Советы Андрея Карпати по работе с LLM
Андрей Карпати делится своими любимыми методами работы с LLM, предлагая использовать голосовой режим для создания хаотичных монологов.
Советы Андрея Карпати по работе с LLM
Андрей Карпати рассказал об одном из своих любимых способов работы с LLM. Он советует иногда не пытаться формулировать идеальный промпт, а просто надиктовать модели длинный поток мыслей.
Можно включить голосовой режим и минут десять рассказывать всё подряд: с повторами, ошибками, обрывками фраз и скачками между темами. По его словам, LLM хорошо умеют собирать такие хаотичные монологи в связную картину и зачастую формулируют вашу же мысль гораздо чище, чем вы сами.
Иногда такую сессию можно превратить в небольшое интервью на несколько реплик. В результате модель лучше понимает контекст и конечную цель, а дальше вам приходится гораздо реже её поправлять.
Почему это важно
АналитикаЭтот подход позволяет более эффективно использовать LLM, упрощая процесс формулирования запросов и улучшая результаты.
Обсудить в сообществе
Делитесь опытом и мыслями с ИИ-разработчиками
Связанные материалы экосистемы
Практические гайды, терминология и агентские скиллы
Часть I. Архитектура ИИ-агентов: фундаментальные блоки
Одиннадцать фундаментальных строительных блоков современного ИИ-агента: таксономия моделей, агентный рантайм, техники промптинга, дистилляция, архитектура навыков (skills), память, function calling и FinOps.
Часть II. Архитектура ИИ-агентов: от модели до памяти и инструментов
Глубокое инженерное погружение: токенизация, KV-кэш, детерминизм сэмплинга, тренировочный стек, квантование, контекстная инженерия, стек безопасности, производственный RAG, ReAct и мультиагентные swarm-системы.
Фронтирные Модели (Frontier Models)
Самый мощный класс искусственного интеллекта на переднем крае мировых исследований (Claude 3.7 Sonnet, OpenAI o3/GPT-4.5, Gemini 2.0 Pro), определяющий границы современных возможностей рассуждения, автономности и кодирования.
LLM (Large Language Model - Большая языковая модель)
Фундаментальный класс нейросетевых архитектур на основе авторегрессионного трансформера, который предполагает вероятностное распределение следующих токенов и демонстрирует эмергентные свойства абстрактного мышления, синтеза кода и логического вывода.