of builders, researchers, and labs evaluating agents, models, and frontier technology through crowdsourced benchmarks, competitions, and hackathons.
🎓 День 2 — Embeddings и Vector Stores / Databases
Сегодня продолжаю участие в интенсиве Generative AI Intensive 2025 от Google.
Тема второго дня — как машины “понимают” смысл данных и хранят его в виде чисел.
---
## 🧩 Embeddings — «язык смысла»
Embedding — это вектор (набор чисел), в котором зашифрован смысл текста, изображения или звука.
Близкие по смыслу объекты располагаются рядом в многомерном пространстве.
📘 Кратко:
- Embeddings позволяют сравнивать тексты по смыслу, а не по словам.
- Используются в поиске, рекомендациях, RAG-системах и мультимодальных моделях.
- Современные модели (E5, Gecko, Gemini Embeddings) создают универсальные представления для разных типов данных.
- Качество embeddings оценивают по метрикам Precision@k, nDCG и другим бенчмаркам (MTEB, BEIR).
---
## 🗄 Vector Stores — «база смыслов»
Чтобы искать по смыслу, нужны специальные базы — векторные БД.
Они хранят embedding-вектора и позволяют быстро находить ближайшие по значению.
📘 Примеры:
- Vertex AI Vector Search (ScaNN)
- pgvector / AlloyDB
- Pinecone, Weaviate, ChromaDB
📈 Алгоритмы поиска (HNSW, ScaNN) позволяют искать среди миллиардов векторов почти мгновенно.
---
## ⚙️ Практические задания (Kaggle)
Сегодняшние codelab-упражнения:
1️⃣ Build a RAG question-answering system over custom documents
→ создание системы вопрос-ответ на своих документах с поиском по embeddings.
2️⃣ Explore text similarity with embeddings
→ измерение семантического сходства текстов в векторном пространстве.
3️⃣ Build a neural classification network with Keras using embeddings
→ обучение нейросети для классификации текста на базе векторных представлений.
---
📚 Все заметки и результаты я фиксирую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
Сегодня продолжаю участие в интенсиве Generative AI Intensive 2025 от Google.
Тема второго дня — как машины “понимают” смысл данных и хранят его в виде чисел.
---
## 🧩 Embeddings — «язык смысла»
Embedding — это вектор (набор чисел), в котором зашифрован смысл текста, изображения или звука.
Близкие по смыслу объекты располагаются рядом в многомерном пространстве.
📘 Кратко:
- Embeddings позволяют сравнивать тексты по смыслу, а не по словам.
- Используются в поиске, рекомендациях, RAG-системах и мультимодальных моделях.
- Современные модели (E5, Gecko, Gemini Embeddings) создают универсальные представления для разных типов данных.
- Качество embeddings оценивают по метрикам Precision@k, nDCG и другим бенчмаркам (MTEB, BEIR).
---
## 🗄 Vector Stores — «база смыслов»
Чтобы искать по смыслу, нужны специальные базы — векторные БД.
Они хранят embedding-вектора и позволяют быстро находить ближайшие по значению.
📘 Примеры:
- Vertex AI Vector Search (ScaNN)
- pgvector / AlloyDB
- Pinecone, Weaviate, ChromaDB
📈 Алгоритмы поиска (HNSW, ScaNN) позволяют искать среди миллиардов векторов почти мгновенно.
---
## ⚙️ Практические задания (Kaggle)
Сегодняшние codelab-упражнения:
1️⃣ Build a RAG question-answering system over custom documents
→ создание системы вопрос-ответ на своих документах с поиском по embeddings.
2️⃣ Explore text similarity with embeddings
→ измерение семантического сходства текстов в векторном пространстве.
3️⃣ Build a neural classification network with Keras using embeddings
→ обучение нейросети для классификации текста на базе векторных представлений.
---
📚 Все заметки и результаты я фиксирую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
GitLab
learning / Generative AI Intensive Course with Google · GitLab
GitLab Community Edition
🎓 День 3 — Generative AI Agents
Сегодня продолжаю участие в интенсиве Generative AI Intensive 2025 от Google.
Тема дня — построение продвинутых агентных систем, которые не только отвечают на запросы, но и действуют, взаимодействуя с реальным миром.
---
## 🤖 Generative AI Agents — как ИИ учится действовать
Агент — это не просто LLM, а система, которая умеет:
- понимать задачу и планировать шаги её решения;
- использовать внешние инструменты (API, БД, файлы, сервисы);
- помнить предыдущие действия и корректировать курс;
- работать в цикле восприятия → рассуждения → действия → обратной связи.
📘 Основные компоненты агента:
1️⃣ Модель (LLM) — рассуждает и принимает решения.
2️⃣ Инструменты (Tools) — выполняют реальные действия (например, SQL-запросы или бронирования).
3️⃣ Оркестрация — управляет последовательностью шагов.
4️⃣ Память — хранит контекст и результаты.
Такие агенты становятся ядром систем нового поколения — чат-ботов, ассистентов, аналитических платформ.
---
## 🧠 Advanced Architectures
📈 Современные агентные подходы, описанные в whitepaper Agents Companion:
- Multi-Agent Systems — сеть агентов, которые сотрудничают и проверяют друг друга.
- Agent Evaluation — методы оценки качества рассуждений и действий (LLM-as-Judge).
- AgentOps — принципы продакшн-развёртывания и мониторинга.
🧩 Агенты могут планировать, делегировать и выполнять задачи вместе — как цифровая команда.
---
## 💻 Практические задания (Kaggle)
Сегодняшние codelab-упражнения:
1️⃣ Talk to a Database with Function Calling
→ подключение LLM к реальной SQL-базе данных через вызовы функций (в том числе пример с Gemini 2.0 Live API).
2️⃣ Build an Agentic Ordering System in LangGraph
→ создание интерактивного агента-официанта, который принимает заказы в кафе и использует инструментальные вызовы для выполнения действий.
---
📚 Все заметки и результаты я фиксирую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
Сегодня продолжаю участие в интенсиве Generative AI Intensive 2025 от Google.
Тема дня — построение продвинутых агентных систем, которые не только отвечают на запросы, но и действуют, взаимодействуя с реальным миром.
---
## 🤖 Generative AI Agents — как ИИ учится действовать
Агент — это не просто LLM, а система, которая умеет:
- понимать задачу и планировать шаги её решения;
- использовать внешние инструменты (API, БД, файлы, сервисы);
- помнить предыдущие действия и корректировать курс;
- работать в цикле восприятия → рассуждения → действия → обратной связи.
📘 Основные компоненты агента:
1️⃣ Модель (LLM) — рассуждает и принимает решения.
2️⃣ Инструменты (Tools) — выполняют реальные действия (например, SQL-запросы или бронирования).
3️⃣ Оркестрация — управляет последовательностью шагов.
4️⃣ Память — хранит контекст и результаты.
Такие агенты становятся ядром систем нового поколения — чат-ботов, ассистентов, аналитических платформ.
---
## 🧠 Advanced Architectures
📈 Современные агентные подходы, описанные в whitepaper Agents Companion:
- Multi-Agent Systems — сеть агентов, которые сотрудничают и проверяют друг друга.
- Agent Evaluation — методы оценки качества рассуждений и действий (LLM-as-Judge).
- AgentOps — принципы продакшн-развёртывания и мониторинга.
🧩 Агенты могут планировать, делегировать и выполнять задачи вместе — как цифровая команда.
---
## 💻 Практические задания (Kaggle)
Сегодняшние codelab-упражнения:
1️⃣ Talk to a Database with Function Calling
→ подключение LLM к реальной SQL-базе данных через вызовы функций (в том числе пример с Gemini 2.0 Live API).
2️⃣ Build an Agentic Ordering System in LangGraph
→ создание интерактивного агента-официанта, который принимает заказы в кафе и использует инструментальные вызовы для выполнения действий.
---
📚 Все заметки и результаты я фиксирую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
GitLab
learning / Generative AI Intensive Course with Google · GitLab
GitLab Community Edition
🎓 День 4 — Domain-Specific LLMs
Продолжаю участие в интенсиве Generative AI Intensive 2025 от Google.
Сегодняшняя тема — специализированные модели для сложных доменов, таких как кибербезопасность и медицина.
---
## 🧠 Почему нужны Domain-Specific LLMs
Универсальные модели хороши для широких задач, но в критически важных областях — безопасности, медицине, биоинформатике — они часто недостаточно точны.
Поэтому создаются специализированные LLM:
- SecLM — модель для кибербезопасности
- MedLM / Med-PaLM — модели для медицинской диагностики и анализа
- Обучаются на доменных корпусах (threat intel, мед. литература, клинические QA)
- Требуют тщательной оценки экспертами, а не только автоматических метрик
📘 Из документа “Solving Domain-Specific Problems Using LLMs”:
### 🔒 SecLM (Cybersecurity)
- Анализирует угрозы, вредоносные скрипты, алерты
- Генерирует SIEM-запросы по описанию
- Автоматизирует триаж
- Работает в связке с RAG и инструментами расследования
- Учитывает свежие данные (threat intel)
### 🏥 MedLM / Med-PaLM (Healthcare)
- Long-form reasoning для сложных клинических запросов
- Порог USMLE на уровне экспертов
- Оценивается не только метриками, но и врачами по rubric-критериям: фактичность, риск вреда, соответствие стандартам
- Требует многоступенчатой проверки перед применением в клинике
---
## 💻 Практические задания (Kaggle)
Сегодня в codelabs:
1️⃣ Tune a Gemini model for a custom task
→ обучение кастомной версии Gemini на собственных размеченных данных.
2️⃣ Use Google Search data in generation
→ интеграция реальных поисковых результатов в модель и визуализация через Live API.
Эти упражнения показывают, как LLM можно адаптировать под конкретные домены и подключить к реальным источникам данных.
---
📚 Все мои конспекты и ход выполнения интенсива я фиксирую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
Продолжаю участие в интенсиве Generative AI Intensive 2025 от Google.
Сегодняшняя тема — специализированные модели для сложных доменов, таких как кибербезопасность и медицина.
---
## 🧠 Почему нужны Domain-Specific LLMs
Универсальные модели хороши для широких задач, но в критически важных областях — безопасности, медицине, биоинформатике — они часто недостаточно точны.
Поэтому создаются специализированные LLM:
- SecLM — модель для кибербезопасности
- MedLM / Med-PaLM — модели для медицинской диагностики и анализа
- Обучаются на доменных корпусах (threat intel, мед. литература, клинические QA)
- Требуют тщательной оценки экспертами, а не только автоматических метрик
📘 Из документа “Solving Domain-Specific Problems Using LLMs”:
### 🔒 SecLM (Cybersecurity)
- Анализирует угрозы, вредоносные скрипты, алерты
- Генерирует SIEM-запросы по описанию
- Автоматизирует триаж
- Работает в связке с RAG и инструментами расследования
- Учитывает свежие данные (threat intel)
### 🏥 MedLM / Med-PaLM (Healthcare)
- Long-form reasoning для сложных клинических запросов
- Порог USMLE на уровне экспертов
- Оценивается не только метриками, но и врачами по rubric-критериям: фактичность, риск вреда, соответствие стандартам
- Требует многоступенчатой проверки перед применением в клинике
---
## 💻 Практические задания (Kaggle)
Сегодня в codelabs:
1️⃣ Tune a Gemini model for a custom task
→ обучение кастомной версии Gemini на собственных размеченных данных.
2️⃣ Use Google Search data in generation
→ интеграция реальных поисковых результатов в модель и визуализация через Live API.
Эти упражнения показывают, как LLM можно адаптировать под конкретные домены и подключить к реальным источникам данных.
---
📚 Все мои конспекты и ход выполнения интенсива я фиксирую в GitLab:
👉 gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
GitLab
learning / Generative AI Intensive Course with Google · GitLab
GitLab Community Edition
🎯 Что нового в GPT-5.1 и как правильно с ним работать
OpenAI выпустила обновленный официальный гайд по промптингу для модели GPT-5.1. Это один из самых полезных документов для тех, кто строит ассистентов, агентов и автоматизацию на основе LLM. Ниже короткая, но точная выжимка.
⸻
🤖 Что такое GPT-5.1 на практике
Модель стала:
• умнее — более устойчивые рассуждения
• быстрее — особенно в легком режиме без дополнительного рассуждения
• надежнее — лучше следует инструкциям
• дешевле на коротких задачах
Главная цель 5.1 — предсказуемость поведения и гибкая управляемость агента.
⸻
🧩 1. Управляемость агента
Теперь можно точнее контролировать:
• стиль общения (строгий, дружелюбный, экспертный)
• длину ответов
• эмоциональность
• уровень детализации
• реакцию на благодарности и ошибки
• частоту и формат промежуточных обновлений
Модель стала более послушной, но требует аккуратных системных инструкций без противоречий.
⸻
🔄 2. Промежуточные сообщения (user updates)
GPT-5.1 умеет сам:
• отправлять короткие апдейты о прогрессе
• резюмировать сделанное
• показывать следующий шаг
Можно настраивать:
• как часто отправлять обновления
• в каком формате (обычно 1–2 предложения)
• какое содержание: что сделано, что узнали, что дальше
⸻
🧠 3. Улучшенные способности к рассуждению
Иногда модель по умолчанию останавливается слишком рано. Это лечится явными правилами про настойчивость:
• доводи решение до конца
• не пропускай важных шагов
• не задавай лишних уточняющих вопросов без необходимости
• перед завершением сверяйся с ограничениями задачи
GPT-5.1 хорошо реагирует на такие мета-инструкции: становится более целеустремленной и последовательной.
⸻
🛠 4. Работа с инструментами
Модель стала заметно лучше в:
• выборе подходящего инструмента под задачу
• заполнении аргументов функций
• соблюдении схем и контрактов
• параллельном вызове нескольких инструментов
В гайде советуют явно описывать:
• когда использовать каждый инструмент
• какие параметры обязательны
• что проверять перед вызовом
• примеры корректного использования в типичных сценариях
⸻
⚡ 5. Легкий режим без дополнительного рассуждения
Для быстрых приложений можно использовать облегченный режим работы модели без развернутого внутреннего рассуждения.
Он дает:
• очень низкую задержку
• стоимость на уровне прежних легких моделей
• улучшенную работу с вызовом функций
• нормальную совместимость с инструментами и RAG
Подходит для:
• чат-ботов
• систем вопрос–ответ на базе своих данных
• API-агентов
• мобильных и realtime-систем
⸻
👨💻 6. Новые возможности для разработки
GPT-5.1 получил более надежные инструменты для работы с кодом и окружением:
• выполнение команд оболочки — можно анализировать файлы, проекты, логи
• улучшенный механизм правки файлов — меньше сбоев и поломанных диффов
В результате модель стала практичнее для задач разработки, DevOps и автоматизации инфраструктуры.
⸻
🧬 7. Метапромптинг — автоотладка промптов
GPT-5.1 способен:
• находить конфликтующие или дублирующие инструкции в системном промпте
• подсвечивать потенциальные проблемы в поведении агента
• предлагать точечные правки и улучшения
• реструктурировать промпт, не ломая исходную задумку
По сути, модель можно использовать как консультанта по настройке самой себя.
⸻
🧾 Итог
GPT-5.1 — шаг к более предсказуемым и управляемым LLM-агентам. Лучшие результаты получаются, когда:
• системные инструкции четко структурированы
• инструменты описаны ясно и однозначно
• есть правила настойчивости и проверки результата
• используются продуманные промежуточные обновления
• для простых задач включен легкий режим без лишнего рассуждения
OpenAI выпустила обновленный официальный гайд по промптингу для модели GPT-5.1. Это один из самых полезных документов для тех, кто строит ассистентов, агентов и автоматизацию на основе LLM. Ниже короткая, но точная выжимка.
⸻
🤖 Что такое GPT-5.1 на практике
Модель стала:
• умнее — более устойчивые рассуждения
• быстрее — особенно в легком режиме без дополнительного рассуждения
• надежнее — лучше следует инструкциям
• дешевле на коротких задачах
Главная цель 5.1 — предсказуемость поведения и гибкая управляемость агента.
⸻
🧩 1. Управляемость агента
Теперь можно точнее контролировать:
• стиль общения (строгий, дружелюбный, экспертный)
• длину ответов
• эмоциональность
• уровень детализации
• реакцию на благодарности и ошибки
• частоту и формат промежуточных обновлений
Модель стала более послушной, но требует аккуратных системных инструкций без противоречий.
⸻
🔄 2. Промежуточные сообщения (user updates)
GPT-5.1 умеет сам:
• отправлять короткие апдейты о прогрессе
• резюмировать сделанное
• показывать следующий шаг
Можно настраивать:
• как часто отправлять обновления
• в каком формате (обычно 1–2 предложения)
• какое содержание: что сделано, что узнали, что дальше
⸻
🧠 3. Улучшенные способности к рассуждению
Иногда модель по умолчанию останавливается слишком рано. Это лечится явными правилами про настойчивость:
• доводи решение до конца
• не пропускай важных шагов
• не задавай лишних уточняющих вопросов без необходимости
• перед завершением сверяйся с ограничениями задачи
GPT-5.1 хорошо реагирует на такие мета-инструкции: становится более целеустремленной и последовательной.
⸻
🛠 4. Работа с инструментами
Модель стала заметно лучше в:
• выборе подходящего инструмента под задачу
• заполнении аргументов функций
• соблюдении схем и контрактов
• параллельном вызове нескольких инструментов
В гайде советуют явно описывать:
• когда использовать каждый инструмент
• какие параметры обязательны
• что проверять перед вызовом
• примеры корректного использования в типичных сценариях
⸻
⚡ 5. Легкий режим без дополнительного рассуждения
Для быстрых приложений можно использовать облегченный режим работы модели без развернутого внутреннего рассуждения.
Он дает:
• очень низкую задержку
• стоимость на уровне прежних легких моделей
• улучшенную работу с вызовом функций
• нормальную совместимость с инструментами и RAG
Подходит для:
• чат-ботов
• систем вопрос–ответ на базе своих данных
• API-агентов
• мобильных и realtime-систем
⸻
👨💻 6. Новые возможности для разработки
GPT-5.1 получил более надежные инструменты для работы с кодом и окружением:
• выполнение команд оболочки — можно анализировать файлы, проекты, логи
• улучшенный механизм правки файлов — меньше сбоев и поломанных диффов
В результате модель стала практичнее для задач разработки, DevOps и автоматизации инфраструктуры.
⸻
🧬 7. Метапромптинг — автоотладка промптов
GPT-5.1 способен:
• находить конфликтующие или дублирующие инструкции в системном промпте
• подсвечивать потенциальные проблемы в поведении агента
• предлагать точечные правки и улучшения
• реструктурировать промпт, не ломая исходную задумку
По сути, модель можно использовать как консультанта по настройке самой себя.
⸻
🧾 Итог
GPT-5.1 — шаг к более предсказуемым и управляемым LLM-агентам. Лучшие результаты получаются, когда:
• системные инструкции четко структурированы
• инструменты описаны ясно и однозначно
• есть правила настойчивости и проверки результата
• используются продуманные промежуточные обновления
• для простых задач включен легкий режим без лишнего рассуждения
🎓 День 5 — MLOps for Generative AI
Сегодня завершающий день интенсива Generative AI Intensive 2025 от Google.
Мы перешли от работы с моделями и агентами к самому главному — как привести всё это к продакшену.
---
⚙️ Что такое MLOps для Generative AI
Классические MLOps-подходы недостаточны для LLM. Генеративные системы требуют:
• контроля версий промптов, а не только моделей
• мониторинга качества, галлюцинаций и фактичности
• отслеживания поведения агентов и инструментов
• управляемой оркестрации
• интеграции RAG и векторных баз
• аудита данных, задержек и стоимости
• безопасного и воспроизводимого деплоя
Google предлагает адаптированную архитектуру на базе Vertex AI: построение, оценка, логирование, мониторинг, управление версиями и полная наблюдаемость.
---
🧩 Основные идеи whitepaper MLOps for Generative AI
• Прототип — это только начало. Самое сложное начинается при переходе к продакшену.
• Наблюдаемость — ключ: понимать, что модель делает и почему.
• Многоуровневая оценка: автоматическая, ручная, бизнес-метрики.
• Поддержка RAG, fine-tuning, инструментов и агентов — встроенная часть пайплайна.
• Управление промптами и retrieval так же важно, как управление кодом.
• Vertex AI AgentOps помогает строить надежные многошаговые агенты.
• Продакшен требует тестов, защиты от регрессий и мониторинга как в классическом софте — но с учётом особенностей LLM.
---
💻 Практическая часть
Сегодня нет codelabs.
На завтрашнем стриме Google покажет:
• walkthrough по репозиторию goo.gle/agent-starter-pack
• живую демонстрацию MLOps для GenAI
• разбор архитектуры продакшен-агента
Рекомендуется заранее изучить репозиторий.
---
📚 Все заметки и прогресс прохождения курса я фиксирую в GitLab:
gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
Сегодня завершающий день интенсива Generative AI Intensive 2025 от Google.
Мы перешли от работы с моделями и агентами к самому главному — как привести всё это к продакшену.
---
⚙️ Что такое MLOps для Generative AI
Классические MLOps-подходы недостаточны для LLM. Генеративные системы требуют:
• контроля версий промптов, а не только моделей
• мониторинга качества, галлюцинаций и фактичности
• отслеживания поведения агентов и инструментов
• управляемой оркестрации
• интеграции RAG и векторных баз
• аудита данных, задержек и стоимости
• безопасного и воспроизводимого деплоя
Google предлагает адаптированную архитектуру на базе Vertex AI: построение, оценка, логирование, мониторинг, управление версиями и полная наблюдаемость.
---
🧩 Основные идеи whitepaper MLOps for Generative AI
• Прототип — это только начало. Самое сложное начинается при переходе к продакшену.
• Наблюдаемость — ключ: понимать, что модель делает и почему.
• Многоуровневая оценка: автоматическая, ручная, бизнес-метрики.
• Поддержка RAG, fine-tuning, инструментов и агентов — встроенная часть пайплайна.
• Управление промптами и retrieval так же важно, как управление кодом.
• Vertex AI AgentOps помогает строить надежные многошаговые агенты.
• Продакшен требует тестов, защиты от регрессий и мониторинга как в классическом софте — но с учётом особенностей LLM.
---
💻 Практическая часть
Сегодня нет codelabs.
На завтрашнем стриме Google покажет:
• walkthrough по репозиторию goo.gle/agent-starter-pack
• живую демонстрацию MLOps для GenAI
• разбор архитектуры продакшен-агента
Рекомендуется заранее изучить репозиторий.
---
📚 Все заметки и прогресс прохождения курса я фиксирую в GitLab:
gitlab.vadimevgrafov.ru/learning/generative-ai-intensive-course-with-google
GitHub
GitHub - GoogleCloudPlatform/agent-starter-pack: Ship AI Agents to Google Cloud in minutes, not months. Production-ready templates…
Ship AI Agents to Google Cloud in minutes, not months. Production-ready templates with built-in CI/CD, evaluation, and observability. - GoogleCloudPlatform/agent-starter-pack
🎯 Как собрать идеальный системный промпт для GPT-5.1
Готовый шаблон, который можно адаптировать под любую задачу
GPT-5.1 стал намного более управляемым и чувствительным к структуре инструкций.
Правильный системный промпт — это 70 процентов качества работы агента.
Ниже короткая инструкция, как собрать идеальный системный промпт, и готовый универсальный шаблон.
⸻
🔥 Основные принципы идеального системного промпта для GPT-5.1
1. Пиши в структурированном виде
GPT-5.1 лучше понимает системные промпты, если они разбиты на смысловые блоки.
Например: роль, стиль, правила, инструменты, исключения.
2. Не смешивай противоречащие правила
GPT-5.1 строго следует структуре.
Если внутри есть конфликт типа «пиши подробно» и «будь кратким» — итог будет непредсказуемым.
3. Добавляй отдельный блок про настойчивость
Это решает проблему, когда модель останавливается слишком рано или не завершает задачу.
4. Объясняй, как агент должен говорить
Темперамент, тон, эмоции, длина, формат — всё должно быть явно прописано.
5. Всегда указывай, как агент работает с инструментами
Когда использовать, что проверять, что делать при ошибках — чем точнее правила, тем стабильнее агент.
6. Добавляй правила для проверки результата
GPT-5.1 хорошо выполняет инструкции вроде
проверь ограничения перед завершением задачи.
⸻
📘 Готовый универсальный шаблон системного промпта для GPT-5.1
(адаптируй под свои задачи)
Ниже шаблон уже оптимизирован под GPT-5.1: структура, блоки, формулировки — всё учитывает особенности новой модели.
Он универсален: можно использовать для ассистента, агента, поддержки, аналитики, DevOps, кода, RAG.
⸻
Готовый шаблон, который можно адаптировать под любую задачу
GPT-5.1 стал намного более управляемым и чувствительным к структуре инструкций.
Правильный системный промпт — это 70 процентов качества работы агента.
Ниже короткая инструкция, как собрать идеальный системный промпт, и готовый универсальный шаблон.
⸻
🔥 Основные принципы идеального системного промпта для GPT-5.1
1. Пиши в структурированном виде
GPT-5.1 лучше понимает системные промпты, если они разбиты на смысловые блоки.
Например: роль, стиль, правила, инструменты, исключения.
2. Не смешивай противоречащие правила
GPT-5.1 строго следует структуре.
Если внутри есть конфликт типа «пиши подробно» и «будь кратким» — итог будет непредсказуемым.
3. Добавляй отдельный блок про настойчивость
Это решает проблему, когда модель останавливается слишком рано или не завершает задачу.
4. Объясняй, как агент должен говорить
Темперамент, тон, эмоции, длина, формат — всё должно быть явно прописано.
5. Всегда указывай, как агент работает с инструментами
Когда использовать, что проверять, что делать при ошибках — чем точнее правила, тем стабильнее агент.
6. Добавляй правила для проверки результата
GPT-5.1 хорошо выполняет инструкции вроде
проверь ограничения перед завершением задачи.
⸻
📘 Готовый универсальный шаблон системного промпта для GPT-5.1
(адаптируй под свои задачи)
Ниже шаблон уже оптимизирован под GPT-5.1: структура, блоки, формулировки — всё учитывает особенности новой модели.
Он универсален: можно использовать для ассистента, агента, поддержки, аналитики, DevOps, кода, RAG.
⸻
Роль и назначение
Ты — интеллектуальный ассистент.
Твоя задача — помогать пользователю быстро и точно, следуя указанным правилам.
Ты не философствуешь без необходимости и не задаешь лишних уточнений, если можешь действовать сразу.
Стиль
Отвечай спокойно, понятно и структурировано.
Избегай пустых фраз и лишней вежливости.
Поддерживай темп: уважение — это эффективность, а не многословие.
Если вопрос маленький — отвечай коротко.
Если вопрос большой — отвечай лаконично, но содержательно.
Правила работы
1. Заверши задачу до конца, даже если она многошаговая.
2. Не останавливайся преждевременно.
3. Не создавай лишних уточняющих вопросов, если можешь продолжать работу самостоятельно.
4. Перед завершением проверь, соответствует ли результат ограничениям задачи.
5. Думай на шаг вперед: предвидь, что понадобится дальше.
6. Если пользователь просит код, давай только то, что нужно для решения задачи, без лишнего шума.
Работа с инструментами (если есть)
1. Используй инструмент только тогда, когда он действительно нужен.
2. Проверяй параметры перед вызовом.
3. Если данных не хватает — запроси недостающее минимальным вопросом.
4. Возвращай ясный результат инструмента, не забывая продолжить решение задачи.
5. При ошибке инструмента предложи путь исправления.
Промежуточные обновления
Если работа многошаговая, периодически кратко сообщай, что ты сделал и что будет дальше.
Не отвлекай пользователя длинными апдейтами.
Проверка результата
Перед финальным ответом проверь:
• все ли ограничения выполнены
• нет ли логических ошибок
• полностью ли решена задача
Что запрещено
• Выдумывать данные, если их нет
• Давать длинные вступления
• Переполнять ответ кодом без необходимости
• Изменять стиль без прямого запроса пользователя
🤔 Размышление: почему ИИ — это шанс для интровертов в предпринимательстве
Последние дни я много думал о том, почему одни предприниматели легко растут и масштабируются, а другим это даётся гораздо труднее. И пришёл к интересному выводу.
Традиционно предприниматель зарабатывает больше, когда умеет масштабироваться через людей: делегировать, нанимать специалистов, выстраивать коммуникации. В такой модели экстраверты всегда имели преимущество — им проще договариваться, вдохновлять, управлять, держать команду в тонусе.
Но сейчас правила начали меняться.
Я понял, что ИИ стал новым инструментом масштабирования, который не зависит от социальных навыков.
Не нужно проводить собеседования, объяснять задачи десятью способами, учитывать настроение людей или разруливать конфликты. ИИ работает 24/7, делает рутину, пишет код, анализирует, создаёт структуру, генерирует идеи и помогает мыслить системно.
Это новая форма делегирования —
масштабирование через ИИ-агентов,
где ключевым навыком становится не харизма, а умение чётко формулировать задачи и строить процессы.
И в этой модели интроверты неожиданно получают преимущество.
Теперь, чтобы расти, не нужно быть лидером-оратором или социальным «локомотивом». Можно строить систему, где работу выполняют не люди, а ИИ — быстро, точно и без эмоциональных факторов.
По сути, ИИ превращает интровертов в предпринимателей нового типа: тех, кто масштабируется за счёт технологий, а не социальных связей.
И мне кажется, что это только начало большой трансформации.
Последние дни я много думал о том, почему одни предприниматели легко растут и масштабируются, а другим это даётся гораздо труднее. И пришёл к интересному выводу.
Традиционно предприниматель зарабатывает больше, когда умеет масштабироваться через людей: делегировать, нанимать специалистов, выстраивать коммуникации. В такой модели экстраверты всегда имели преимущество — им проще договариваться, вдохновлять, управлять, держать команду в тонусе.
Но сейчас правила начали меняться.
Я понял, что ИИ стал новым инструментом масштабирования, который не зависит от социальных навыков.
Не нужно проводить собеседования, объяснять задачи десятью способами, учитывать настроение людей или разруливать конфликты. ИИ работает 24/7, делает рутину, пишет код, анализирует, создаёт структуру, генерирует идеи и помогает мыслить системно.
Это новая форма делегирования —
масштабирование через ИИ-агентов,
где ключевым навыком становится не харизма, а умение чётко формулировать задачи и строить процессы.
И в этой модели интроверты неожиданно получают преимущество.
Теперь, чтобы расти, не нужно быть лидером-оратором или социальным «локомотивом». Можно строить систему, где работу выполняют не люди, а ИИ — быстро, точно и без эмоциональных факторов.
По сути, ИИ превращает интровертов в предпринимателей нового типа: тех, кто масштабируется за счёт технологий, а не социальных связей.
И мне кажется, что это только начало большой трансформации.
🚀 Обзор Glama AI MCP Servers
Glama AI MCP Servers — крупнейший открытый каталог MCP-серверов, созданный для того, чтобы быстро находить и подключать инструменты, расширяющие возможности языковых моделей. Glama — это не посредник и не интеграционный слой. Это реестр, где собраны тысячи MCP-серверов, которые можно подключать напрямую в Cursor, Claude или ChatGPT.
🔗 Каталог серверов: https://glama.ai/mcp/servers
Что такое MCP
Model Context Protocol — открытый стандарт Anthropic, позволяющий LLM взаимодействовать с внешними сервисами по единому протоколу.
Модель отправляет запрос → MCP-сервер делает реальный вызов к API или данным → возвращает результат обратно модели.
Так модель получает новые функции без ручной интеграции.
Зачем нужен Glama
Glama решает проблему поиска MCP-серверов. В одном месте собраны инструменты, которые:
• дают модели доступ к API и данным
• добавляют новые навыки и функции
• превращают LLM в агента
• упрощают подключение MCP в IDE и ассистентах
Как это работает
1. Открываешь каталог
2. Находишь MCP-сервер
3. Добавляешь его в Cursor, Claude или ChatGPT
После этого модель работает напрямую с выбранным сервером.
Примеры MCP-серверов
DataForSEO
Дает доступ к SERP, ключевым словам, позициям сайтов и конкурентам.
Например: Проверь позиции сайта по запросу Х — сервер делает реальный запрос к поисковой аналитике.
Instantly
Позволяет управлять email-кампаниями: рассылками, лидами, статистикой.
Jira, PostgreSQL, Google Drive, Sentry и другие
После подключения модель может:
• создавать задачи
• читать и изменять данные в базе
• анализировать ошибки
• работать с файлами и документами
Почему это важно
MCP становится стандартом расширения LLM.
Серверы дают модели реальные возможности, а Glama делает их поиск и подключение быстрым и удобным.
Важно о качестве
Экосистема открытая, уровень серверов разный.
Glama ранжирует инструменты по надежности, но перед использованием в критичных задачах стоит проверять исходный код.
Glama AI MCP Servers — крупнейший открытый каталог MCP-серверов, созданный для того, чтобы быстро находить и подключать инструменты, расширяющие возможности языковых моделей. Glama — это не посредник и не интеграционный слой. Это реестр, где собраны тысячи MCP-серверов, которые можно подключать напрямую в Cursor, Claude или ChatGPT.
🔗 Каталог серверов: https://glama.ai/mcp/servers
Что такое MCP
Model Context Protocol — открытый стандарт Anthropic, позволяющий LLM взаимодействовать с внешними сервисами по единому протоколу.
Модель отправляет запрос → MCP-сервер делает реальный вызов к API или данным → возвращает результат обратно модели.
Так модель получает новые функции без ручной интеграции.
Зачем нужен Glama
Glama решает проблему поиска MCP-серверов. В одном месте собраны инструменты, которые:
• дают модели доступ к API и данным
• добавляют новые навыки и функции
• превращают LLM в агента
• упрощают подключение MCP в IDE и ассистентах
Как это работает
1. Открываешь каталог
2. Находишь MCP-сервер
3. Добавляешь его в Cursor, Claude или ChatGPT
После этого модель работает напрямую с выбранным сервером.
Примеры MCP-серверов
DataForSEO
Дает доступ к SERP, ключевым словам, позициям сайтов и конкурентам.
Например: Проверь позиции сайта по запросу Х — сервер делает реальный запрос к поисковой аналитике.
Instantly
Позволяет управлять email-кампаниями: рассылками, лидами, статистикой.
Jira, PostgreSQL, Google Drive, Sentry и другие
После подключения модель может:
• создавать задачи
• читать и изменять данные в базе
• анализировать ошибки
• работать с файлами и документами
Почему это важно
MCP становится стандартом расширения LLM.
Серверы дают модели реальные возможности, а Glama делает их поиск и подключение быстрым и удобным.
Важно о качестве
Экосистема открытая, уровень серверов разный.
Glama ранжирует инструменты по надежности, но перед использованием в критичных задачах стоит проверять исходный код.
Glama
Open-Source MCP Servers – 77,986 in the Glama Registry
Everything MCP – servers updated daily. The most comprehensive registry of Model Context Protocol (MCP) servers, clients, tools, and integrations.