Nvidia опубликовала подробное руководство по девяти техникам кастомизации AI-агентов — от простого промпт-инжиниринга до продвинутого обучения с подкреплением (RL). Материал объясняет, как превратить базовую foundation model в специализированного агента для конкретных бизнес-задач: маршрутизация логистики, триаж тикетов поддержки, генерация кода и многошаговые рабочие процессы.
В статье разбираются ключевые методы: промпт-инжиниринг и системные промпты (самый доступный способ, который часто используют первым), RAG для доступа к актуальным и проприетарным данным без переобучения модели, а также инжекция инструментов и скиллов. Особое внимание уделяется самоэволюционирующим агентам вроде OpenClaw, которые автоматически обновляют собственные промпты по мере накопления опыта.
Для каждого метода приведены условия применения и ограничения. Например, RAG снижает галлюцинации, но добавляет задержку и не расширяет способности рассуждения. Промпт-инжиниринг хорош для быстрого прототипирования, но становится хрупким для сложных цепочек рассуждений. Статья также затрагивает эволюцию стандартного RAG в agentic RAG, где агент сам решает, какие документы извлекать и когда информации достаточно.
#AI #Nvidia #Agents #RAG #PromptEngineering
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
📑 «LLM требуют навыков»
Тимоти Б. Ли, известный аналитик и автор, высказался о распространённом заблуждении, будто работа с большими языковыми моделями (LLM) не требует навыков и не имеет кривой обучения. Он сравнил это с управлением людьми: «Это всё равно что сказать, что быть менеджером легко, потому что сотрудники просто делают то, что им говорят».
На самом деле эффективное использование LLM — это отдельная компетенция. Промпт-инжиниринг, понимание ограничений модели, умение структурировать запросы и интерпретировать результаты требуют практики и аналитического мышления. Как и в менеджменте, здесь важны контекст, обратная связь и адаптация.
Цитата напоминает: за кажущейся простотой интерфейса чат-бота скрывается сложный инструмент, который требует вдумчивого подхода. Недооценка этой кривой обучения ведёт к разочарованию в результатах.
#LIFE #AI #PromptEngineering #Skills #Opinion
Тимоти Б. Ли, известный аналитик и автор, высказался о распространённом заблуждении, будто работа с большими языковыми моделями (LLM) не требует навыков и не имеет кривой обучения. Он сравнил это с управлением людьми: «Это всё равно что сказать, что быть менеджером легко, потому что сотрудники просто делают то, что им говорят».
На самом деле эффективное использование LLM — это отдельная компетенция. Промпт-инжиниринг, понимание ограничений модели, умение структурировать запросы и интерпретировать результаты требуют практики и аналитического мышления. Как и в менеджменте, здесь важны контекст, обратная связь и адаптация.
Цитата напоминает: за кажущейся простотой интерфейса чат-бота скрывается сложный инструмент, который требует вдумчивого подхода. Недооценка этой кривой обучения ведёт к разочарованию в результатах.
#LIFE #AI #PromptEngineering #Skills #Opinion
🔥1
Совет от команды Claude Code на AIE: вместо жёстких инструкций (например, «пиши тесты только для крупных фич») лучше просто сказать Fable и Opus «используй собственное суждение». Это повышает эффективность и снижает расход токенов.
Дополнительный лайфхак от разработчика Джесси Винсента: поручайте Fable делегировать мелкие задачи более дешёвым моделям. Саймон Уиллисон протестировал промпт: «Для всех задач по кодингу используй своё суждение, чтобы выбрать подходящую модель меньшей мощности и запустить её в сабагенте». Claude Code сохранил это как файл памяти — теперь для реализации кода он вызывает Sonnet или Haiku, а основная модель занимается проектированием, аудитом и синтезом.
Результат: объём работы вырос, а токены Fable расходуются значительно медленнее. Особенно актуально перед грядущим повышением цен.
#AI #ClaudeCode #Fable #PromptEngineering #Optimisation #Development
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡1💯1