INTERLAB
Как делать · 10

AI-разработка

LLM API, промпты, AI-ассистенты в коде, эмбеддинги, RAG, tool calling, агенты, оценка и безопасность.

Прочитано: 0 / 16Основы AIAPI языковых моделейПромпт-инжинирингРазработка с AI-ассистентомЭмбеддинги и векторные базыRAGВызов инструментовAI-агенты и автоматизацияОценка качества AIБезопасность AIВайбкодинг: от прототипа к продукту

Основы AI

  1. Основы✓

    LLM: как устроены языковые модели и что они умеют

    Большая языковая модель (LLM) — это нейросеть, обученная предсказывать следующий фрагмент текста (токен) по всему, что было до него; из этого умения вырастают ответы на вопросы, перевод, классификация и генерация кода. Модель видит только то, что помещается в её контекстное окно, ничего не запоминает между запросами и может уверенно ошибаться — поэтому в продукте её подкрепляют данными, проверкой формата и контролем человека.

    Начальный · 8 мин чтения

API языковых моделей

  1. Пошаговый урок✓

    LLM API: первый запрос к Claude и OpenAI

    Чтобы вызвать языковую модель из кода, установите официальный SDK (@anthropic-ai/sdk или openai), положите ключ в переменную окружения на сервере и отправьте запрос: у Anthropic это client.messages.create с полями model, max_tokens, system и messages, у OpenAI — client.responses.create с model, instructions и input. Для интерфейсов включают стриминг, а ошибки 429 и 5xx SDK по умолчанию повторяет сам; ваша задача — задать лимиты, таймаут и разобрать оставшиеся ошибки по типам.

    Начальный · 6 мин чтения · практика ~1,5–3 ч

Промпт-инжиниринг

  1. Руководство✓

    Промпт-инжиниринг: инструкции, примеры, структура ответа

    Хороший промпт — это техническое задание: роль, контекст и причина задачи, пошаговые правила, 3–5 разнообразных примеров и точный формат ответа, а переменные данные отделены XML-тегами. Для машинной обработки ответ получают структурированным выводом по JSON-схеме (у Anthropic — output_config.format, у OpenAI — text.format) и всё равно проверяют его в коде, например схемой Zod. Качество промпта меряют на наборе размеченных примеров после каждой правки.

    Начальный · 6 мин чтения · практика ~30–60 мин

Разработка с AI-ассистентом

  1. Руководство✓

    AI-ассистенты в разработке: Claude Code и Codex на практике

    Claude Code и Codex — агентные инструменты: они сами читают репозиторий, правят файлы и запускают команды, а не дописывают одну строку. Чтобы агент помогал, а не вредил, нужны три вещи: файл инструкций проекта (AGENTS.md или CLAUDE.md) с командами и запретами, разрешения и песочница, которые технически ограничивают его действия, и задача с проверяемыми критериями готовности. Результат агента проходит те же тесты и ревью, что и код человека.

    Средний · 9 мин чтения · практика ~30–60 мин

Эмбеддинги и векторные базы

  1. Пошаговый урок✓

    Эмбеддинги и векторный поиск на pgvector

    Эмбеддинг — это вектор из сотен чисел, который модель строит по тексту так, что близкие по смыслу тексты получают близкие векторы. Векторы можно хранить прямо в PostgreSQL с расширением pgvector и искать ближайшие по косинусному расстоянию оператором <=>, а для больших таблиц добавить приближённый индекс HNSW или IVFFlat. Эмбеддинги можно получать локальной моделью без ключей или через облачные API — главное, кодировать документы и запросы одной и той же моделью.

    Средний · 9 мин чтения · практика ~1,5–3 ч

RAG

  1. Пошаговый урок✓

    RAG: ответы по своим документам

    RAG (retrieval-augmented generation) — схема, в которой перед ответом модели программа находит в базе знаний несколько подходящих фрагментов и передаёт их в промпт, а модель отвечает только по ним и ссылается на источник. Конвейер состоит из индексации (нарезка, эмбеддинги, векторная база) и ответа (поиск top-k, сборка контекста, генерация с цитатами). Качество проверяют раздельно: поиск — метрикой recall@k на контрольных вопросах, ответ — проверкой цитат и честного «не знаю».

    Средний · 9 мин чтения · практика ~3–6 ч

Вызов инструментов

  1. Пошаговый урок✓

    Tool calling: модель вызывает ваши функции

    Tool calling — механизм, при котором вы описываете функции (имя, назначение, JSON Schema аргументов), модель отвечает структурированным запросом на вызов (tool_use), ваш код выполняет функцию и возвращает результат (tool_result), а модель продолжает ответ. Сама модель ничего не выполняет: аргументы нужно проверять в коде, ошибки возвращать с is_error: true, а действия с последствиями подтверждать вне модели.

    Средний · 10 мин чтения · практика ~1,5–3 ч

AI-агенты и автоматизация

  1. Глубокий разбор✓

    AI-агенты: цикл, инструменты, границы и автоматизация

    AI-агент — это языковая модель, которая в цикле сама выбирает инструменты и следующие шаги, пока не достигнет цели, и после каждого действия получает обратную связь от среды. В отличие от workflow, где порядок шагов задаёт код, агент решает сам, поэтому ему нужны лимиты шагов и бюджета, узкий набор инструментов, подтверждение человеком для действий с последствиями и журнал шагов. Начинать стоит с простейшего решения: часто хватает одного вызова модели или фиксированного workflow.

    Продвинутый · 9 мин чтения

Оценка качества AI

  1. Руководство✓

    Оценка качества LLM-функций: тест-наборы и метрики

    Качество LLM-функции измеряют eval-набором: десятки реальных входов с эталонами, которые после каждого изменения промпта или модели прогоняются через автоматические проверки — точное совпадение и валидацию схемы и правил кодом, а там, где важен смысл, через LLM-судью с рубрикой, сверенного с человеческой разметкой. Результат — отчёт с процентом прохождения по проверкам и срезам, списком регрессий, стоимостью и задержкой, который в CI может остановить выкладку.

    Продвинутый · 12 мин чтения · практика ~1–2 ч

Безопасность AI

  1. Основы✓

    Безопасность LLM-приложений: prompt injection и утечки

    LLM-приложение получает новый канал недоверенного ввода: модель выполняет инструкции из любого текста в своём контексте — от пользователя, из документа, письма или веб-страницы — и не умеет надёжно отличать их от данных. Поэтому защита строится не на промпте, а вокруг модели: инструкции отделены от данных, у инструментов минимальные права, действия с последствиями подтверждает человек, а вывод модели проверяет детерминированный код по схеме и списку разрешённых действий. Основа — OWASP Top 10 for LLM Applications в редакции 2025 года.

    Средний · 10 мин чтения

Вайбкодинг: от прототипа к продукту

  1. Пошаговый урок✓

    Git в AI-разработке: маленькие шаги, ветки и откат за агентом

    Работайте с агентом как с новым коллегой: каждая задача — в отдельной ветке, каждое изменение вы читаете в git diff до коммита и берёте в коммит только нужные фрагменты через git add -p. Неудачный шаг откатывают по месту ошибки: незакоммиченное — git restore, опубликованный коммит — git revert, локальный неотправленный — git reset с подстраховкой через git reflog. Параллельную задачу отдают второй сессии агента в отдельном git worktree.

    Начальный · 9 мин чтения · практика ~1,5–3 ч
  2. Руководство✓

    Ревью кода, написанного ИИ: на что смотреть в первую очередь

    Код агента ревьюят по тем же правилам, что и код человека, но начинают с того, что агент знать не мог: кто владеет объектом, какие поля можно менять, какие инварианты держит система. Порядок — от дорогих ошибок к косметике: права доступа, валидация входа, секреты, обработка ошибок, зависимости, дублирование, инварианты и тесты. Зелёные тесты агента не доказательство: проверьте, что они описывают требование, а не повторяют реализацию.

    Средний · 7 мин чтения · практика ~1–2 ч
  3. Пошаговый урок✓

    Доступ к данным в AI-собранном MVP: роли, ключи на клиенте и RLS

    В MVP на базе как сервисе (Supabase и похожие платформы) браузер обращается к базе напрямую с публичным ключом, и это нормально: ключ виден любому посетителю и сам по себе ничего не защищает. Защищает Row Level Security — политики в PostgreSQL, которые для каждой строки решают, может ли текущий пользователь её прочитать или изменить. Таблица без RLS при доступном API открыта всем, у кого есть публичный ключ, а служебный ключ обходит RLS и должен жить только на сервере.

    Средний · 7 мин чтения · практика ~3–6 ч
  4. Пошаговый урок✓

    Тесты для сгенерированного кода: зафиксировать поведение до правок

    Перед тем как просить агента менять код, зафиксируйте его текущее поведение характеризационными тестами, а критичные пути — оплату, заявку, права доступа — опишите сценарными тестами с явной таблицей ожиданий. Такие тесты падают, если следующая правка агента «упростит» проверку или молча изменит результат. Чтобы их нельзя было тихо обойти, прогон обязателен в pre-commit и в CI, а пропущенные и пустые тесты ловит линтер.

    Средний · 7 мин чтения · практика ~1,5–3 ч
  5. Руководство✓

    Архитектурные границы и миграции в AI-проекте: правила для агента

    Запишите границы модулей и правила работы со схемой в файл инструкций проекта, но не полагайтесь на него: для агента это контекст, а не запрет. Каждое правило дублируйте проверкой, которая падает: импорты — правилом import-x/no-restricted-paths с TypeScript-резолвером, схему — prisma migrate diff --exit-code в CI, неизменность применённых миграций — сравнением с основной веткой и хуком, который не даёт агенту их редактировать. Миграцию от агента читают как код и прогоняют на копии данных до слияния.

    Средний · 8 мин чтения · практика ~1–2 ч
  6. Руководство✓

    Релиз и передача AI-собранного MVP команде: что подготовить

    Передать проект — значит дать команде всё, чтобы она запустила, проверила и выпустила его без автора: README с запуском с нуля, .env.example со всеми переменными, одну команду проверки, список внешних сервисов с владельцами аккаунтов, чек-лист релиза и отката и честный список известных ограничений. Готовность проверяется репетицией: человек, который не писал код, клонирует репозиторий в чистую папку и выполняет README строго по шагам.

    Средний · 6 мин чтения · практика ~1–2 ч

Траектории с этим направлением

AI-интеграции · 8 →Вайбкодинг: от прототипа к продукту · 7 →← Все направления
Расскажите о задаче — мы изучим запрос и свяжемся с вами

Есть задача?
Обсудим и оценим — бесплатно.

Расскажите о продукте или проблеме. Предложим архитектуру, срок и стоимость первой версии после изучения задачи.

  • Оценка объёма и рисков до старта
  • NDA — по вашему или нашему шаблону
  • Старт работ в течение недели
Написать в WhatsApp

Не присылайте через форму пароли, ключи доступа и исходный код — безопасную передачу доступа обсудим отдельно.

Нажимая кнопку, вы соглашаетесь с обработкой персональных данных.