**ИИ от А до Я вся теория. LLM, токены и вероятности, Нейронные сети, RAG, MCP, Агенты и Harness — Transcript & Summary | SozAI** Source: https://sozai.app/transcript/ai-theory-llm-tokens-neural-networks-rag-mcp-agents-har/ Обзор теории ИИ: нейросети, LLM, токены, температура, эмбеддинги, RAG, MCP, агенты и harness. Объясняем без «чёрного ящика». ## Key Takeaways - ИИ и LLM можно понять через базовые понятия: токены, веса, вероятности, векторы - RAG и MCP — ключевые способы расширить возможности LLM внешними данными и инструментами - Агенты и harness строятся поверх LLM, но человек по-прежнему контролирует процесс разработки ## What the video covers - Цель урока — показать, что ИИ не чёрный ящик, и разобрать базовые термины вокруг LLM - Иерархия: ИИ → машинное обучение → глубокое обучение → нейронные сети → LLM - Обучение нейросети — итеративный процесс: предсказание, сравнение с правильным ответом, корректировка весов - Веса — настроенные числа внутри сети; «7 млрд параметров» означает 7 млрд таких весов - Промпт разбивается на токены, модель предсказывает следующий токен, генерация идёт циклически - Температура меняет распределение вероятностей: низкая — меньше творчества, высокая — больше разнообразия - Эмбеддинги и векторы хранят смыслы: близкие по значению слова оказываются рядом в векторном пространстве - Архитектура трансформер учитывает связи между токенами (например, местоимение и существительное) - RAG: документы разбиваются на чанки, векторизуются и используются для поиска релевантного контекста - LLM напрямую не выполняет действия — для этого нужны tool calling и протоколы вроде MCP ## Chapters 1. 00:00 Вступление и план урока 2. 02:00 Обзор терминов: RAG, MCP, галлюцинации 3. 04:30 ИИ, машинное обучение и нейронные сети 4. 06:40 Обучение модели и веса 5. 08:30 Как работает LLM: промпт, токены, генерация 6. 10:30 Температура и вероятности 7. 12:30 Эмбеддинги, векторы и RAG 8. 15:00 MCP, tool calling и агенты 9. 18:00 Harness, скиллы и роль человека Answers ## Questions about this video Что такое токен в контексте LLM? Токен — минимальная единица текста, на которую разбивается промпт перед подачей в модель. Разбиение зависит от модели и языка. Как температура влияет на ответы модели? Температура меняет распределение вероятностей при выборе следующего токена. Низкая температура делает ответы более предсказуемыми, высокая — более разнообразными и «экспериментальными». Зачем нужен RAG? RAG позволяет подключать внешнюю базу данных: документы разбиваются на чанки, превращаются в векторы и по запросу находятся наиболее релевантные фрагменты для ответа модели. ## Full Transcript — Download SRT & Markdown 00:06 Speaker A Приветствую вас, друзья! После долгого перерыва на канале — новое видео. Сегодня разбираем всю теорию про искусственный интеллект, которая нам для повседневного использования необходима. Без воды, наглядно, понятно, с примерами. 00:25 Speaker A хочешь развития продолжения этой рубрики, ставь лайк, пиши комментарии. Ну а мы начинаем. Без лишних слов, кратко пройдёмся по плану. Основная цель урока - понять, что искусственный интеллект - не чёрный ящик. Лмки, как они работают, разобрать все термины вокруг и двигаться дальше. Разберём 00:43 Speaker A Если для тебя тема искусственного интеллекта актуальна и ты хочешь продолжения этой рубрики, ставь лайк, пиши комментарии. Ну а мы начинаем. Без лишних слов, кратко пройдёмся по плану. 01:05 Speaker A Поговорим про рак чанки вектора, галлюцинации, про MCP, toлконг и остальные термины. Для многих эти термины будут уже знакомы, но также по моим наблюдениям многие разработчики такие консерваторы, и для многих это будет также всё в новинку. Поэтому давайте разбираться. В повседневной 01:23 Speaker A Основная цель урока — понять, что искусственный интеллект — не чёрный ящик. Как они работают, разобрать все термины вокруг и двигаться дальше. 01:30 Speaker A Неважно какой, да, может быть поиск, сортировка, фильтрация либо любые другие действия, которые мы определяем в коде. 01:36 Speaker A Разберём самые основы, поймём, что такое нейросети, LLM, промпты, токены, распределение вероятностей, эмбеддинги. Поговорим про цикл работы LLM, про то, как формируется последовательность токенов, про температуру, вероятности, контекст и контекстное окно, про оптимизацию контекста, про архитектуру трансформер, которая лежит в основе LLM. 01:44 Speaker A Распознавание картинок, анализ текста, перевод с пониманием контекста, генерация звука и так далее. Вот как раз искусственный интеллект - это некая система, которая способна решать такой класс задач. Искусственный интеллект - это такое достаточно широкое понятие, которое включает в себя множество всего. 02:04 Speaker A Поговорим про RAG, чанки, векторы, галлюцинации, про MCP, tool calling и остальные термины. Для многих эти термины будут уже знакомы, но по моим наблюдениям многие разработчики — такие консерваторы, и для многих это всё будет в новинку. Поэтому давайте разбираться. 02:23 Speaker A [фыркает] итераций происходит обучение этой модели, то есть выявляются закономерности. Дальше идёт разновидность машинного обучения. Deep learning, глубокое обучение, которое основано на многослойных сетях. Здесь сеть уже сама может извлекать какие-то признаки. Это хорошо работает, например, для изображений, звука, ну, для работы с 02:43 Speaker A В повседневной разработке мы без конца реализуем какие-то алгоритмы. Алгоритм решает, по сути, какой-то определённый набор задач. Неважно какой: может быть поиск, сортировка, фильтрация либо любые другие действия, которые мы определяем в коде. 02:59 Speaker A углубляться не нужно. И вот дальше идёт уже интересующий нас уровень LLM большой языковой модели. Это, по сути, уровень наших любимых чата GPT, Clod, Dipsк и так далее. То есть LLM по своей сути - это нейронная сеть, которая обучена на 03:16 Speaker A Но определённо всегда существовал класс задач, которые не решить с помощью алгоритма, по крайней мере в классическом его понимании. Распознавание картинок, анализ текста, перевод с пониманием контекста, генерация звука и так далее. Вот как раз искусственный интеллект — это некая система, которая способна решать такой класс задач. Искусственный интеллект — это достаточно широкое понятие, которое включает в себя множество всего. 03:34 Speaker A модель. В процессе обучения, корректировок происходит формирование весов. И вот эти веса, по сути, это просто числа, которые находятся внутри нейронной сети. Вот если говорят, что какая-то там модель имеет миллиарды параметров, подразумевается, что в ней 7 млрд весов каких-то настроенных чисел, 03:53 Speaker A Следующий уровень этой вложенной структуры — это машинное обучение. Это такой подход к работе с ИИ, при котором правила не прописываются вручную, они формируются на основе некой последовательности и закономерности. На вход в модель передаются данные и правильные ответы. На основе нескольких итераций происходит обучение этой модели, то есть выявляются закономерности. 04:10 Speaker A итеративным процессом. Ну и сегодня всё наше повествование будет выстроено вокруг лэмок, больших языковых моделей, которыми мы активно пользуемся. Опять же повторюсь, чаat GPT, Clini, Deepsek, это всё лэмки. И все эти лэмки обучаются на огромном количестве текста, кода, каких-то сайтов, статей, книг. В 04:33 Speaker A Дальше идёт разновидность машинного обучения — deep learning, глубокое обучение, которое основано на многослойных сетях. Здесь сеть уже сама может извлекать какие-то признаки. Это хорошо работает, например, для изображений, звука, ну и для работы с текстом в том числе. 04:51 Speaker A будем получать один и тот же ответ. Передали 10 раз, получили 10 раз один и тот же ответ. На вход подаются токены. 04:58 Speaker A Дальше уже идёт непосредственно сама нейронная сеть — супер популярное словосочетание. Нейронная сеть из себя уже представляет вот эту математическую модель, состоящую из нейронов. Чуть позже про это тоже поговорим на поверхностном уровне, потому что углубляться в теорию здесь сильно не нужно. 05:15 Speaker A называется промпт, но, думаю, это и так все знают. Вот этот промпт разбивается на токены. У каждой модели это может в целом отличаться, но по факту токен - это какая-то минимальная единица текста. 05:27 Speaker A И вот дальше идёт уже интересующий нас уровень — LLM, большая языковая модель. Это, по сути, уровень наших любимых ChatGPT, Claude, DeepSeek и так далее. То есть LLM по своей сути — это нейронная сеть, которая обучена на огромном количестве именно текстовых данных. Она может их понимать и генерировать. 05:47 Speaker A вектора позволяют хранить смыслы. То есть условно, если мы возьмём четыре слова: авто, тачка, машина, автомобиль, то, скорее всего, у них вектора будут похожи друг на другу. И вот если представить какую-нибудь плоскость, то они будут находиться на этой плоскости 06:01 Speaker A Думаю, многие из вас видели картинки того, как выглядит нейронная сеть. По сути, она имеет базово три слоя: входной, скрытый слой и выходной слой. Получается, мы прогоняем данные, обучаем, обучаем, обучаем модель. В процессе обучения, корректировок происходит формирование весов. И вот эти веса — по сути, это просто числа, которые находятся внутри нейронной сети. Если говорят, что какая-то модель имеет миллиарды параметров, подразумевается, что в ней 7 миллиардов весов — каких-то настроенных чисел, которые получились в результате обучения. 06:20 Speaker A этих векторов, так скажем, смыслов формируется именно во время обучения модели. То есть для нас, как для пользователей, весь этот флоу выглядит так. Мы написали какой-то промт. Этот промт распарсился на токены. Токены ушли в нейросеть. Нейросеть предсказывает следующий токен для генерации, добавляет 06:39 Speaker A То есть в упрощённом виде это выглядит так. Есть датасет, набор каких-то данных, это всё подаётся в модель, происходит предсказание, сравнивается с правильным ответом и меняются параметры. И вот это обучение может быть достаточно длительным итеративным процессом. 06:54 Speaker A ответ. Но тут сразу возникает вопрос. Я сказал, что нейросеть - это чистая функция. То есть на один вход всегда мы получаем один выход. Но на практике вывод всегда разный. То есть если мы напишем чату GPT пять раз привет, скорее 07:08 Speaker A Ну и сегодня всё наше повествование будет выстроено вокруг LLM, больших языковых моделей, которыми мы активно пользуемся. Опять же повторюсь: ChatGPT, Claude, DeepSeek — это всё LLM. И все эти LLM обучаются на огромном количестве текста, кода, каких-то сайтов, статей, книг. В общем, всё, что только можно запихнуть туда для обучения, сейчас уже использовано. 07:24 Speaker A несколько переменных. Одна из них - это температура. Те, кто работали с апи каких-нибудь лэмок, знают, что это такое. По факту это некоторое числовое значение, которое меняет вот эту формулу распределения. Чем ниже эта температура, тем меньше творчество у моделей. Чем 07:41 Speaker A Если исключить случайность, о которой мы будем говорить чуть позже, то нейросеть можно чисто математически рассматривать как чистую функцию. То есть при одинаковых входных значениях и параметрах мы всегда будем получать один и тот же ответ. Передали 10 раз — получили 10 раз один и тот же ответ. 07:56 Speaker A пошагового обучения и подготовки к собеседованиям. И 100 раз мы передаём этот промт и 100 раз получаем один ответ. Но если мы увеличиваем температуру, то каждый раз она будет генерировать уже разный ответ. Где-то скажут пошаговые радмапы, где-то скажут менторы в IT, где-то платформа для 08:12 Speaker A На вход подаются токены. Чуть позже мы детальнее разберём, что это такое. На выходе мы получаем распределение вероятностей того, какое слово будет идти следующим, и то слово, у которого наибольшая вероятность, уходит дальше. 08:22 Speaker A Если захотите что-то вспомнить, освежить, закрепить, то заходите, будет ссылка в описании. Все родмапы абсолютно бесплатные. Заходите, пользуйтесь. Но на самом деле помимо температуры есть ещё одна переменная, которая называется сит. 08:35 Speaker A Итак, открыли мы ChatGPT и вводим туда: «Что такое IT Booster?» Это называется промпт, но, думаю, это и так все знают. Этот промпт разбивается на токены. У каждой модели это может в целом отличаться, но по факту токен — это какая-то минимальная единица текста. В зависимости от языка, в зависимости от каких-то настроек эта декомпозиция может отличаться, но это нас не столь интересует. 08:51 Speaker A выше температура, тем больше оно сглаживается. То есть вероятность, что какое-то другое слово станет выше, она, ну, скажем так, увеличивается. Итак, двигаемся дальше. Сейчас на слайде вы можете видеть последовательность токенов, которая доступна модели в этот момент. Понятное дело, что эта 09:07 Speaker A Каждому такому токену присваивается определённый индекс, по которому будет далее идти взаимодействие. Каждому такому идентификатору, индексу присваивается вектор, который называется эмбеддинг. Эти векторы позволяют хранить смыслы. То есть условно, если мы возьмём четыре слова: авто, тачка, машина, автомобиль, то, скорее всего, их векторы будут похожи друг на друга. И если представить какую-нибудь плоскость, они будут находиться на ней где-то рядом. А если возьмём какое-нибудь слово, которое далеко по смыслу, например телефон или супермаркет, то они будут находиться далеко друг от друга. То есть магии тут по сути никакой нет — исключительно математическая модель, которая правильно эти векторы расставляет. А расположение этих векторов, так скажем, смыслов формируется именно во время обучения модели. 09:21 Speaker A влияет на то, что ты получишь на выходе. Это контекст. В контекст может попадать какой-то системный промт, который вы заранее задали. Ну и, понятное дело, usерпромпты. То есть я, как пользователь зашёл в чат GPT и спросил его, что такое 09:34 Speaker A Для нас, как для пользователей, весь этот флоу выглядит так. Мы написали какой-то промпт. Этот промпт распарсился на токены. Токены ушли в нейросеть. Нейросеть предсказывает следующий токен для генерации и добавляет его к тексту. Формируется цепочка, например «как правильно». Следующее слово подбирается на основе распределения вероятностей, которое мы получили. И третий–пятый пункты идут циклом до тех пор, пока мы полностью не сформируем ответ. 09:50 Speaker A вопрос про JavaScript был бы, скорее всего, отклонён. То есть это всё уходит в контекст. Если я задаю 10 вопросов подряд разных, все они будут лежать в контексте и влиять на все последующие ответы. Ну и вполне логично, что этот 10:03 Speaker A Но тут сразу возникает вопрос. Я сказал, что нейросеть — это чистая функция, то есть на один вход всегда мы получаем один выход. Но на практике вывод всегда разный. Если мы напишем ChatGPT пять раз «привет», скорее всего, пять раз он выдаст нам разный ответ. В начале ролика я упомянул, что это работает, если убрать определённую случайность из нашей формулы. То есть в базовом сценарии, если случайности никакой нет, мы всегда берём наибольшую вероятность. 10:19 Speaker A другой стороны, чем больше контекста вы, наоборот, загадили, тем больше модель будет галлюцинировать, ссылаться на какие-то старые данные, старые вопросы, формулировки и так далее, и выдавать вам ответ ещё хуже. Ну, то есть здесь важно следить за наполняемостью, так скажем, 10:34 Speaker A Но в этой формуле есть несколько переменных. Одна из них — температура. Те, кто работали с API каких-нибудь LLM, знают, что это такое. По факту это числовое значение, которое меняет формулу распределения вероятностей. Чем ниже температура, тем меньше творчества у модели. Чем выше, тем модель, скажем так, будет не то чтобы фантазировать, а, наверное, больше подходит слово «экспериментировать». 10:48 Speaker A это скользящее окно. У вас есть цепочка токенов, которая уже вот лежит в контексте. Вы какие-то старые сообщения, старые токены просто выкидываете и работаете уже с последней, скажем так, новой информацией. Но это такой примитивный способ, более продвинутый, лучше работающий. Это сомаризация. Из 11:05 Speaker A Опять же на примере: температуру мы приближаем максимально к нулю. Передаём промпт «Что такое IT Booster?» и получаем ответ: «Система для пошагового обучения и подготовки к собеседованиям». И сто раз передаём этот промпт, и сто раз получаем один и тот же ответ. Но если увеличиваем температуру, то каждый раз модель будет генерировать уже разный ответ. Где-то скажут «пошаговые роудмапы», где-то скажут «менторы в IT», где-то «платформа для обучения» и так далее. Ну и, кстати, на моей платформе несколько десятков роадмапов по разным направлениям. И вот н 11:21 Speaker A много предложений, они могут ссылаться друг на друга. Ну и вот давайте на простом примере разберём. Есть промт. 11:26 Speaker A Какие функции не входят в JavaScript? То есть в этом предложении очень важный токен - это частица не, которая как раз меняет полностью весь его смысл. И вот здесь важно учитывать смысл не только одного отдельно взятого токена, а смысл 11:42 Speaker A уже целого контекста, который состоит там из предложений, абзаций, текстов, строк, символов и так далее. И вот здесь в игру входит ключевая, в принципе, архитектура, которая вывела искусственный интеллект в массы. То есть вот GPT расшифровывается как генеративный притренированный трансформер. Это вид архитектуры. Вот 12:00 Speaker A именно с его появлением искусственный интеллект и стал такой распространённой технологией, с появлением GPT и так далее. В основе этой архитектуры лежит механизм, который называется Attention. 12:11 Speaker A И именно благодаря нему может понимать не только смысл отдельно взятых слов, отдельно взятых токенов, но и смысл и важность и позицию этих токенов относительно других токенов, которые есть в этом контексте. То есть вот эта частичка не уже начинает 12:31 Speaker A относиться к какому-то другому токену. Какое-нибудь местоимение относится уже к какому-нибудь конкретному существительному. То есть это не просто отдельные слова в вакууме. они начинают быть действительно связаны по смыслу друг с другом. Как это работает под капотом, нас в принципе не особо 12:46 Speaker A интересует, но важно понимать, что вот этот механизм, он есть, и то, как вы формулируете промт, в итоге будет зависеть на то, какой результат вы получите. На данном этапе мы уже выяснили, что LLM обучается на огромном количестве текстовых данных, но она 13:02 Speaker A ничего не знает про ваши данные, про вашу документацию, про вашу кодовую базу, ещё про что-то. И вот здесь в игру вступает такой термин подход, как рак, который позволяет LLM работать с какими-то внешними ресурсами. Это база данных документация какие-то ещё ваши внутренние 13:22 Speaker A инструменты. Ну, суть в том, что эти все данные можно поместить в контекст, и с ними модель уже сможет работать. Как весь этот механизм выглядит? Есть промт. 13:32 Speaker A После получения промта происходит поиск информации. информацию нашли, добавили в контекст, и LM уже с этой информацией работает. То есть напрямую LLM ничего не ищет. Lлm - это только модель языковая, которая вот работает с подбором токенов. 13:49 Speaker A Но здесь важно понимать, что вот этот рак, он не меняет веса, не обучает модель. Это всего лишь вот внешняя какая-то система для поиска информации. 13:58 Speaker A Это не до обучения модели. Вот это очень важно понимать, потому что многие на этом путаются. Но здесь как будто бы резонный вопрос возникает. Почему мы не можем просто взять ту же базу данных, ту же документацию и просто поместить её в 14:11 Speaker A контекст модели? Ну и здесь всё примитивно просто, потому что контекстное окно у нас не бесконечное. 14:17 Speaker A Запихнём туда огромную базу данных и, ну, я думаю, вы уже понимаете, что будет. Ну а сам рак работает следующим образом. Все документы, куски базы данных, ну, в принципе, любой информации разбиваются на чанке, просто на какие-то небольшие фрагменты. Каждый чанг моделью 14:33 Speaker A превращается в вектор. И вот уже этот вектор хранится в специальной векторной базе данных. И вот когда пользователь ввёл какой-то промт, он также превращается в вектор, как мы уже выяснили, на основе токенов. И потом просто выполняется поиск ближайших по 14:49 Speaker A смыслу фрагментов вот в этой базе данных. То есть механизм, в принципе, тоже до предела простой и понятный. Ну и вот фрагменты, которые мы потом нашли, передаются уже в контекст модели. И модель с этим контекстом работает с учётом той информации, которую мы 15:03 Speaker A подгрузили. То есть, по сути, глобально, если вот прямо резюмировать, то просто к LM мы можем подключать какой-то внешний источник данных и за счёт ракмеханизма с ним взаимодействовать, за счёт вот этой всей векторной, назовём это так, конструкции. 15:17 Speaker A Двигаемся дальше. Каждый из вас определённо сталкивался с таким понятием, как галлюцинации, когда модель с невероятно умным видом выдаёт вам бред, который вообще не соответствует действительности. И здесь, опять же, мы просто как люди, использующие этот инструмент, должны понимать, что LLM в 15:36 Speaker A текущей архитектуре не мыслит категориями правильно, неправильно. Это исключительно математическая модель, которая подбирает вероятность появления следующего токена. строит то самое распределение, берёт токен и двигается по вот этому циклу, по вот этой цепочке. 15:52 Speaker A Несмотря на то, что архитектура Трансформер вывела, в принципе, искусственный интеллект на новый уровень, исключить вот эти галлюцинации в текущей архитектуре на 100% невозможно. То есть они могут быть всегда. И чем больше у вас заполнено контекстное окно разной мусорной 16:11 Speaker A информации, тем выше вероятность, что модель будет галлюцинировать даже на каких-то простых бытовых задачах. В принципе, всё, что мы сейчас обсудили - это так называемый промт инженеринг. То есть здесь мы просто работаем с промтами, задали какой-то вопрос, получили какой-то ответ, но многие из вас 16:28 Speaker A сталкивались с тем, что искусственный интеллект может взаимодействовать с вашим компьютером, открывать браузер, работать с файлами. и, в принципе, делать какие-то действия. И тут очень важно понимать, что напрямую LLM этого не делает. Возвращаемся в начало урока. 16:43 Speaker A LM языковая модель, генерирующая цепочку токенов. Всё. Вот у нас есть промт. Какая сегодня погода? И у модели, улмки есть два варианта. Либо ответить не знаю, либо вызвать какой-то внешний инструмент. В данном случае я написал просто для восприятия, но по факту, 17:00 Speaker A скорее всего, там будет какой-то джисончик, где будет указан инструмент, какие параметры мы в неё передаём, какая у нас задача вообще цель и что мы хотим. 17:08 Speaker A И, как я уже сказал, lм сама напрямую не работает с вашим браузером, не работает с файловой системой. Она делает вызов, то есть она просит какую-то внешнюю систему сделать то или иное действие. Ну и на самом деле вот эта простая 17:23 Speaker A концепция выводит искусственный интеллект на невероятно новый уровень. Сейчас мы об этом поговорим, а пока давайте подведём определённые итоги. 17:31 Speaker A Сейчас мы выяснили, что у нас может взаимодействовать с рак и искать там во внешних каких-то источниках информацию и делать вызов каких-то инструментов за счёт конструкции. 17:42 Speaker A И тут возникает вопрос: а как взаимодействовать с какими-то внешними системами, внешними сервисами? GitHub, Ntion, Google календарь, там, я не знаю, какой-то любой ещё сервис, который вы только можете придумать. И вот здесь появляется такой термин, как MCP, то есть базовый сценарий классический. 18:00 Speaker A Взаимодействие с внешними сервисами выглядел как. Есть какой-то ээкэнд у нас, и с помощью IP мы просто отправляем запросы, там, HTTP либо какие-то другие запросы, и получаем нужную для нас от сервиса информацию. Вот MCP - это нечто похожее, но это инструмент уже для LLM 18:19 Speaker A иагентов, о которых мы сейчас будем говорить, который как раз стандартизирует подключение к каким-то внешним инструментам и данных. То есть это протокол. Чтобы не придумывать каждый раз для сервиса какой-то свой способ интеграции, можно поднять MCP сервер, сообщить, какие инструменты мы 18:37 Speaker A как сервис предоставляем, и как агент к этому MCP может потом подключаться и с ним взаимодействовать. То есть, по сути, это просто протокол общения с вашим сервисом. И вот сейчас мы подходим, наверное, к самому модному, популярному слову этого года. Агенты. то, что 18:54 Speaker A действительно выводит искусственный интеллект на новый уровень и то, что действительно выглядит как искусственный интеллект, который умеет думать. Не просто генерировать цепочку слов, а действительно думать и доводить какие-то задачи до решения. И давайте поговорим, за счёт чего это происходит. Очевидно, 19:12 Speaker A что в основе любого агента лежит LLM. И LLM является мозгом этого агента. Также агент имеет доступ к инструментам. Опять же зайти в браузер, в терминал, ещё какой-то инструмент и что-то там сделать. Естественно, обладает своим определённым контекстом для дальнейшей 19:30 Speaker A работы. Также у агента есть stateтe. Стейт от контекста отличается тем, что state - это больше техническая информация. На какой стадии сейчас находится агент, что он делает, какие инструменты вызывает. 19:43 Speaker A Ну, то есть, да, больше техническая информация. Если контекст - это у нас именно информационное наполнение, то state технические данные. Также у агента есть какая-то своя конкретная инструкция. И самое важное - это цикл. 19:56 Speaker A Думай, действуй, проверяй, повторяй. Тот самый agent loop. И именно вот этот цикл и создаёт ощущение вот этого интеллекта, способного решать задачи, доводить их до какого-то логического завершения, вызывать инструменты, думать, проверять, потом опять вызывать какие-то инструменты, дополнять контекст и делать 20:15 Speaker A это всё по новой, пока задача будет не будет решена. И вот все вот эти инструменты, которые вы активно, скорее всего, используете в работе, раз зашли в этот ролик, код, кодекс, антигравити, это всё агентские оболочки, так называемый харness. То есть глобально 20:31 Speaker A можно это всё представить как надстройку на LLM, которая позволяет оперировать агентами, вот этим лупом, состоянием этих агентов и выстраивать весь процесс работы для решения наших задач. Ну и вот здесь появляется ещё один термин, который относится к агентам, популярны, 20:48 Speaker A как оркестрация, когда мы используем только одного агента или даже если говорить не про агентскую разработку, а просто в каком-нибудь чат GPT просто какое-то одно диалоговое окно, мы уже говорили, там есть контекст, он ограничен, он может переполняться, и модель склонна к галлюцинациям. Здесь мы 21:03 Speaker A приходим к тому, что мы можем этими агентами управлять под разные задачи, создавать разных агентов со своими инструкцией, со своими промтами, со своими задачами. И самый здесь хороший такой пример для понимания. Представьте, если бы вы, как разработчик, сами писали 21:19 Speaker A код и сами же его потом ревьюили на гигибе, сами же себе ставили апрувы, писали какие-то комментарии. Понятное дело, что вы не можете трезво оценить свой код, потому что вы его написали. В принципе, с агентами история похожая. У них уже есть определённый контекст, с 21:32 Speaker A которыми они работали. Этот код уже есть в этом контексте. Есть определённая цепочка размышлений и так далее. И вполне логично сделать ещё одного агента, ревюера, у которого будут свои инструкции по тому, как проводить ревью, и который предварительно будет обладать 21:49 Speaker A пустым контекстом. То есть там нету вот этих вот размышлений про то, как агент писал код. Он ревьют этот код и все свои замечания возвращает первому агенту, который этот код писал. Это всё крутится вот в этом цикле. Думай, действуй, 22:02 Speaker A повторяй. Есть, допустим, ещё какой-то главный архитектор там сверху, который уже проверяет какие-то по каким-то критериям приёмки результат, который получился после апрува ревюера. Ну и в цикле это всё крутится до тех пор, пока не будет получен правильный результат. 22:18 Speaker A Все мы, как разработчики, когда пишем какой-то код, делаем его таким, чтобы его можно было переиспользовать. Выносим что-то в функции, компоненты, классы. И вот в рамках и разработки такими переиспользуемыми инструкциями являются скилы. Вы один раз создаёте скилл, описываете, что агент должен делать, как 22:39 Speaker A писать тесты, как работать с архитектурой, как поддерживать кодстайл, как проводить кодрев и затем в нужный момент времени используете только необходимый скилл. Очевидно, что модели бывают разные по мощности, скорости работы и непосредственно стоимости. Ну и большая ошибка пытаться решить абсолютно 22:58 Speaker A все задачи на самых больших и дорогих, сложных моделях. Здесь всегда должен быть торк. Какие-то простые задачи отдаём более простым моделям, какие-нибудь уже там формулирования спецификаций, требований и так далее делаем с помощью мощных моделей. То есть здесь тоже важно всегда находить вот 23:14 Speaker A этот золотой баланс между стоимостью, качеством и скоростью. Ну и вот сейчас, мне кажется, важно провести определённое такое сравнение двух понятий: кодинг и аинжиниринг. То, как это вижу я. 23:28 Speaker A Вайкодинг - это когда у нас стоит критически важная задача разработать что-то быстро. Прототип, MVP, локальный проект, сделать какую-то доработку в существующий зрелый продукт. Здесь основная суть в том, что мы не идём по классическому флоу, когда большая задача декомпозируется на много маленьких. 23:45 Speaker A Разработчики параллельно эти задачи делают, ревьют, тестируют. Вайп-кодинг - это когда мы берём одну большую задачу, делаем её максимально быстро и, что самое главное, мы не смотрим на код, который получился. Ревю проводится только такими же агентами. Агенты пишут код, агенты ревьют код. Причём это не 24:05 Speaker A значит, что профессиональный разработчик с большим опытом не может заниматься вейбкодингом. То есть это скорее подход к решению той или иной задачи, где скорость первостепенна. А, и инженеринг подразумевает всё-таки более классический подход к разработке, когда мы декомпозируем задачи, по-прежнему 24:22 Speaker A ревьюем их руками, то есть, ну, глазами разработчика. Но у нас может дополнительно появляться кодрев агентами. Как первый этап. У нас написание кода происходит не вручную, а с помощью агентов уже просто более точечно, более мелкие куски, декомпозированные, разбитые. То есть это 24:39 Speaker A более такой осознанный и зрелый подход к разработке, когда ты не можешь в готовый продукт, который существует 10 лет, просто взять и навапкодить пулреквест на 10.000 строк кода. Это просто будет неразумно и в дальнейшем приведёт к большим проблемам с поддержкой, 24:54 Speaker A масштабированием и так далее. По крайней мере, на данном этапе, 2026 год, Human in theop никто не отменял. То есть человек здесь по-прежнему руководит всем процессом, и искусственный интеллект в его руках - это просто инструмент, ускоряющий разработку. Но что вот в этой 25:12 Speaker A таблице подразумевается как экспертиза в AI для вайп-кодинга? И здесь основная мысль в том, что несмотря на то, что сейчас уже существует шестой GPT Astra Clot 5,5, невероятно мощные модели, которые действительно решают очень хорошо задачи, просто скачать кодекс или 25:28 Speaker A клод-код недостаточно. На выходе вы получите неподдерживаемую кучу говнокода. Я думаю, многие из вас уже с этим сталкивались. Как минимум, вы должны понимать, как работать с гетом, как организовать вот эту структуру скилов, что там указать, как оркестрировать агентами, как с этими 25:44 Speaker A агентами работать, что такое Spectriivri Development, как правильно писать спецификацию, как тестировать код, который у вас получился. То есть, в принципе, вот какой-то вот этот теоретический контур про искусственный интеллект у вас как минимум должен быть. Иначе, ну, просто будет сложно в какой-то момент вы 26:02 Speaker A упрётесь в тот момент, когда разработка остановится, из-за того, что вы просто уже не сможете поддерживать то количество багов и проблем, которые есть в вашем приложении. И всегда важно помнить, что иишка делает ровно то, что ты её просишь. И она может пойти 26:19 Speaker A оптимальным путём, может пойти неоптимальным путём. И именно твоя экспертиза, она как раз позволяет вовремя её скорректировать. 26:26 Speaker A Ну и на этом всё, друзья. получился такой вводный, короткий, но насыщенный по информации урок про искусственный интеллект. Если эта тема понятна, если хотите глубже в это углубляться, если хотите, чтобы я показывал с прикладной точки зрения, как выстраивать системы, 26:43 Speaker A сервисы, вообще всювсювсю разработку в современных условиях, поддержите лайком, напишите комментарий, я всё читаю и буду двигаться дальше. И также напомню, что у меня есть проект IT Booster, закрытое сообщество Технори, где регулярно несколько раз в месяц мы проводим различные эфиры, английские разговорные 27:03 Speaker A клубы, общаемся, обсуждаем и так далее. Ну и всем спасибо за поддержку, друзья. Увидимся в следующем ролике. Всем спасибо и пока. M. Topics: искусственный интеллект LLM нейронные сети токены эмбеддинги RAG MCP агенты температура трансформер Учить по этому видео - [Карточки по этому видео](https://sozai.app/ru/tools/ai-flashcard-generator/?from=transcript&id=85892) - [Тест по этому видео](https://sozai.app/ru/tools/quiz-generator/?from=transcript&id=85892) Бесплатно, составлено ИИ по этой расшифровке. Без регистрации. --- This is the markdown twin of https://sozai.app/transcript/ai-theory-llm-tokens-neural-networks-rag-mcp-agents-har/ — the same content, without the markup. Published by SozAI (https://sozai.app). Reuse and quotation are allowed with attribution and a link back. Machine-readable index: https://sozai.app/llms.txt · data API: https://sozai.app/api/