Новое
10 материалов
Подборки и сравнения
Промпты для оценки ответов нейросети: 5 судей
Промпты для оценки ответов нейросети: 5 судей — это пять отдельных контрактов, каждый со своим входом, схемой ответа, ручным эталоном и контрольной заменой. Ниже приведены полные тексты, готовые…
Читать →Подборки и сравнения
Инструменты ИИ для синтетических данных: карта выбора
Инструменты ИИ для синтетических данных решают одну задачу: обучить модель на реальной таблице и получить новый набор строк.…
Нейросети для распознавания формул: как выбрать
Нейросети для распознавания формул: как выбрать под свой вход — облачный Mathpix image OCR, локальный Pix2Text или актуальный…
Ragas или DeepEval: выбор оценки ответов LLM
Ragas или DeepEval: выбор оценки ответов LLM начинается с требований команды. Документация Ragas описывает сбор датасета с полями…
Instructor или Outlines: JSON от LLM
Instructor или Outlines: JSON от LLM — это выбор между двумя подходами. Instructor строит работу вокруг Pydantic-модели, валидации…
pgvector или Qdrant: выбор для данных проекта
pgvector или Qdrant: выбор для данных проекта определяется договором владения записями. Когда источники строк живут в PostgreSQL и…
Flowise или Langflow: выбор и сопровождение
Flowise или Langflow: выбор и сопровождение начинается с инвентаризации. Сначала фиксируют язык расширений, статус upstream и наличие существующих…
Firecrawl или Crawl4AI: выбор сборщика
Firecrawl или Crawl4AI: выбор сборщика решается по трём условиям: где лежит источник, готовы ли вы отдать его внешнему…
Mem0 или Letta: выбор памяти и агента
Mem0 или Letta: выбор памяти и агента решается по уровню приложения. Mem0 Platform и OSS дают подключаемый слой…
Notion или Obsidian: учебный выбор базы знаний
Notion или Obsidian: учебный выбор базы знаний решается требованиями задачи. Для персональной локальной базы с контролем файлов подходит…
Гайды
RRF: как объединить два списка выдачи
Active Prompting: как выбрать примеры для разметки
Self-Discover: структура решения для LLM
Plan-and-Solve: план решения задачи
Analogical Prompting: примеры перед решением задачи
Skeleton-of-Thought: план и параллельные ответы
Thread-of-Thought: разобрать шумный контекст
Contrastive CoT: правильные и ошибочные примеры
System 2 Attention: как убрать лишний контекст
Rephrase and Respond: уточнение вопроса перед ответом
Chain of Density: как сделать резюме плотнее
Промпт для создания игры: механика и приёмка
Промпт для воспитателя: план занятия и материалы
Промпт для названия: варианты и критерии выбора
Промпты для бьюти-мастера: услуга и сообщение
Промпт для меню: структура, описания, проверка
Обзоры
Flowise: как устроен визуальный конструктор ИИ
Flowise: как устроен визуальный конструктор ИИ — это открытая платформа для сборки…
MarkItDown: проверка результата конвертации
MarkItDown: проверка результата конвертации сводится к сверке вывода с ручным эталоном. Конвертируйте…
PaddleOCR: OCR и структура таблицы
PaddleOCR: OCR и структура таблицы — это два разных маршрута одной библиотеки.…
Crawl4AI: сбор страницы и карта raw/fit Markdown
Crawl4AI: сбор страницы и карта raw/fit Markdown — это асинхронная Python-библиотека, которая…
Справочник
Corrective RAG: как исправлять плохой поиск
Self-RAG: как ИИ проверяет найденные документы
Late chunking: что это и как проверить поиск
Contextual Retrieval: как сохранить контекст в RAG
Что такое SQLite: пример базы и выбор для задачи
Data Lake: что это, отличие от DWH и пример
Что такое PAL (Program-Aided Language Models)?
MVC: что это и как работает в веб-разработке
Что такое Directional Stimulus Prompting: пример
ClickHouse: SQL или NoSQL и что это меняет
Complexity-based prompting: что это и как применять
Промпт для Авито: объявление по фактам о товаре
Дайджест
Разборы новых инструментов раз в неделю.
Отписаться можно в один клик в любом письме. Отправляя адрес, вы соглашаетесь с политикой обработки персональных данных.
О методике издания
- Инструменты из обзоров тестируем сами: разворачиваем, прогоняем сценарии, скриншотим свой результат.
- Факты и цены сверяем с первоисточниками — документацией и тарифами вендора на день проверки.
- Материалы датируем; при перепроверке помечаем «Обновлено» и правим устаревшее.
- Монетизация — только собственные курсы университета «Зерокодер», рекламных сетей на сайте нет.