По следам поста про "Зачем СТО пишет код" - пишу про "Почему СТО не должен писать код" и коротко не получается.
Получается очень контекстозависимо.
Версии от TechCrunch victim до GreenField хипстеров.
Потому спрошу у вас:
Какие причины видите, по которым CTO лучше уже не писать промышленный код?
Получается очень контекстозависимо.
Версии от TechCrunch victim до GreenField хипстеров.
Потому спрошу у вас:
Какие причины видите, по которым CTO лучше уже не писать промышленный код?
Ключевой навык при работе с GPT — критическое мышление. Без него никак 😎
С вечеринки жена притащила домой какую-то фигурку — странную, но милую. Спросил у GPT, что это такое.
Результат:
Алиса: уверенно заявила, что это "брейнрот" и сразу предложила купить набор. Коммерсантка, что сказать.
Perplexity: спокойно и чётко — «Брекнрот», вот имя, вот описание, всё по делу.
GIGA: «Это персонаж из советского мультфильма “Летучий корабль”. Лягушка, с колесом вместо тела и палками вместо ног».
Обожаю, его галлюцинации 🐸✨
С вечеринки жена притащила домой какую-то фигурку — странную, но милую. Спросил у GPT, что это такое.
Результат:
Алиса: уверенно заявила, что это "брейнрот" и сразу предложила купить набор. Коммерсантка, что сказать.
Perplexity: спокойно и чётко — «Брекнрот», вот имя, вот описание, всё по делу.
GIGA: «Это персонаж из советского мультфильма “Летучий корабль”. Лягушка, с колесом вместо тела и палками вместо ног».
Обожаю, его галлюцинации 🐸✨
😁3
Context engineering vs prompt engineering
Пару последних недель я часто сталкиваюсь с публикациями коллег, посвящёнными ожиданиям и оценке эффективности внедрения инструментов на основе искусственного интеллекта. В профессиональном сообществе нередко звучит мнение, что без ИИ сегодня «ничего не работает», и что любые инструменты на его основе якобы гарантированно дадут эффект.
С августа я занимаюсь процессом популяризации и внедрения AI‑инструментов в нашу производственную среду. Для нас производство — это, прежде всего, разработка программных продуктов, поэтому речь идёт о внедрении ИИ в контур PDLC (Product Development Lifecycle). Однако, вопреки ожиданиям, эти решения не «взлетают» так, как рассчитывалось.
https://iostech.ru/2025/12/context-engineering-vs-prompt-engineering/
Пару последних недель я часто сталкиваюсь с публикациями коллег, посвящёнными ожиданиям и оценке эффективности внедрения инструментов на основе искусственного интеллекта. В профессиональном сообществе нередко звучит мнение, что без ИИ сегодня «ничего не работает», и что любые инструменты на его основе якобы гарантированно дадут эффект.
С августа я занимаюсь процессом популяризации и внедрения AI‑инструментов в нашу производственную среду. Для нас производство — это, прежде всего, разработка программных продуктов, поэтому речь идёт о внедрении ИИ в контур PDLC (Product Development Lifecycle). Однако, вопреки ожиданиям, эти решения не «взлетают» так, как рассчитывалось.
https://iostech.ru/2025/12/context-engineering-vs-prompt-engineering/
👍1
🚀 Учимся на ошибках: 10 правил для AI-агентов с итогового митапа сообщества разработчиков
Все любят учиться — особенно на чужих ошибках. Я, например, обожаю ретроспективы и митапы, где разбирают три главных вопроса:
Что пошло не так?
Чему научились?
Что вынесли на будущее?
Вчера как раз прошёл финальный митап разработчиков AI-агентов для производственных процессов. Собрал для вас ценные инсайты — прямую выжимку их опыта.
Итак, 10 правил, которые стоит запомнить каждому, кто работает с агентами:
1. Хорошая идея — лишь начало. Без качественной реализации она ничего не стоит.
2. Команда — важнее технологии. Успех проекта решают люди.
3. Один агент — одна задача. Чем уже фокус, тем выше эффективность.
4. Профессиональные сообщества — сила. Используйте распределённый опыт и экспертизу.
5. Пользователь всегда хочет «другое». Смотрите на продукт с разных сторон, общайтесь с максимальным количеством юзеров.
6. Документация — это искусство. Всегда найдётся тот, кому не понятно.
7. Пользователь ждёт «серебряную пулю». И это нужно учитывать, управляя ожиданиями.
8. Масштабирование закладывается заранее. Хочешь роста — думай об архитектуре с самого начала.
9. Метрики — это всё. Определи, как их собирать и анализировать, ещё до старта.
10. Промпты можно отладить на чистом GigaChat. Качество работы агента начинается с качества запроса.
Это стоит выучить как мантру.
Согласны?
Все любят учиться — особенно на чужих ошибках. Я, например, обожаю ретроспективы и митапы, где разбирают три главных вопроса:
Что пошло не так?
Чему научились?
Что вынесли на будущее?
Вчера как раз прошёл финальный митап разработчиков AI-агентов для производственных процессов. Собрал для вас ценные инсайты — прямую выжимку их опыта.
Итак, 10 правил, которые стоит запомнить каждому, кто работает с агентами:
1. Хорошая идея — лишь начало. Без качественной реализации она ничего не стоит.
2. Команда — важнее технологии. Успех проекта решают люди.
3. Один агент — одна задача. Чем уже фокус, тем выше эффективность.
4. Профессиональные сообщества — сила. Используйте распределённый опыт и экспертизу.
5. Пользователь всегда хочет «другое». Смотрите на продукт с разных сторон, общайтесь с максимальным количеством юзеров.
6. Документация — это искусство. Всегда найдётся тот, кому не понятно.
7. Пользователь ждёт «серебряную пулю». И это нужно учитывать, управляя ожиданиями.
8. Масштабирование закладывается заранее. Хочешь роста — думай об архитектуре с самого начала.
9. Метрики — это всё. Определи, как их собирать и анализировать, ещё до старта.
10. Промпты можно отладить на чистом GigaChat. Качество работы агента начинается с качества запроса.
Это стоит выучить как мантру.
Согласны?
👍4
Продолжаю делиться инсайтами с митапов разработчиков ИИ-агентов.
Опытные AI инженеры рассказали о реальных сложностях, с которыми столкнулись в процессе создания AI-агентов, о новых навыках, которые им пришлось осваивать, и о том, как первоначальная оценка «да тут на 2-3 недели работы» превращалась в 5 месяцев от идеи и сбора команды до первого пром-релиза.
Итак, на что стоит обратить внимание и что нужно «прокачать» в своем стеке:
- LangChain - фреймворк, который значительно ускоряет разработку сложных LLM-приложений, избавляя от необходимости создавать базовую инфраструктуру с нуля.
- LangGraph - мощное расширение LangChain для построения агентских систем со сложной, нелинейной логикой, управляемыми потоками выполнения и сохранением состояния.
- LangFuse - must-have инструмент для production-среды. Помогает понять работу сложных цепочек, оптимизировать затраты и улучшать качество через детальный анализ трассировок и метрик.
- SkillFlow - фреймворк для создания кооперативных мульти-агентных систем, где каждый агент обладает уникальными, специализированными навыками.
- ChainLit (Claude) - самый быстрый способ «завернуть» вашу LLM-логику в полноценное веб-приложение с современным чат-интерфейсом.
Понятно, что для учебных или простых кейсов LangGraph и SkillFlow могут быть избыточны. Но мы с вами говорим о создании решений enterprise-уровня, да?
Поэтому обязательно изучайте, как эти инструменты применяются на практике: сами тестируйте, включайте в требования к вакансиям, добавляйте в LiveCode-интервью или просите показать примеры в портфолио на GitHub
Вот и мой план на поучиться в новогодние каникулы созрел.
Опытные AI инженеры рассказали о реальных сложностях, с которыми столкнулись в процессе создания AI-агентов, о новых навыках, которые им пришлось осваивать, и о том, как первоначальная оценка «да тут на 2-3 недели работы» превращалась в 5 месяцев от идеи и сбора команды до первого пром-релиза.
Итак, на что стоит обратить внимание и что нужно «прокачать» в своем стеке:
- LangChain - фреймворк, который значительно ускоряет разработку сложных LLM-приложений, избавляя от необходимости создавать базовую инфраструктуру с нуля.
- LangGraph - мощное расширение LangChain для построения агентских систем со сложной, нелинейной логикой, управляемыми потоками выполнения и сохранением состояния.
- LangFuse - must-have инструмент для production-среды. Помогает понять работу сложных цепочек, оптимизировать затраты и улучшать качество через детальный анализ трассировок и метрик.
- SkillFlow - фреймворк для создания кооперативных мульти-агентных систем, где каждый агент обладает уникальными, специализированными навыками.
- ChainLit (Claude) - самый быстрый способ «завернуть» вашу LLM-логику в полноценное веб-приложение с современным чат-интерфейсом.
Понятно, что для учебных или простых кейсов LangGraph и SkillFlow могут быть избыточны. Но мы с вами говорим о создании решений enterprise-уровня, да?
Поэтому обязательно изучайте, как эти инструменты применяются на практике: сами тестируйте, включайте в требования к вакансиям, добавляйте в LiveCode-интервью или просите показать примеры в портфолио на GitHub
Вот и мой план на поучиться в новогодние каникулы созрел.
10👍3
Достаточно ли новых навыков разработчиков для успешной разработки ИИ решений?
Нет, недостаточно.
Внедрение ИИ, или даже трансформация в AI native — это не просто еще один инструмент в арсенале команды. Это культурный сдвиг в подходе к разработке, особенно в том, как мы документируем и организуем архитектурные решения.
В классической разработке исполняемым компьютером является только код.🧑💻 От его качества зависит результат, что неизбежно создает возможность оставить западающие области в производственном цикле. Самые очевидные из них — документация и архитектурные описания.
Технические писатели и архитекторы, какими бы опытными они ни были, часто отстают от темпа работы разработчиков. История знакома всем: разработали, протестировали (как смогли), развернули (как договорились), работает — отлично, документацию доделаем позже.
Но с🤖 эта схема не работает.
При интеграции ИИ в разработку нужно общаться с ним по правилу “мусор на входе — мусор на выходе”. Это означает, что ИИ нужна полная и структурированная информация о проекте: документация, архитектура, стандарты. Если этой информации нет или она неполная, результаты будут неудовлетворительными.💀
Две практики, которые стоит внедрить для повышения эффективности работы ИИ:
1. DocAsCode — документация как исходный код
Документацию нужно рассматривать как часть кодовой базы:
• Писать в текстовых форматах (Markdown, reStructuredText), а не в бинарных (Word, PDF)
• Хранить в системе контроля версий (Git) вместе с кодом или рядом с ним
• Проводить код-ревью через pull/merge requests
• Автоматизировать сборку через CI/CD пайплайны
• Добавлять автоматизированные тесты на качество
2. ArchAsCode — архитектура как исходный код
Архитектурные решения, диаграммы и стандарты описываются через декларативные языки разметки, что позволяет:
• Верифицировать решения на соответствие установленным правилам
• Генерировать артефакты автоматически
• Развертывать инфраструктуру как код
• Тестировать архитектурные ограничения
• Версионировать все изменения
Это логическое развитие после Infrastructure as Code (IaC) — от автоматизации инфраструктуры к автоматизации самих архитектурных решений.
Будем разбирать в деталях?
Нет, недостаточно.
Внедрение ИИ, или даже трансформация в AI native — это не просто еще один инструмент в арсенале команды. Это культурный сдвиг в подходе к разработке, особенно в том, как мы документируем и организуем архитектурные решения.
В классической разработке исполняемым компьютером является только код.
Технические писатели и архитекторы, какими бы опытными они ни были, часто отстают от темпа работы разработчиков. История знакома всем: разработали, протестировали (как смогли), развернули (как договорились), работает — отлично, документацию доделаем позже.
Но с
При интеграции ИИ в разработку нужно общаться с ним по правилу “мусор на входе — мусор на выходе”. Это означает, что ИИ нужна полная и структурированная информация о проекте: документация, архитектура, стандарты. Если этой информации нет или она неполная, результаты будут неудовлетворительными.
Две практики, которые стоит внедрить для повышения эффективности работы ИИ:
1. DocAsCode — документация как исходный код
Документацию нужно рассматривать как часть кодовой базы:
• Писать в текстовых форматах (Markdown, reStructuredText), а не в бинарных (Word, PDF)
• Хранить в системе контроля версий (Git) вместе с кодом или рядом с ним
• Проводить код-ревью через pull/merge requests
• Автоматизировать сборку через CI/CD пайплайны
• Добавлять автоматизированные тесты на качество
2. ArchAsCode — архитектура как исходный код
Архитектурные решения, диаграммы и стандарты описываются через декларативные языки разметки, что позволяет:
• Верифицировать решения на соответствие установленным правилам
• Генерировать артефакты автоматически
• Развертывать инфраструктуру как код
• Тестировать архитектурные ограничения
• Версионировать все изменения
Это логическое развитие после Infrastructure as Code (IaC) — от автоматизации инфраструктуры к автоматизации самих архитектурных решений.
Будем разбирать в деталях?
Please open Telegram to view this post
VIEW IN TELEGRAM
Вот и до меня докатилось отключение подписки Perplexity PRO, купленной по серой схеме.
https://habr.com/ru/news/980202/
В целом подписка и её возможности интересные, но надо подумать над продлением, получше изучить возможности доступных нейросеток.
Какие ваши рекомендации?
https://habr.com/ru/news/980202/
В целом подписка и её возможности интересные, но надо подумать над продлением, получше изучить возможности доступных нейросеток.
Какие ваши рекомендации?
Хабр
Perplexity отключает годовые подписки, купленные через посредников за несколько сотен рублей
Судя по обсуждению на 4PDA, ИИ-поисковик Perplexity начал массово отзывать подписки Pro у пользователей, которые активировали их в обход официальных условий. Под удар попали те, кто покупал годовой...
С восторгом наблюдаю активность в каналах у ребят.
🦥Откуда такая бодрость, парни?
Признаюсь: по работе соскучился, но вкатываюсь плавно. Уплотняю задачи и календарь.
Реально помогает практика, выстроенная еще в прошлом году — записывать все задачи в приложении.
Да, сложно. Особенно после встречи или в конце дня взять и записать задачи, разложив их по дням — когда именно их надо делать.
Но помог трюк от коллеги: использую task-трекер эффективнее. Задачи разложены по проектам, но обрабатываются в режиме “что надо делать сегодня”.
Снова сложно, но у меня сработало. ☝️
Всего два приема резко поднимают эффективность:
• Записывать задачи на конкретные даты.📝
• Делать то, что запланировано на сегодня.📆
Инструмент — singularity-app.com. Рекомендую!
🦥Откуда такая бодрость, парни?
Признаюсь: по работе соскучился, но вкатываюсь плавно. Уплотняю задачи и календарь.
Реально помогает практика, выстроенная еще в прошлом году — записывать все задачи в приложении.
Да, сложно. Особенно после встречи или в конце дня взять и записать задачи, разложив их по дням — когда именно их надо делать.
Но помог трюк от коллеги: использую task-трекер эффективнее. Задачи разложены по проектам, но обрабатываются в режиме “что надо делать сегодня”.
Снова сложно, но у меня сработало. ☝️
Всего два приема резко поднимают эффективность:
• Записывать задачи на конкретные даты.📝
• Делать то, что запланировано на сегодня.📆
Инструмент — singularity-app.com. Рекомендую!
1
Про 2 типа корпоративных культур.
Уже какое то время в беседах о эффективности и подходах к решению задач противопоставляю культуру из Y культуре из С. (Ну вы поняли про компании, да?)
Типа вот там-то в Y - там "ООО!"
А тут в С оно воооон как! Потому оно и оно.
Но оказалось, что это и внутри компании меняется - в разных подразделениях разная культура.
Лучше сформулировать получится, если представить себя руководителем и сказать одно и то же, но в разных культурах:
1. Вот есть задача, вот есть срок, да его мало, но делайте как хотите, но чтобы всё вовремя!
2. Вот есть задача, вот есть срок, я знаю процесс и понимаю, что если в этом месте поднажмем, тут начнем в параллель, итог синхронизируем - точно получится в срок.
Видно разницу? Сказано же одно и то же - сделать задачу в срок.
Погружаясь в новый проект инвестирую время в понимание деталей производственного процесса чтобы точно знать «до молекул» как работают команды, где можно поднажать, где отполировать процессы и коммуникации, чтобы выстроить культуру по 2 типу.
Удовольствие это конечно дорогое, но на мой взгляд того стоит.
Вам какая формулировка ближе?
А какую слышите чаще?
Уже какое то время в беседах о эффективности и подходах к решению задач противопоставляю культуру из Y культуре из С. (Ну вы поняли про компании, да?)
Типа вот там-то в Y - там "ООО!"
А тут в С оно воооон как! Потому оно и оно.
Но оказалось, что это и внутри компании меняется - в разных подразделениях разная культура.
Лучше сформулировать получится, если представить себя руководителем и сказать одно и то же, но в разных культурах:
1. Вот есть задача, вот есть срок, да его мало, но делайте как хотите, но чтобы всё вовремя!
2. Вот есть задача, вот есть срок, я знаю процесс и понимаю, что если в этом месте поднажмем, тут начнем в параллель, итог синхронизируем - точно получится в срок.
Видно разницу? Сказано же одно и то же - сделать задачу в срок.
Погружаясь в новый проект инвестирую время в понимание деталей производственного процесса чтобы точно знать «до молекул» как работают команды, где можно поднажать, где отполировать процессы и коммуникации, чтобы выстроить культуру по 2 типу.
Удовольствие это конечно дорогое, но на мой взгляд того стоит.
Вам какая формулировка ближе?
А какую слышите чаще?
❤2
Обнаружил себя в состоянии, лишенном желания писать новые посты.🙈
Триггеров к тому было несколько: во первых - хорошо проведенный цифровой детокс в новогодние каникулы, а во вторых - ИИ сломало моё желание.⛓️💥
Я был весьма очарован и воодушевлен возможностями LLM по проверке, стилистическим правкам текста. Ну правда же хорошо помогают.🧨🧨🧨
Посидел, собрал промпты, дававшие хорошие результаты в улучшении читабельности постов. Но чуть позже я заметил - не нравится. Текст и смыслы стали размываться, как фотографии прогнанные сквозь Барби-фильтр.🤡
Скорее инструмент не виноват - еще дам ему шанс.
А вы как? Доверяете ИИчнице безоглядно?
Триггеров к тому было несколько: во первых - хорошо проведенный цифровой детокс в новогодние каникулы, а во вторых - ИИ сломало моё желание.⛓️💥
Я был весьма очарован и воодушевлен возможностями LLM по проверке, стилистическим правкам текста. Ну правда же хорошо помогают.🧨🧨🧨
Посидел, собрал промпты, дававшие хорошие результаты в улучшении читабельности постов. Но чуть позже я заметил - не нравится. Текст и смыслы стали размываться, как фотографии прогнанные сквозь Барби-фильтр.🤡
Скорее инструмент не виноват - еще дам ему шанс.
А вы как? Доверяете ИИчнице безоглядно?
👍1
Комментарии к прошлому посту напомнили мне зачем веду этот блог и пишу в Telegram.
Моя цель - развивать навык ясного изложения информации. Написание постов и статей - это моя регулярная практика, своего рода упражнение.
Чтобы прогрессировать, я активно использую нейросети. Мой алгоритм прост: я передаю ИИ свой текст с просьбой оценить его, дать рекомендации и предложить улучшения. Через такие итерации я оттачиваю свое умение доносить мысли.
Почему это так важно? Представьте себе теплоизоляцию. Ее задача - минимизировать потери тепла по пути к батарее в вашей комнате. Так и с коммуникацией: понятность изложения резко повышает «КПД общения» и снижает общие издержки. Время - ценный ресурс, и эффективная коммуникация его экономит.
Где еще критически важна понятность?
Прямо сейчас я участвую в одном из таких ресурсоемких процессов - подготовке презентаций для руководителей высокого уровня. Здесь инвестируется огромное количество дорогого времени руководителей.
Работа над презентацией похожа на работу над текстом, но добавляется ещё и визуальный слой. Часто стремление "вложить" в слайды как можно больше приводит к обратному эффекту: информация перестает быть понятной и доступной.
К чему я всё это говорю?
Прокачка навыка создания понятных и эффективных презентаций - одна из моих целей на 2026 год.
Думаю как максимально полезно применить инструменты искусственного интеллекта и в этой сфере.
Моя цель - развивать навык ясного изложения информации. Написание постов и статей - это моя регулярная практика, своего рода упражнение.
Чтобы прогрессировать, я активно использую нейросети. Мой алгоритм прост: я передаю ИИ свой текст с просьбой оценить его, дать рекомендации и предложить улучшения. Через такие итерации я оттачиваю свое умение доносить мысли.
Почему это так важно? Представьте себе теплоизоляцию. Ее задача - минимизировать потери тепла по пути к батарее в вашей комнате. Так и с коммуникацией: понятность изложения резко повышает «КПД общения» и снижает общие издержки. Время - ценный ресурс, и эффективная коммуникация его экономит.
Где еще критически важна понятность?
Прямо сейчас я участвую в одном из таких ресурсоемких процессов - подготовке презентаций для руководителей высокого уровня. Здесь инвестируется огромное количество дорогого времени руководителей.
Работа над презентацией похожа на работу над текстом, но добавляется ещё и визуальный слой. Часто стремление "вложить" в слайды как можно больше приводит к обратному эффекту: информация перестает быть понятной и доступной.
К чему я всё это говорю?
Прокачка навыка создания понятных и эффективных презентаций - одна из моих целей на 2026 год.
Думаю как максимально полезно применить инструменты искусственного интеллекта и в этой сфере.
🔥3
Восстановление прав администратора WordPress
Обновлений выходит множество.
Я уже много писал про то, что чтобы что-то сделать в проекте или на сайте — сначала делаешь резервные копии и ставишь обновления.
Одно из таких обновлений WordPress лишило мои учетные записи прав администратора.
Как вернуть?
Вариант 1 (спойлер — не сработал)
Подключившись к базе данных WordPress делаем:
SELECT * FROM wp_users WHERE user_login=’admin’;
SELECT * FROM wp_usermeta WHERE user_id=1 AND meta_key=’wp_capabilities’;
UPDATE wp_usermeta SET meta_value=’a:1:{s:13:»administrator»;b:1;}’ WHERE umeta_id=NN LIMIT 1;
У меня и так эти значения были.
Создание новой учетки и добавление и ей прав по этому алгоритму тоже не помогло.
Вот еще несколько неработающих методов: https://sinyavsky.com/vosstanavlivaem-dostup-wordpress/…
https://iostech.ru/2026/01/восстановление-прав-администратора-wordp/
Обновлений выходит множество.
Я уже много писал про то, что чтобы что-то сделать в проекте или на сайте — сначала делаешь резервные копии и ставишь обновления.
Одно из таких обновлений WordPress лишило мои учетные записи прав администратора.
Как вернуть?
Вариант 1 (спойлер — не сработал)
Подключившись к базе данных WordPress делаем:
SELECT * FROM wp_users WHERE user_login=’admin’;
SELECT * FROM wp_usermeta WHERE user_id=1 AND meta_key=’wp_capabilities’;
UPDATE wp_usermeta SET meta_value=’a:1:{s:13:»administrator»;b:1;}’ WHERE umeta_id=NN LIMIT 1;
У меня и так эти значения были.
Создание новой учетки и добавление и ей прав по этому алгоритму тоже не помогло.
Вот еще несколько неработающих методов: https://sinyavsky.com/vosstanavlivaem-dostup-wordpress/…
https://iostech.ru/2026/01/восстановление-прав-администратора-wordp/
Вчера я захотел себе новый домашний ноут.
Мощный! Мощнейший! Мне было надо много мощи! Нужна вся мощь!!!
А зачем?
После перехода Apple на свои процессоры и того, что Parallels desktop для работы мне не нужен вопрос мощности ноутбука вообще не стоял, но в ходе изучения материалов по n8n нашел прекрасную докер-сборку, прекрасную как швейцарский нож для начинающего.
https://github.com/n8n-io/self-hosted-ai-starter-kit
Если внимательно сделать настройки по инструкции - получите готовую к работе среду n8n, векторную базу данных и локальную установку llama,интегрированную и готовую к работе между собой.
Но вот ресурсов для локально запускаемой LLM,работающей на CPU надо побольше.
Думаю теперь... инвестировать в железо для экспериментов или переключаться на облачные LLM и работать по API.
Сборку рекомендую на попробовать.
Для образовательных целей прям огонь!
Мощный! Мощнейший! Мне было надо много мощи! Нужна вся мощь!!!
А зачем?
После перехода Apple на свои процессоры и того, что Parallels desktop для работы мне не нужен вопрос мощности ноутбука вообще не стоял, но в ходе изучения материалов по n8n нашел прекрасную докер-сборку, прекрасную как швейцарский нож для начинающего.
https://github.com/n8n-io/self-hosted-ai-starter-kit
Если внимательно сделать настройки по инструкции - получите готовую к работе среду n8n, векторную базу данных и локальную установку llama,интегрированную и готовую к работе между собой.
Но вот ресурсов для локально запускаемой LLM,работающей на CPU надо побольше.
Думаю теперь... инвестировать в железо для экспериментов или переключаться на облачные LLM и работать по API.
Сборку рекомендую на попробовать.
Для образовательных целей прям огонь!
GitHub
GitHub - n8n-io/self-hosted-ai-starter-kit: The Self-hosted AI Starter Kit is an open-source template that quickly sets up a local…
The Self-hosted AI Starter Kit is an open-source template that quickly sets up a local AI environment. Curated by n8n, it provides essential tools for creating secure, self-hosted AI workflows. - n...
✍2🔥2