Библиотека ИИ для айтишников

MCP без привязки запроса к одному серверу В спецификации MCP 2026-07-28 убрали обмен initialize/initialized и заголовок Mcp-Session-Id. Каждый запрос несёт собственные сведения о версии, клиенте и его возможностях. Балансировщик может направить его на любой экземпляр сервера. Состояние приложения при этом может сохраняться. В руководстве предлагают возвращать явный идентификатор и передавать его аргументом следующих вызовов. В ролике авторов показано различие между sticky-сессией и round-robin при отказе экземпляра. Проверьте, поддерживают ли ваши клиенты и серверы версию 2026-07-28. Источник и видео: Model Context Protocol 🐸 Библиотека ИИ для айтишников #neuro_dive

OpenAI Batch API: скидка 50% с ожиданием до суток Для разметки корпуса или обработки данных ночью можно использовать OpenAI Batch API, если ответы не нужны сразу. Запросы передают файлом JSONL, по одному на строку. В документации указаны скидка 50% относительно синхронных API и окно завершения до 24 часов. Среди поддерживаемых путей есть /v1/responses, /v1/chat/completions и /v1/embeddings. Перед сборкой файла проверьте в руководстве поддержку нужного endpoint и модели. Источник 🐸 Библиотека ИИ для айтишников #ai_stack

Совместите поиск по смыслу с точным совпадением Для базы знаний полезны два способа поиска: dense-векторы находят близкий смысл, BM25 — точные слова при настроенном full-text индексе. В Qdrant Query API оба запроса можно выполнить через prefetch, а результаты объединить с RRF. Он учитывает места документов в выдачах, поэтому не нужно напрямую сравнивать две шкалы оценок. При пагинации offset действует только на основной запрос. Задайте каждому prefetch limit не меньше limit + offset основного запроса, иначе итоговая страница может оказаться пустой. Query API доступен с Qdrant 1.10. Возможности BM25 сверяйте со своей версией. Релевантность объединённой выдачи проверяйте на своих запросах. Источник 🐸 Библиотека ИИ для айтишников #neuro_dive

🛠 Дайте модели текст страницы без меню и подвала Crawl4AI получает веб-страницы через браузер и возвращает Markdown. Для очистки есть Fit Markdown: можно убрать служебные блоки или отобрать текст по запросу через BM25. Если структура страниц повторяется, CSS- или XPath-схема позволяет извлечь JSON без вызова LLM. Для извлечения моделью предусмотрена отдельная стратегия. Перед передачей агенту проверьте полученный текст: для динамической страницы может понадобиться настроить браузер и ожидание загрузки. Библиотека не гарантирует полное чтение любого сайта. Схема составлена по документации и показывает два пути обработки. Собственного запуска не было. Источник 🐸 Библиотека ИИ для айтишников #quick_win

🎵 Почему AudioSR может не помочь вашему MP3 AudioSR достраивает высокочастотную часть звука. Но модель обучалась на аудио после low-pass-фильтра, а MP3 может терять частоты иначе — с «дырами» возле границы диапазона. В README авторы показывают неудачный результат и вариант с low-pass-обработкой перед AudioSR. На схеме — обе ветки эксперимента авторов. Своего сравнительного теста мы не проводили. Перед обработкой всего архива проверьте тип искажений. Сильный шум и реверберация тоже ухудшают результат. Синтезированные частоты не доказывают, что восстановлена исходная запись. Источник 🐸 Библиотека ИИ для айтишников #neuro_dive

Другая формулировка без потери старого чата В LibreChat можно создать отдельный чат от выбранного сообщения. Исходный разговор останется без изменений: удобно проверить другую постановку задачи и сохранить прежний ответ. При создании fork выберите, сколько истории перенести. Visible messages only копирует прямой видимый путь к сообщению без боковых веток. Есть варианты с боковыми ветками на этом пути или со всей историей до выбранной точки. Копирование всей истории само по себе не гарантирует экономию токенов. На картинке схема развилки, а не интерфейс приложения. Источник 🐸 Библиотека ИИ для айтишников #ai_workflow

Два разных вопроса к вашему RAG Нашли ли нужный контекст и опирается ли на него ответ? В Ragas это разные проверки. Context Precision учитывает порядок найденных фрагментов: релевантные должны стоять выше нерелевантных. Одной доли полезных фрагментов недостаточно. Faithfulness проверяет, подтверждаются ли утверждения ответа полученным контекстом. В примере документации подтверждено одно из двух утверждений, оценка — 0,5. Если сам источник ошибается, высокая Faithfulness не доказывает, что ответ верен. LLM-судья тоже может ошибаться. На схеме — объяснение метрик по документации, собственных замеров здесь нет. Источник 🐸 Библиотека ИИ для айтишников #cheat_sheet

🎨 Увеличить маленькую картинку и проверить детали Upscayl — настольный AI-апскейлер для Linux, macOS и Windows. В ролике авторов видны выбор модели и слайдер сравнения. Это старый интерфейс v2.11.0, а не показ последнего релиза. Инструмент подходит для изображений низкого разрешения. В FAQ отдельно сказано, что он не предназначен для исправления расфокуса. Нужен совместимый Vulkan GPU, большинство iGPU и CPU не поддерживаются. В README указаны macOS 12+ и Windows 10+. Модель предполагает, как могли выглядеть детали. По такой картинке нельзя устанавливать исходный текст документа или подлинную фактуру объекта. Источник 🐸 Библиотека ИИ для айтишников #quick_win

💡 GEPA: менять промпт по обратной связи В DSPy оптимизатор GEPA получает не только оценку ответа, но и текстовый feedback. Отдельная модель использует его, чтобы предложить новые инструкции. GEPA запускает программу с ними и оценивает кандидатов. Разделите данные по назначению: train — для изменения инструкций, validation — для выбора программы, test — для финальной проверки на примерах вне оптимизации. Без отдельного validation GEPA переиспользует train и допускает подгонку под него. Метрика должна отражать вашу задачу. Оптимизатор улучшает то, что она поощряет, а дополнительные вызовы моделей могут стоить денег. На схеме — цикл из tutorial DSPy. Улучшение метрики не гарантирует полезного результата в вашей задаче. Источник 🐸 Библиотека ИИ для айтишников #prompt_lab

🔒 Чат с базой начинается с прав пользователя Vanna 2.0 даёт backend и готовый компонент vanna-chat: модель составляет SQL по вопросу, а интерфейс показывает результат в виде таблицы, графика и текстовой сводки. В ролике это показывает автор проекта. UserResolver определяет пользователя по данным вашей авторизации, например cookies или JWT. Инструменты могут проверять доступ по его группам. Авторизацию и права к реальным данным нужно настроить в вашем приложении. Демонстрация не доказывает изоляцию строк между клиентами. Вызовы выбранного LLM-провайдера могут быть платными. Старые инструкции Vanna 0.x к версии 2 не подходят. Источник 🐸 Библиотека ИИ для айтишников #ai_stack