ИИ как помощник инженера: от фотографии ошибки до плана диагностики
Примеры запросов, уточнение исходных данных и проверка опасных советов.
Избранные статьи на этом устройстве. Отмечайте прочитанное и возвращайтесь к полезному.
Материалов: 128
ИзбранноеПримеры запросов, уточнение исходных данных и проверка опасных советов.
Что скрывать в конфигурациях, ссылках подписок, токенах, скриншотах и журналах.
Разбор команды по частям, обращение к документации и безопасные способы проверки.
Эксперимент с реальными замерами памяти, скорости и качества на одинаковых заданиях.
Понятное объяснение RAG, ссылки на исходные страницы и примеры ошибок поиска.
Архитектура, разграничение пользователей, память, лимиты расходов и управление данными.
Примеры «до и после»: запрос на сайт, диагностику сети и разбор оборудования.
Резервная копия, доступ к управлению, Wi-Fi, обновления и восстановление.
Практическая инструкция с объяснением ограничений и поведения при отказе DNS. Для OpenWrt есть официальные руководства по нескольким вариантам реализации.
Симптомы, поиск проблемного участка и способы предотвращения.
Проверка через iperf3: отдельно Wi-Fi, проводная сеть и выход в интернет.
Как точно рассчитать потребление VRAM и системной ОЗУ перед загрузкой модели, чтобы избежать OOM и падения скорости до 1 токена в секунду.
Разбираемся в форматах квантования весов, перплексии (PPL), imatrix-калибровке и выборе формата под CPU, Apple Silicon и дискретные GPU.
Настраиваем нативный C++ сервер инференса без лишних прослоек: параллельные слоты, непрерывный батчинг, удержание модели в ОЗУ и systemd-юнит.
Как развернуть высокопроизводительный сервер локальной LLM для нескольких сотрудников, чтобы 5 одновременных запросов не ставили GPU в очередь.
Почему пропускная способность памяти (Memory Bandwidth) важнее терафлопсов, как работают связки из двух GPU и на чём нельзя экономить в сборке.
Почему Ollama по умолчанию обрезает контекст до 2048 токенов и как собрать собственный воспроизводимый профиль модели под задачи компании.
Настраиваем расширение Continue.dev и локальные модели Qwen2.5-Coder / DeepSeek-Coder: разделяем тяжёлую модель для чата и быструю 1.5B–3B для автодополнения.
Почему хороший локальный RAG начинается не с генеративной LLM, а с правильного выбора мультиязычной модели эмбеддингов и двухэтапного реранкинга.
Как разбирать фотографии серверных стоек, скриншоты ошибок, кассовые чеки и сложные таблицы локально без передачи изображений во внешние API.
Защищаем корпоративный узел Ollama, vLLM и Open WebUI от несанкционированного доступа, утечки истории чатов и вредоносных весов моделей.
Как работать с длинными регламентами, статьями и скриптами точечно по абзацам, не переписывая весь ответ заново на каждом шаге.
Организуем изолированные рабочие пространства с собственными файлами, правилами оформления и историей без смешивания разных клиентов и задач.
Используем мультимодальный голосовой диалог для разбора оборудования на выезде, перевода переговоров и подготовки к сложным техническим вопросам.
Как заставить модель не угадывать числа в уме, а выполнять точный Python-скрипт над выгрузками биллинга, мониторинга и складского учёта.
Как безопасно делегировать поиск по кодовой базе, написание тестов и многофайловые правки с обязательным контролем diff и прогоном проверок.
Чем цепочка размышлений (Chain-of-Thought) отличается от обычного чата, на каких задачах она незаменима и почему туда не нужны длинные промпты.
Практические приёмы генерации идемпотентных плейбуков Ansible, systemd-юнитов, регулярных выражений и правил nftables с моделями Qwen.
Когда окно контекста в 1–2 миллиона токенов способно заменить сложный RAG-конвейер, а когда избыточный объём снижает точность.
Пошаговая схема подключения российского LLM API к внутреннему хелпдеску или базе знаний с правильной обработкой TLS-сертификатов и квот.
Как связать облачные модели Яндекса с корпоративным объектным хранилищем S3, поисковыми индексами и бессерверными функциями.
Практический шаблон правил для сотрудников: что категорически нельзя отправлять в публичные чаты и как устроить шлюз очистки чувствительных данных.
Избавляемся от хрупкого парсинга текста: принудительная схема ответа, валидация через Pydantic и гарантированный формат для интеграции с БД и API.
Как сжать гигабайтный лог до информативной выжимки перед подачей в модель и быстро построить хронологию каскадного сбоя.
Передаём модели DDL-схему таблиц и план выполнения EXPLAIN ANALYZE для поиска медленных Seq Scan и написания сложных аналитических выборок.
Почему любая модель, обрабатывающая недоверенный текст с правом вызова инструментов, уязвима к перехвату инструкций, и как выстроить эшелонированную защиту.
Проектируем надёжный пайплайн: препроцессинг сканов, структурное извлечение полей, сверка со справочниками ERP и маршрутизация спорных случаев.
Как объединить локальные серверы Ollama/vLLM и облачные API за единой точкой входа с персональными ключами сотрудников и учётом бюджета.
Сравниваем индексы HNSW, фильтрацию по метаданным, потребление оперативной памяти и стоимость сопровождения векторных БД.
Как отслеживать стоимость каждого шага агента, находить причины медленных ответов и собирать датасеты из реальных ошибок в продакшене.
Собираем надёжную контейнерную среду для Ollama, vLLM, Open WebUI и Qdrant с разделением сетей, проверкой здоровья (healthcheck) и бэкапами.
Развенчиваем миф о том, что Fine-Tuning заменяет базу знаний, и разбираем случаи, где LoRA-адаптер даёт кратную экономию токенов.
Как развернуть быструю транскрибацию русской речи с разделением по голосам (диаризацией) на собственном сервере за минуты.
Разбираем инструмент конвертации научных статей и документации с сохранением LaTeX-формул, блоков кода и вложенных таблиц.
Компактные открытые модели векторных представлений с контекстом 8192 токена и поддержкой сжимаемых размерностей Matryoshka.
Как автоматически очистить технические порталы от меню, рекламных баннеров и динамических скриптов перед загрузкой в RAG или контекст LLM.
Готовим инструкции, таблицы и сканы к поиску по документам: структура, экспорт и проверка результата.
Проверяем OCR на инструкциях и таблицах: строки, порядок чтения и символы, которые нельзя угадывать.
Описания кадров, поиск объектов и OCR в одной модели: как выбрать режим и не принять догадку за факт.
Делаем короткую английскую озвучку, проверяем произношение и разбираемся, почему список языков важнее демо.
Разбираемся с эталонной записью, точной расшифровкой и проверкой сгенерированных фраз.
Готовим фотографии деталей и оборудования: маска, сложные края и проверка на разных подложках.
От клика по предмету до масок по кадрам: как проверить сегментацию и заметить потерю объекта.
Получаем карту глубины, разбираемся с относительными значениями и проверяем, где картинка перестаёт быть измерением.
Выбираем хранилище по способу работы с данными: от общей папки до базы знаний для ИИ.
Что проверить перед подключением приложения к S3-совместимому хранилищу.
Почему удобная синхронизация не заменяет историю, независимую копию и проверку восстановления.
Учебная процедура копирования без удаления файлов назначения, с предварительным просмотром и проверкой.
Создаём локальный учебный репозиторий, затем планируем независимую копию в облаке.
Память, диск, сеть, резервирование и путь от первого запуска до обслуживаемого сервиса.
Приём запросов, очереди и фоновые задания: как разделить приложение по характеру нагрузки.
Хранение, запросы, трафик и GPU-часы: модель бюджета для небольшого ИИ-проекта.
Практическая схема защиты документов и секретов небольшого облачного проекта.
План изменений, состояние и ревью: как сделать облачную конфигурацию воспроизводимой.
Как начать с небольшой локальной модели, проверить ресурсы и не открыть API всему интернету.
Что входит в рабочий контур чатов и почему резервировать нужно больше, чем контейнер.
Оригиналы, фрагменты, эмбеддинги и ссылки на источники: собираем понятную базу знаний.
Как сравнить аренду ускорителя и API, не сводя выбор к числу гигабайт видеопамяти.
Как дать помощнику доступ к данным и действиям, сохранив понятные границы рабочего процесса.
Проверяем промпты, модели и RAG на повторяемом наборе рабочих задач.
Что умеет ChatGPT, чем отличаются Chat, Work и Codex и с какой задачи начать.
Рабочий шаблон запроса и способы исправить слишком общий или неточный ответ.
Работа с PDF, таблицами и инструкциями: от подготовки файла до проверки итогового документа.
Постановка исследовательской задачи, проверка ссылок и отделение фактов от выводов.
Как описывать композицию, пользоваться референсом и проверять результат генерации.
Разница между обсуждением программы и изменением проекта с проверкой результата.
Как устроен ассистент Anthropic и как поставить ему содержательную задачу.
Чем отличается чат от модели и что проверять перед использованием DeepSeek в работе.
Как отличить ассистент Qwen от конкретной модели и выбрать первый сценарий.
Как использовать актуальные источники и не принять популярное сообщение за доказательство.
Как поставить исследовательскую задачу и аккуратно работать с подключёнными сервисами.
Как искать сведения с источниками и проверять, что именно подтверждает каждая сноска.
Что предлагает ассистент Яндекса и почему возможности чата и колонки отличаются.
Как использовать продукт Сбера для текста и данных и не путать чат с интеграцией.
Что Сбер выпускал под именем G8AI для iOS и как не перепутать приложение с отдельной моделью.
Чем генерация изображений отличается от универсального чата и как написать понятный бриф.
Актуальное название продукта Mistral и практический подход к рабочим задачам и коду.
Что предлагает Moonshot AI и как проверять готовый результат большой задачи.
Практическая методика сравнения ассистентов на ваших документах, запросах и критериях.
Короткий рабочий процесс, который помогает замечать выдуманные сведения и неверные выводы.
Как убрать лишнее из документов, журналов и скриншотов перед загрузкой в ассистент.
Модель, движок, память и реальный маршрут данных — без обещаний работы на любом компьютере.
Разбираем путь от имени до IP-адреса и учимся отличать проблему DNS от недоступного сервера.
Что сохранять, где держать копии и как убедиться, что они действительно помогут.
Диск, память, службы и проверка снаружи. Понятная отправная точка для небольшой инфраструктуры.
Кабель, адрес, шлюз, DNS и HTTPS — последовательность, которая экономит время.
Как различить сетевой тайм-аут, отказ порта, ожидание баннера и ошибку входа.
Считаем хранилище по битрейту, количеству камер и глубине архива.
Как разделить адреса устройств, избежать конфликтов и не потерять доступ к камерам и серверам.
Что ограничивает размер пакета и как диагностировать проблемы туннеля без случайного подбора настроек.
Читаем права, проверяем путь до файла и отличаем обычные разрешения от ACL.
Чем отличаются df и du, зачем проверять inode и почему удалённый файл иногда продолжает занимать диск.
Фильтруем события по службе, времени и загрузке, сохраняя контекст ошибки.
Разделяем этапы запроса и читаем результаты curl без отключения проверки сертификата.
Адрес, DNS, маршрут и проверка TCP-порта без сторонних программ.
Выбираем сигналы, на которые можно отреагировать, и не путаем запущенный процесс с работающей услугой.
Фиксируем модель, сборку, память, свободное место и рабочую сеть до изменений.
Что сохраняет архив настроек, чего в нём нет и как подготовить план восстановления.
Различаем DNS роутера, выдаваемые DHCP адреса и перехват запросов дополнениями.
Туннель, DNS и выбор маршрута проверяем отдельно. Сначала наблюдения, потом правила.
Почему достаточной мощности одного порта мало и как учесть пиковую нагрузку камер.
Небольшой план сети видеонаблюдения, который упрощает обслуживание и диагностику.
Как оценивать детализацию, движение, ночную сцену и настройки потока на реальном объекте.
Превращаем правило 3–2–1 в понятный план для небольшой инфраструктуры.
Сравниваем распространённые схемы без обещаний, что массив заменит резервную копию.
План небольшой тренировки, который выявляет проблемы до реального инцидента.
Проверяем DNS-клиент, служебные записи и обнаружение контроллера домена.
Отделяем подключение к серверу от аутентификации и разрешений на файлы.
Транспорт, служба, разрешение входа и журналы — четыре независимые проверки.
Готовим зависимости, копию, окно обслуживания и проверку результата.
Выбираем тип сети по нужным связям, а не по названию виртуального адаптера.
CPU, память и диски оцениваем вместе с запасом для хоста и соседних систем.
Что защищает контрольная точка, зачем нужна согласованность приложения и как проверить восстановление.
Адаптер, VLAN, адрес, DHCP и маршрут проверяются последовательно.
Небольшой документ, который помогает управлять правами без общих административных учётных записей.
Дополнительный фактор полезен вместе с понятным и защищённым способом восстановления.
Связываем устройства, версии, поддержку и ответственность за обслуживание.
Первичная фиксация событий без поспешной очистки журналов и случайных изменений.
Закладки и отметки о чтении сохраняются в браузере на этом устройстве.