Slava Dubrov Edge of Context
Поиск

Быстрые ответы для решений в AI-инжиниринге

Автоматический перевод Эта статья была автоматически переведена с оригинальной английской версии.

Используйте этот раздел, когда нужен краткий ответ перед глубоким разбором. В каждом руководстве есть практический вариант по умолчанию, компромиссы и ссылка на подробную статью — на случай, если важны детали.

В архиве блога собраны только большие статьи. Fast Answers — это короткие руководства по принятию решений.

ИИ-агенты

ВопросКраткий ответРуководствоГлубокий разбор
С какого фреймворка для ИИ-агентов начать?Для старта на высоком уровне используйте LangChain agents, для явного управления состоянием — LangGraph, либо фреймворк, соответствующий требованиям продукта к retrieval и платформе.Лучшие фреймворки для ИИ-агентовЦиклы ризонинга ИИ-агентов
Какой инструмент для оценки ИИ-агентов использовать?Используйте Phoenix для открытого трейсинга, LangSmith для управляемого workflow, DeepEval для Python CI или Promptfoo для локальных матриц и red-team-тестов.Лучшие инструменты для оценки ИИ-агентовЭвалы ИИ-агентов: от трейсов до тестовых наборов
Как защитить ИИ-агента?Сначала ограничьте возможности: сузьте набор инструментов, добавьте проверки политик перед вызовом инструментов, сэндбоксы, credentials с ограниченной областью действия, подтверждения, контроль исходящего трафика и трейсы.Чеклист безопасности ИИ-агентовБезопасность ИИ-агентов
Какой интерфейс инструментов использовать?Используйте function calling внутри одного приложения, MCP для переиспользуемых серверов, CLI для зрелых команд или skills для переиспользуемых инструкций workflow.Интерфейсы инструментов ИИ-агентовИспользование инструментов ИИ-агентами

Модельный инжиниринг и инфраструктура

ВопросКраткий ответРуководствоГлубокий разбор
Какой инструмент для локальных LLM использовать на macOS?Сравните Ollama, LM Studio, llama.cpp и MLX-LM по workflow, артефактам, контролю рантайма и доступному запасу памяти.Инструменты для локальных LLM на macOSЛокальные LLM на macOS
Какое представление квантизации использовать?Сначала выберите рантайм и железо; GGUF, AWQ, GPTQ, FP8 и NF4 описывают разные уровни или цели.Форматы квантизации LLMРуководство по квантизации моделей
Что выбрать: промпт, RAG или файн-тюнинг?Используйте промпты для инструкций, RAG — для изменяющихся знаний и доказательств, а файн-тюнинг — для воспроизводимого поведения.Файн-тюнинг vs RAG vs промптингРуководство по файн-тюнингу LLM

Retrieval и языковые системы

ВопросКраткий ответРуководствоГлубокий разбор
Какой стек для оценки RAG использовать?Начните с детерминированных метрик этапов, затем добавьте калиброванных джаджей и проверки, специфичные для продукта.Лучшие инструменты для оценки RAGМетрики оценки RAG
Какую OCR-модель использовать для document AI?Для чистой печати используйте классический OCR, для структурированных страниц — специализированный парсер, а document VLM — когда требуется визуальный ризонинг.Лучшие OCR-моделиРуководство по OCR
Какую NER-модель использовать?Используйте spaCy для стабильного набора меток, GLiNER — для меняющихся меток, supervised encoder при наличии данных или LLM для записей, требующих сложного ризонинга.Лучшие NER-моделиРуководство по NER
Какой стек ранжирования поиска построить?Начните с BM25, добавьте dense recall, объедините взаимодополняющие результаты, а затем выполните реранкинг короткого списка с ограниченной латентностью.BM25 vs эмбеддинги vs реранкерыСтек ранжирования поиска

Все краткие ответы 11

  3. Инженерия моделей · Поисковые и языковые системы

    Fine-Tuning vs RAG vs Prompting: что выбрать?

    Выбирайте prompting, retrieval-augmented generation или fine-tuning в зависимости от того, связана ли проблема с инструкциями, изменяющимися знаниями или поведением модели.

    · 2 мин

  4. Инженерия моделей · ИИ-инфраструктура

    Форматы квантизации LLM: GGUF, AWQ, GPTQ, FP8 и NF4

    Выбирайте GGUF, AWQ, GPTQ, FP8 или NF4 с учётом рантайма, оборудования, цели — обучения или сервинга, лимита памяти, поддержки ядер и измеренного качества.

    · 2 мин

  8. Поисковые и языковые системы

    Лучшие NER-модели в 2026 году: spaCy, GLiNER, Transformers, LLMs

    Выбирайте spaCy, GLiNER, bi-энкодеры, файн-тюненные Transformers или извлечение с помощью LLM по схеме, набору меток, языку, латентности и требованиям к ревью.

    · 5 мин

  9. Поисковые и языковые системы

    Лучшие OCR-модели в 2026 году: классический OCR, PaddleOCR-VL, VLMs

    Выберите классический OCR, PaddleOCR-VL, open VLMs для документов или облачный document understanding с учетом структуры, контроля над данными, точности извлечения полей, латентности и стоимости.

    · 3 мин