Тема
Рабочие LLM-приложения
Проектировать, запускать, наблюдать и поддерживать LLM-приложения после демо.
31 материалов (20 статей · 11 видео)
Начните здесь
Несколько хороших первых материалов перед полной лентой.
13 мин чтенияСтатья
Стек LLM в 2026 году: модели, инференс, инструменты и компромиссы
Взгляд практикующего архитектора на стек LLM в 2026 году — уровни моделей, провайдеры инференса, слои оркестрации, инструменты для оценки и компромиссы, которые действительно имеют значение, когда вы запускаете AI в продакшен. Всё, что вы хотели бы услышать до того, как начали.
Использовать статью как контекст для решений о внедрении, риске, управлении или инвестициях.
Эксперт
12 мин чтенияСтатья
Проектирование промптов для продакшена: системный, разработческий и пользовательский слои
Продакшен-промпты — это не «скажите ИИ, чего вы хотите». Это многослойная система: стабильные инструкции, динамический контекст, переменные конкретного вызова — управляемая как код. Архитектура, паттерны и дисциплина, отделяющие продакшен от прототипа.
Разделять системные, разработческие и пользовательские инструкции и тестировать продакшен-промпты как версионируемые компоненты системы.
Эксперт
10 мин чтенияСтатья
Сбои production AI: что ломается после демо
AI-системы обычно ломаются предсказуемо: hallucination, stale context, sycophancy, prompt injection, unsafe tool use, schema drift и weak fallbacks. Реестр production failure modes для команд, которые запускают реальные workflows.
Построить production AI failure-mode register с контролями для hallucination, stale context, prompt injection, unsafe tool use и weak fallbacks.
Эксперт
Еще по этой теме
48 минВидео
Как строить надёжных AI-агентов: контекст и evals
Arize AI. Объясняет, почему агенты в продакшене ломаются без правильного контекста, данных для оценки, трассировки и доменной экспертизы. Это хорошо ложится на реестр отказов из статьи: отделяйте поиск от рассуждения, определяйте ожидаемые результаты, оценивайте вызовы инструментов и трассируйте ошибки до смены модели.
Эксперт
13 мин чтенияСтатья
Выпуск LLM-продукта: цены, маржа и ловушка «антирва»
У LLM-продуктов экономика жёстче, чем у традиционного SaaS. Переменные издержки растут вместе с использованием, маржу съедает инференс, риск коммодитизации, конкуренты с теми же базовыми моделями. Как построить продукт, который действительно защищён, и какие паттерны ведут к LLM-стартапам, исчезающи
Использовать статью как контекст для решений о внедрении, риске, управлении или инвестициях.
Эксперт
12 мин чтенияСтатья
Оптимизация стоимости инференса: prompt caching, маршрутизация и контроль выхода
Затраты на LLM-инференс уменьшаются на 60-90% с правильными техниками. Prompt caching, маршрутизация моделей, контроль выхода, батчинг и несколько менее известных паттернов. Числа, паттерны и продакшен-дисциплина, отличающие хорошо организованный инференс от неуправляемого счёта.
Использовать статью как контекст для решений о внедрении, риске, управлении или инвестициях.
Эксперт
14 мин чтенияСтатья
Prompt injection и безопасность LLM: модели угроз и многоуровневая защита
Prompt injection - постоянный класс рисков безопасности LLM, а не ошибка написания промпта. Производственное руководство по моделям угроз, границам данных, правам инструментов, регрессионным тестам, мониторингу и реагированию на инциденты.
Построить модель угроз для LLM-workflow и добавить конкретные контроли для недоверенного контента, retrieval, вызовов инструментов, авторизации, мониторинга и реагирования на инциденты.
Эксперт
12 мин чтенияСтатья
Computer use и браузерные агенты в продакшене
У computer use и браузерных агентов есть демо, которые расходятся вирусно. Продакшен-развёртывания в масштабе выглядят иначе — узкие рамки, тяжёлые ограждения, аккуратный UX. Паттерны, которые работают, повторяющиеся отказы и честная экономика.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
12 мин чтенияСтатья
Построение памяти для долгоживущих агентов
Агентам нужна память за пределами контекстного окна. Архитектура долговременной памяти — что хранить, когда доставать, как забывать — определяет, ощущается ли агент как тот, кто «знает» вас, или начинает с чистого листа в каждом разговоре. Шаблоны и продакшен-компромиссы.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
12 мин чтенияСтатья
Context engineering: как обращаться с окнами на 1M токенов и не словить context rot
Контекстные окна на 1M токенов существуют, но качество просаживается задолго до этого предела. Context engineering — дисциплина эффективного использования контекстного окна: что включать, что суммировать, что подгружать на лету и какие паттерны держат качество, пока контекст растёт.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
11 мин чтенияСтатья
LangGraph vs CrewAI vs прямой API: выбираем агентский фреймворк в 2026 году
Ландшафт агентских фреймворков в 2026 году стал зрелее, но яснее не стал. LangGraph, CrewAI, Pydantic AI, OpenAI Agents SDK и прямой API — каждый подходит для каких-то команд и проектов, ни один не подходит всем. Честное сравнение и каркас для решения.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
13 мин чтенияСтатья
Проектируем агентов, которые не уходят в бесконечный цикл
Самая частая форма провала продакшен-агента — бесконечные или псевдобесконечные циклы: агенты ретраят, ветвятся и жгут токены, не двигаясь вперёд. Какие архитектурные паттерны это предотвращают и дают агентов, которые доходят до конца даже на сложных задачах.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
13 мин чтенияСтатья
Файнтюнинг в 2026 году: когда LoRA выигрывает у RAG и как обойтись без кластера
Файнтюнинг через LoRA стал доступным — можно запустить полноценное обучение на ноутбуке или арендовать GPU на час. Какие паттерны работают, в каких случаях файнтюнинг выигрывает у RAG, и сквозной практический рабочий процесс от подготовки данных до развёртывания.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
12 мин чтенияСтатья
Выбор между промптингом, RAG и файнтюнингом (и когда их сочетать)
Промптинг, RAG и файнтюнинг — три главных рычага адаптации LLM под вашу задачу. Каждый правилен для одних задач и неправилен для других. Фреймворк выбора, реалистичные затраты на каждый и продакшен-паттерны, где их сочетание блистает.
Использовать статью как контекст для решений о внедрении, риске, управлении или инвестициях.
Эксперт
12 мин чтенияСтатья
Production RAG: ingestion, embedding, retrieval, reranking, eval
Production-пайплайн RAG — это шесть стадий, у каждой свои паттерны, определяющие качество. Архитектура, выборы на каждой стадии и дисциплина итеративной оценки, которая отличает работающий RAG от разочаровывающего.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
12 мин чтенияСтатья
Проектируем MCP-инструменты, которыми LLM реально пользуются правильно
Большинство MCP-инструментов, которые мы видим, технически корректны и практически бесполезны. LLM их игнорируют, неправильно применяют или вызывают так, что толку нет. Принципы проектирования инструментов, которые LLM подхватывают естественно, с примерами типичных провалов и их фиксов.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
14 мин чтенияСтатья
MCP с нуля: собираем production-ready сервер на TypeScript
Построить production-сервер Model Context Protocol — это не просто прицепить пару инструментов. Паттерны проектирования схем, аутентификации, обработки ошибок, стриминга, observability и те production-реалии, которые делают MCP-серверы по-настоящему полезными на масштабе.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
12 мин чтенияСтатья
Наблюдаемость LLM-приложений: трассировка, стоимость, задержка, дрейф качества
LLM-приложения ломаются по-особенному, и традиционная наблюдаемость это упускает. Шаблоны для трассировки многошаговых потоков, отслеживания стоимости, которая меняется в 100 раз между вызовами, мониторинга дрейфа качества и отладки галлюцинаций в продакшене.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
13 мин чтенияСтатья
Строим evals, которые реально ловят регрессии
Большинство eval-наборов выглядят внушительно, но пропускают реальные регрессии. Чтобы построить evals, которые ловят важное, нужны аккуратно собранный датасет, чувствительные метрики, калиброванные судьи и культура доверия. Паттерны команд, у которых это получается.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
13 мин чтенияСтатья
Структурированные выходы и function calling: продакшен-паттерны
Структурированные выходы и function calling — это мост от «LLM, которая генерирует текст» к «системе, которая делает работу». В продакшене важны паттерны вокруг схем, обработки ошибок, идемпотентности и аккуратной деградации — а не просто JSON mode.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Эксперт
10 мин чтенияСтатья
Оркестрация нескольких моделей: маршрутизация по стоимости, задержке и качеству
Использовать одну модель для всего — типичная ошибка новичка. Продакшен-системы с AI направляют разные запросы в разные модели и экономят 60–90% бюджета, попутно повышая качество. Паттерны, логика маршрутизации и компромиссы.
Оценить архитектурный подход, возможные сбои и защитные меры до разработки.
Уверенный
42 минВидео
Vertical AI Agents Could Be 10X Bigger Than SaaS
Y Combinator. Ведущие Lightcone прорабатывают, почему вертикальные ИИ-агенты — а не горизонтальные обёртки — это защитимая форма для компаний прикладного слоя, с конкретными примерами и трезвым взглядом на то, какие категории провайдеры моделей съедят. Это и есть та ловушка отсутствия рва, о которой предупреждает статья, выраженная как позитивный плейбук.
Эксперт
34 минВидео
How AI is Reinventing Software Business Models ft. Bret Taylor of Sierra
Sequoia Capital. Брет Тейлор проходит по сдвигу от per-seat SaaS к ценообразованию по результату — за что цепляться (resolution, CSAT, NPS), почему инкумбентам трудно следовать и как вертикальная специализация создаёт ценовую власть. Напрямую отзеркаливает разделы статьи про ценообразование и маржу.
Эксперт
154 минВидео
Instrumenting & Evaluating LLMs
Hamel Husain. Хамел Хусейн, Юджин Ян, Брайан Бишоф, Харрисон Чейз и Шрея Шанкар прорабатывают трассировку, анализ логов, LLM-as-judge и воркфлоу вокруг просмотра реальных продакшен-данных. Сядьте с этим как с длинным подкастом — это лучший глубокий разбор тезиса статьи «смотрите на свои трассировки» на YouTube.
Эксперт
9 минВидео
LangSmith in 10 Minutes
LangChain. Гид по LLM-трассе, проекту и датасету от ко-фаундера LangChain — стоимость по токенам, латентность, error rate, агрегация обратной связи, погружение в один спан шага retrieval. Это ближайший визуальный аналог тому, что описывает статья, говоря «каждый вызов — это спан» и почему структурированные трассировки бьют print-логирование.
Эксперт
25 минВидео
Prompting 101 | Code w/ Claude
Anthropic. Живая сессия сборки промпта для страховых заявок от команды Applied AI в Anthropic — они начинают с расплывчатой инструкции и итерируют до чего-то, что разработчик реально стал бы выкатывать в продакшен, демонстрируя ровно те правки, которые описывает статья для слоёв system и developer. Посмотрите перед перечитыванием чек-листа статьи про примеры, структуру вывода и обработку отказов.
Эксперт
77 минВидео
AI prompt engineering: A deep dive
Anthropic. Четыре prompt-инженера Anthropic (research, alignment, applied, developer relations) подробно говорят о том, что они реально делают изо дня в день: как редактируют промпты под давлением, как думают о «честности» в инструкциях, когда помогают XML-каркасы, а когда нет. Слоистая модель статьи чисто ложится на то, как они описывают работу; это лучший способ услышать эту ментальную модель вслух.
Эксперт
41 минВидео
OpenAI DevDay 2024 | Structured outputs for reliable applications
OpenAI. Проходится по `strict: true`, отличиям от старого JSON-режима, обработке отказов и тому, как компонуются function calling и схемы response-format. Полезно ровно тем, что описывает контракт, который вам даёт API, — а именно на нём построены продакшен-паттерны статьи.
Эксперт
18 минВидео
Pydantic is all you need: Jason Liu
AI Engineer. Выступление, кристаллизовавшее современный паттерн «опиши модель Pydantic, отдай её LLM, пусть валидация делает остальное», с конкретными примерами вложенных объектов, валидаторов, ловящих галлюцинированные URL, и Chain-of-Thought как типизированного поля. Посмотрите перед перечитыванием раздела статьи про валидаторы — и узнаете, откуда взялись её правила ретраев и отказов.
Эксперт
40 минВидео
Andrej Karpathy: Software Is Changing (Again)
Y Combinator. Кейноут Карпатого на AI Startup School рамкует LLM как новый класс компьютера — utility, fab и OS, свёрнутые в одно — и аргументирует «частично автономные» продукты с поводком, контролируемым человеком. Это самая чистая формулировка той ментальной модели стека, которую предполагает статья: что вы выбираете провайдеров инференса и инструменты под программируемую подложку, а не под чат-бота.
Эксперт
211 минВидео
Deep Dive into LLMs like ChatGPT
Andrej Karpathy. Самое ясное от и до объяснение на YouTube того, чем на самом деле является LLM — претренинг, токенизация, SFT, RLHF, reasoning RL, использование инструментов, галлюцинации — на уровне детализации, нужном инженеру, чтобы рассуждать о компромиссах между моделями. Посмотрите его один раз, и решения «GPT-класса vs. модели с открытыми весами vs. reasoning-модель» из статьи перестанут казаться выбором бренда и начнут выглядеть как выбор training-рецептов.
Эксперт