AI NeuroWave - AI новости

⚡ Научите свою LLM копить опыт: системный промпт, который растёт сам Обычно вы пишете системный промпт один раз — и модель решает каждую новую задачу с нуля, забывая удачные приёмы прошлых раз. Техника System Prompt Learning (SPL) закрывает именно это: модель сама сохраняет рабочие стратегии решения и подставляет их в свой промпт, когда встречает похожую задачу. Как устроено: каждый запрос автоматически относится к одному из 16 типов (арифметика, логика, код и т.п.), из базы извлекается накопленная стратегия для этого типа и добавляется в системный промпт. В режиме обучения модель пересматривает стратегии после каждой серии задач — база улучшается сама. Примеры стратегий читаемые: «прочитай условие, выпиши данные, реши по шагам, проверь ответ». Эффект на сложных задачах заметный: на AIME24 точность выросла с 23% до 30%, на Arena Auto Hard — с 29% до 37,6% при обучении всего на 400 примерах. Ставить просто: pip install optillm, поднять прокси-сервер и использовать модель с префиксом spl- — она заработает с любой OpenAI-совместимой LLM. Приём подходит всем, кто строит ботов и агентов на API: вместо ручного промпт-инжиниринга под каждый класс задач вы один раз включаете самообучение. Это же хорошая идея для собственных систем — вести базу удачных стратегий и подмешивать их в промпт по типу задачи. 🌐 Источник: Hugging Face Blog #ИИ #промпты #LLM #агенты #инструменты

⚡ Месяц улучшал поиск — не помогло: качество ответов подняла одна строка в промпте Автор чат-бота с памятью на полторы тысячи диалогов месяц настраивал поиск по истории: гибрид векторов и BM25, перебор параметров слияния. Точность поиска (Recall@5) выросла на 17%, а ответы не стали лучше (p=0,79). Зато одна переформулировка промпта подняла долю успешных ответов с 50% до 75,8% — из них 16 п.п. пришли за один вечер. В чём урок: (1) recall — не самоцель, мерить надо весь путь «вопрос → ответ»: модель отказывалась отвечать, хотя нужное лежало прямо в контексте; (2) сначала проверяй формулировку задачи — это часто дешевле любого тюнинга; (3) рецепты из статей проверяй на своих данных: половина «проверенных» параметров здесь не подтвердилась, а подмешивание контекста диалога спасало только на живых переспросах. Как применять: собери 20–30 реальных вопросов и сравнивай ответы целиком до и после каждого изменения — поиска, промпта, реранкера. Так будет видно, что именно двигает качество. 🌐 Источник: Habr #ИИ #RAG #промпты #чатботы #уроки

Как ощутимо снизить расход токенов в ChatGPT-6 Astra Если вы активно работаете с моделью и упираетесь в лимиты, есть рабочий способ оптимизировать потребление контекста прямо сейчас. Для активации скрытых возможностей откройте конфигурационный файл ~/.codex/config.toml и добавьте следующий блок: [features.context_management] experimental_mode = true Эта строчка запускает сразу две полезные функции: 🔹 Поиск по контексту — модель точечно обращается к нужным фрагментам диалога. 🔹 Оконный режим заметок — данные организуются компактнее, что заметно бережет токены. Пока эти опции доступны исключительно через ручную правку конфига. Разработчики обещают интегрировать их в базовый функционал модели ближе к концу месяца. Ваш 👍 поможет продвижению канала! #ChatGPT #AI #Лайфхак #Технологии #Промптинг

📄 Перевод 2400 файлов силами ИИ: секрет не в модели Битрикс24 автоматизировала перевод технической документации: около 2400 файлов с русского на английский. Главный вывод кейса — качество даёт не модель, а граница между тем, что доверено ИИ, и детерминированным кодом. Как это устроено: ссылки, код и служебную разметку прячут в плейсхолдеры, чтобы модель не сломала структуру; таблицы разбирают на ячейки и собирают обратно кодом; ведут глоссарий терминов и кэш переводов, большие файлы режут на части. Итог: структура сохранена на 100% (у человека — 97,4%), точность терминологии — 96,3%. Приём универсален: если ИИ работает с документами с хрупкой структурой — сначала защитите формат кодом, а текст отдавайте модели аккуратными порциями. Он переносится на инструкции, отчёты и любые конвейеры с шаблонами. 🌐 Источник: Habr #ИИ #автоматизация #LLM #документация #перевод

🤖 Безопасная автоматизация: агент в рекламном кабинете без права навредить Связка ИИ-агента с «Яндекс Директом», Wordstat и Метрикой: кабинет подключён к Cursor через собственные MCP-серверы, и из чата доступен только на чтение. Готовить изменения агент может, а применять — нет. Механика простая и переносимая: агент собирает правки (минус-слова, ставки, объявления) в машиночитаемый файл-патч, показывает план с нулём записей в API, а человек подтверждает кнопкой. Патч привязан к хэшу: поменялось что-то после согласования — применение блокируется автоматически. За несколько месяцев: 35 пакетов правок подготовлено, 26 согласовано, больше 10 применено. Ни одной несанкционированной записи. Этот паттерн «агенту — чтение и черновики, запись — только после явного согласования человека» закрывает главный страх автоматизации и одинаково работает для админок, CRM и любых кабинетов. 🌐 Источник: Habr #ИИ #агенты #автоматизация #MCP #промпты

🔒 «Не выдумывай» не работает: как заставить LLM не врать про цифры На Хабре вышла практическая архитектура фактчекинга для контента, где ошибка дорого стоит, — налоги, медицина, финансы. Главная мысль: «не галлюцинируй» в промпте — не метод, его заменяют структурные ограничения. Все числа живут в едином источнике истины: ключ, значение, дата и источник. Модель подставляет значение по ключу, а проверочный гейт требует, чтобы каждое число в тексте совпало с записью. Нет записи — текст не проходит. Плюс отдельный контрольный проход с правилом «сомнение = отказ», срок годности фактов 90 дней и очередь на перепроверку. Приём переносится на любой генеративный конвейер: от юридических ответов до карточек товаров. Чем меньше модель решает про цифры сама — тем меньше ей верят на слово, а у каждого факта остаётся проверяемый источник. 🌐 Источник: Habr #ИИ #LLM #фактчекинг #галлюцинации #промпты

Отметка проставлена. Финальный пост: 🧩 «Работает» — ещё не «готово»: чек-лист для ИИ-систем Когда выкатываешь LLM-проект в прод, главный вопрос не «работает ли модель», а «отличите ли вы правильный ответ от неправильного». Если нет — это не ИИ-проект, а молитва. Такой гейт открывает практический чек-лист готовности из девяти пунктов, собранный руководителем трёх продакшн-LLM-проектов. Внутри: точность по классам задач вместо одной общей метрики, записанная и видимая пользователю граница возможностей, отказ и эскалация за её пределами (проверяются вопросами-ловушками), сигнал о тихих ошибках, владелец, перегон eval после каждой смены модели или промпта и известная цена месяца с порогом окупаемости улучшений. Плюс готовый промт агента-аудитора: каждый пункт статуса подтверждается цифрой или файлом — «не нашёл» засчитывается как «нет». Главный вывод: для вероятностных систем «готово» — не событие, а обслуживаемое состояние проведённой границы. Чек-лист удобно держать под рукой при ревью любого ИИ-решения. 🌐 Источник: Habr #ИИ #LLM #агенты #продакшн #eval

🧰 Как подготовить кодовую базу, чтобы ИИ-агенты работали лучше Качество работы coding-агентов зависит не только от модели, но и от устройства репозитория. Практическое руководство Agent Optimized Codebases собрало приёмы, которые заметно снижают «слоп» и деградацию кода при автономной работе агентов. Что советуют авторы: класть в каждую папку файл docs.md с описанием намерений (агент забывает сессию — код не передаёт замысел), держать модули небольшими, избегать связок из сотен файлов, а вместо сложного dependency injection использовать простые паттерны plugin/registry — они не ломают граф импортов и контекст агента. Отдельный блок — проверяемость: один инстанс для развёртывания и сквозная агентная проверка результата, чтобы изменения подтверждались автоматически, а не принимались на веру. В конце авторы дают бесплатный скилл для аудита кодовой базы на совместимость с агентами. 🌐 Источник: 12 Grams of Carbon #ИИ #кодинг #агенты #разработка #инструменты

🤖 Tencent открыла TeamAI-CLI: один набор навыков и правил для всех ИИ-агентов команды Инструмент приводит к общему знаменателю Claude Code, Codex, Cursor, CodeBuddy, OpenCode и других агентов: навыки, правила, MCP-серверы, переменные окружения и база знаний хранятся в одном git-репозитории. Изменения проходят обычный код-ревью — push → review → pull, — а при старте каждой сессии агент сам подтягивает актуальные настройки. Практическая польза: команда перестаёт дублировать конфигурацию по агентам и машинам. Новый участник клонирует репозиторий и работает в тех же условиях, что и остальные; добавленные навыки мгновенно становятся доступны всем. Встроены аналитика расхода токенов и хуки безопасности — например, проверка секретов перед коммитом. Подходит командам, которые уже используют агентов для кодинга и хотят управлять их поведением централизованно, без ручной синхронизации файлов. 🌐 Источник: GitHub #ИИ #агенты #разработка #инструменты