GitNexus: клиентский движок интеллекта для кода без сервера


🧑‍💻 GitNexus — это создатель графа знаний на стороне клиента, который работает полностью в вашем браузере.
Вы можете добавить репозиторий GitHub или ZIP-файл и получить интерактивный граф знаний со встроенным Graph RAG Agent 🔗🤖

Инструмент идеально подходит для изучения кода 💻
Он написан на TypeScript.

На GitHub проект имеет 13 875 звёзд и 1 624 форка ⭐️🍴

#RAG #Graph #GitHub

☠️ Эксперимент: как за $12 отравить LLM через Wikipedia

Инженер по безопасности Рон Стоунер провел наглядный эксперимент по отравлению retrieval-augmented generation (RAG) у ведущих LLM. Он зарегистрировал домен 6nimmt.com за $12 и добавил в Wikipedia правку о том, что он якобы является чемпионом мира 2025 года по карточной игре 6 Nimmt!. Никакого чемпионата не существует, а единственным источником информации служил его собственный сайт с пресс-релизом.

Несмотря на отсутствие независимых подтверждений, несколько AI-чатботов с веб-поиском приняли эту информацию за факт и сообщили Стоунеру, что он чемпион. Проблема, по его словам, не в промпт-инъекции, а в самом слое RAG: LLM доверяют тому, что ранжируется выше всего в выдаче, и не проверяют происхождение источников.

Стоунер выделяет три уязвимости, которые можно использовать для более серьезных атак:

1. Слой поиска (retrieval layer). Любая LLM, которая использует веб-поиск для ответов, наследует достоверность того, что ранжируется по запросу. Если поддельный источник - единственный, модель выдает ложь как истину.

2. Корпус обучающих данных. Правка в Wikipedia провисела с февраля 2025 года до конца апреля. Если какой-либо AI-провайдер успел собрать дамп Wikipedia за это время, вымышленный чемпионат мог попасть в тренировочные данные. Откатить это невозможно - проблема очистки корпуса от отравленных данных до сих пор не решена.

3. AI-агенты с доступом к инструментам. Если агент использует отравленный источник, злоумышленник может задать конкретное действие, которое агент выполнит. Это уже не репутационная проблема, а проблема безопасности.

Стоунер отмечает, что его атака - это старые SEO- и дезинформационные тактики, обернутые в новые LLM-интерфейсы. Он призывает AI-компании внедрять проверку происхождения данных и эвристически фильтровать свежий веб-контент на подозрительные паттерны (например, единственная ссылка на домен, зарегистрированный незадолго до правки в Wikipedia).

#Ai #Security #RAG #LLM

💻 Мастеринг агентных техник: кастомизация AI-агентов от Nvidia

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

🎆 Fireworks AI запустил полную линейку моделей Voyage AI на своей платформе

Fireworks AI стал первым выделенным инференс-провайдером, с которым Voyage AI (принадлежит MongoDB) заключила партнёрство. Теперь модели Voyage 4, voyage-multimodal-3.5 и rerank-2.5 работают нативно на Fireworks. Весь конвейер «эмбеддинги → поиск → реранкинг → генерация» доступен через один API и один latency-домен — без интеграции отдельного retrieval-вендора.

Это закрывает ключевой разрыв для AI на собственных данных: качество retrieval часто важнее размера модели. По данным Fireworks, voyage-4-large опережает OpenAI v3 Large в среднем на 14,05%, Cohere Embed v4 — на 8,2%, Gemini Embedding 001 — на 3,87%. При этом доступны и другие варианты: voyage-4-lite для скорости и стоимости, nano для локальной разработки, мультимодальная версия для корпусов с изображениями и видео, плюс rerank-2.5 для точного ранжирования в агентных системах.

Практический смысл для разработчиков: одна платформа для retrieval и генерации означает один биллинг, меньше сетевых хопов и меньше поверхностей, через которые проходят проприетарные данные. Плюс Fireworks позволяет пост-трейнить открытые модели рядом с Voyage-эмбеддингами — получается замкнутый цикл: retrieval заземляет систему на ваши данные, дообучение затачивает модель под задачу, а каждый цикл использования усиливает отрыв от конкурентов.

#AI #FireworksAI #VoyageAI #RAG #Embedding #Development

🔎 Mistral представила Agentic Search: точный поиск по сложным документам для ИИ-агентов

Компания Mistral AI запустила Agentic Search — слой поиска, который позволяет моделям не просто получать фрагменты, а самостоятельно находить, открывать, читать и проверять информацию в длинных и плотных документах: финансовых отчётностях, договорах, внутренних реестрах.

В основе — мультишаговый цикл поиска с пятью инструментами: search, open, navigate, read и grep. Агент может уточнять запрос, переходить по ссылкам, сравнивать источники и сверять данные, тогда как классический RAG выдаёт фиксированные чанки за один проход и часто не находит ответ в таблицах или сносках. Решение доступно через Mistral Search Toolkit и Libraries в Studio и Vibe, работает в облаке и on-premises.

По тестам FinanceBench точность на финансовых документах выросла с 26,7% до 86%, на OfficeQA Pro — до 51,9% (+45,6 пункта). Задержка p90 снизилась до 39,6%, а расход токенов — до трети за счёт меньшего числа повторных поисков. Для бизнеса это способ подключать агентов к чувствительным данным, не выводя их за пределы изолированного контура.

#AI #Tech #MistralAI #AgenticSearch #RAG #Development

🎆 Fireworks AI: путь к специализированному интеллекту

Fireworks AI опубликовала первый материал из серии о «специализированном интеллекте» — для инженеров, которые только начинают экспериментировать с обучением собственных моделей. Главный тезис: рано или поздно компании приходят к тому, чтобы владеть моделью, определяющей их бизнес.

Авторы описывают три этапа. Первый — аренда закрытого фронтира через API: мощно, но это аренда во всех смыслах — вы не контролируете веса, цену, задержку, график вывода из эксплуатации и зачастую свои данные. Второй — AI-инжиниринг: prompt engineering, context engineering (RAG), затем harness engineering — компактификация диалога, оптимизация инструментов, MCP. Весь этот слой — компенсация инженерными усилиями того, что сама модель не меняется: промпты направляют модель, но ничему её не учат. Третий этап — добавление открытых моделей ради юнит-экономики и контроля, а затем — обучение собственной модели, если задача действительно уникальна.

Ключевая рамка статьи: любую AI-систему оптимизируют по трём осям — качество, стоимость, задержка. AI-инжиниринг позволяет двигаться по ним без вмешательства в модель, но упирается в потолок. Обычно команды сначала бьются за стоимость и latency (в том числе через микс из открытых моделей), и лишь потом — за качество через собственный тренинг.

#AI #FireworksAI #LLM #Engineering #RAG #Development

⚙️ Tencent открыла исходный код WeKnora с официальным плагином для DeepSeek Harness

Команда WeChat из Tencent выложила в open source платформу корпоративных знаний WeKnora - репозиторий Tencent/WeKnora уже набрал более 25 000 звёзд на GitHub. Это не просто обёртка над чатом, а полноценный слой для агентов: RAG-стек, ReAct-рантайм и самообновляемая Wiki в одной системе.

В версии 0.8.0 появились песочница навыков с бэкендами Docker, E2B и Cube, каталоги навыков по тенантам, долговременная память между сессиями (профили, предпочтения, факты, задачи), поддержка графа знаний, MCP-инструменты и Wiki-обслуживание документов. Агенты могут искать по корпоративным корпусам, вызывать навыки в рамках сетевых политик и сохранять память между сессиями.

Ключевая новость для разработчиков - официальный плагин DeepSeek Harness @wxg-prc-cpg/dsh-weknora. Сам Harness умеет искать по workspace и вебу, но не имеет встроенного эмбеддинга и базы знаний. Плагин закрывает этот пробел, регистрируя четыре read-only инструмента: список баз знаний, гибридный поиск, чтение полного документа с пагинацией и ответы WeKnora со ссылками. Установка: dsh plugin --profile web add @wxg-prc-cpg/dsh-weknora, проверено на dsh 0.1.0-rc.8 и WeKnora 0.7.2.

#AI #WeKnora #DeepSeek #RAG #Agents #OpenSource