AI Engineering Labs

Запускайте идеи. Проверяйте ограничения.

Это воспроизводимые публичные артефакты, а не размещённые рабочие системы. В каждой карточке указано, что можно запустить локально, какие доказательства существуют и что остаётся недоказанным.

• Market Analyst Agent

  Запустить локально: Исследовательский агент на LangGraph с маршрутами reasoning, checkpoint-памятью, инструментами, guardian-слоем, топологией runtime и элементами управления harness.

  Изучить: Как одна референсная система связывает шесть частей agentic stack.

  Артефакт: Репозиторий с исходным кодом · Серия об архитектуре

  Ограничение: Локальная референсная архитектура; публичного бенчмарка production-надёжности нет.

• RAG Evals Demo

  Запустить локально: Ноутбуки и модули оценки для retrieval, фильтров, реранкинга, faithfulness, LLM-judges и латентности на SciFact со встроенным Qdrant.

  Ограниченный результат: Репозиторий фиксирует разобранный в статье пример retrieval на значениях Recall@5 = 0,750, MRR = 0,625 и nDCG@5 = 0,627.

  Артефакт: Репозиторий с исходным кодом · Руководство по оценке

  Ограничение: Результаты примера и SciFact зависят от корпуса; повторно запустите harness на собственных вопросах и доказательствах.

• TypeScript Agent Service

  Запустить локально: Production-подобный TypeScript-монорепозиторий со streaming API, строгими схемами, выполнением инструментов, постоянным хранилищем, worker, MCP, observability и тестами.

  Изучить: Последовательное сопоставление границ Python-стека сервисов с TypeScript.

  Артефакт: Репозиторий с исходным кодом · Руководство по реализации

  Ограничение: Локальный каркас сервиса; для деплоя и вызовов провайдеров потребуются собственная инфраструктура и учётные данные.

• Search Ranking Stack

  Запустить локально: BM25, dense retrieval, reciprocal rank fusion, реранкинг cross-encoder и listwise-ранжирование LLM на выборке данных поиска товаров Amazon ESCI.

  Изучить: Релевантность, латентность и стоимость по этапам вместо одного непрозрачного итогового показателя.

  Артефакт: Репозиторий с исходным кодом · Поэтапный анализ

  Ограничение: Бенчмарк на выборке; устаревшая строка LLM сохранена как предупреждение, а не результат.

• Model Compression Demo

  Запустить локально: Планирование квантизации, рецепты, пробные запуски и конфигурации бенчмарков для workflows с vLLM, LLM Compressor и TensorRT-LLM.

  Изучить: Какой путь сжатия подходит модели, целевому оборудованию, бюджету качества и ограничениям serving.

  Артефакт: Репозиторий с исходным кодом · Руководство по квантизации

  Ограничение: Публичные материалы содержат планы и рецепты; заявления о результатах бенчмарков всё равно нужно проверять на целевом оборудовании для serving.

Предпочитаете сначала прочитать объяснение? Откройте страницу Work или читайте Edge of Context.