#rag

AI-агент в проде для тех, кто вкатывается: инструменты, RAG, надёжность и проверки

Агент застрял и сделал 100 ходов вместо 30. Ходов в 3,3 раза больше, а денег в 5,3 раза: каждый ход заново читает всю историю. А если процесс упал на 25-м ходе и задачу запустили с нуля, она дорожает на 81%, и все уже сделанные действия повторятся. Письмо клиенту уйдёт дважды. Собрал практики, которые отделяют агента из демо от агента в проде. Какие инструменты давать модели и как держать контекст коротким. Когда RAG не нужен вовсе, а когда поиск по словам и переранжирование сокращают провалы с 5,7% до 1,9%. Как ограничить цикл и бюджет, какие ошибки повторять, как сделать инструмент идемпотен

Habr · RU

Техническое SEO для AI-поиска и GEO: как поисковые индексы, RAG и разметка определяют цитирование в генеративной выдаче

Вокруг оптимизации под генеративный поиск — Generative Engine Optimization (GEO), Answer Engine Optimization (AEO) и LLM Optimization — вырос рынок противоречивых советов: от внедрения нестандартных текстовых файлов для языковых моделей до переписывания документации короткими абзацами по фиксированному числу слов. При сверке с официальной документацией поисковых систем и архитектурой конвейеров Retrieval-Augmented Generation (RAG) выясняется, что многие такие практики либо не влияют на индексацию, либо прямо блокируют показ сниппетов. Разбираем инженерную механику работы генеративных блоков в

Habr · RU

LLM-Wiki：让知识像花园一样持续生长

自从 Karpathy 提出 llm-wiki 这套理念，我就一直想自己动手搭一个 AI 知识库——用它记录笔记、学习知识，也试着让它指引生活。 几经拖延，最后先让 AI 帮我把 llm-wiki 的生态通盘调研了一遍。结果出乎意料地详实：llm-wiki 为什么出现、解决了什么问题，理念和社区如何发展，有哪些开源实现，又该怎么亲手创建一个——都讲清楚了。 整理成文，分享至此，供君参考。 本文涉及版本、星标数、项目状态等信息，截至 2026-07 月的公开仓库/文档，后续可能变化，请以官方最新信息为准。 先用一个比喻理解 llm-wiki 传统 RAG 像一个“临时资料员”： 1 你问问题 → 它去仓库里翻几箱资料 → 抽出几页 → 临时拼一个答案 llm-wiki 更像一个“长期图书管理员 + 研究助理”： 1 2 3 新资料进来 → 它读懂、归档、做索引、写摘要、加交叉引用、标注冲突 你问问题 → 它先查已经整理好的知识图谱 → 必要时再回原始资料核验 好答案 → 继续沉淀回知识库 一句话： RAG 每次临时找资料；llm-wiki 平时就把资料整理成会复利的知识资产。

Seven's blog · ZH