[!NOTE] Автоматический перевод Эта статья была автоматически переведена с оригинальной английской версии.
Быстрые ответы
Используйте этот раздел, когда вам требуется краткий ответ перед более подробным анализом. В каждом руководстве приводятся практические стандартные решения, описание сопутствующих компромиссов, а также ссылка на полную статью в тех случаях, когда необходимы детальные пояснения.
Этот архив блога Сосредоточен на статьях длинного формата. Fast Answers представляют собой более краткие руководства для принятия решений.
Начните здесь
| Вопрос | Краткий ответ | Руководство | Углублённый анализ |
|---|---|---|---|
| С каким агентом фреймворк мне следует начать работу? | Для хранения явного состояния используйте LangGraph. Для работы с нативными Python-агентами от OpenAI применяйте OpenAI Agents SDK. В тех случаях, когда retrieval играет центральную роль, оптимальным решением будет использование LlamaIndex. | Лучший ИИ-агент фреймворки | циклы ИИ-агент ризонинг |
| Какую стековую среду оценки RAG следует использовать? | Начните с использования детерминистичных метрик retrieval. Затем добавьте инструменты вроде Ragas, DeepEval, TruLens, LangSmith или собственные проверки там, где это целесообразно. | Лучшие инструменты и метрики для оценки RAG | метрики оценки RAG |
| Какой локальный инструмент LLM следует использовать в macOS? | Начните с Ollama для запуска локальной API. Для графического исследования используйте LM Studio, а для управления рантайм — llama.cpp; кроме того, MLX подходит для работы с чипами Apple Silicon. | Лучшие локальные инструменты LLM для macOS | Локальная реализация LLMs в macOS |
| Какой из OCR модель следует использовать для документа AI? | Для обработки сложных документов используйте облачные VLMs, для массового формирования качественного печатного текста — традиционные OCR, а при необходимости строгого контроля над данными — открытые VLMs. | Лучший OCR модели для обработки документов AI | руководство OCR |
| Какой из NER модель мне следует использовать? | Для генерации стабильных меток используйте spaCy, для гибких меток без обучения — GLiNER; при наличии данных для обучения применяйте классификаторы на основе Transformer токен, а в случаях с высокой сложностью схемы — технологию извлечения информации LLM. | Лучшие NER модели | руководство NER |
| Как мне защитить ИИ-агент? | Сначала отключите питание: использование узких инструментов, предварительная проверка параметров инструментов, изоляция в сандбоксе, ограниченные учетные данные, процедуры утверждения и трейсы. | Лучшие паттерны безопасности ИИ-агент | ИИ-агент безопасность |
| Какую стек-архитектуру поисковой ранжирования мне следует разработать? | Сначала выполняется лексикальная обработка, затем добавляется высокая плотность воспроизведения результатов, объединяются полученные данные, последовательно ранжируются с использованием кросс-энкодера, причём LLM реранкинг применяются исключительно к небольшому финальному набору данных. | Оптимальная стек-архитектура для ранжирования поисковых результатов продуктов AI | Стек алгоритмов ранжирования поиска |