Конструктор промптов | ExplainLLM

Основы LLM AI Агенты Context Engineering Техники промптинга Песочница Мой путь Тарифы

Мой путь

Эволюция LLM

Нейронные сети Динамика обучения Трансферное обучение Токенизация Эмбеддинги Механизм внимания Архитектура Трансформера Инференс и KV-Cache Стратегии декодирования Настройки LLM Элементы промпта Основы промпт-инжиниринга Лучшие практики Квантизация Fine-tuning vs Промптинг Reasoning-модели Open-Source модели RLHF Mixture of Experts (MoE)Knowledge Distillation RLVR и GRPO Diffusion LLMs Масштабирование вычислений на инференсе

Паттерн ReAct Function Calling Влияние инструментов Память агентов Multi-Agent системы Планирование и декомпозиция Архитектуры агентов Создание AI-агентов LangChain и LlamaIndex Оценка и тестирование агентов Протокол A2A (Agent-to-Agent)Computer Use и браузерные агенты Протоколы агентов: A2A, ACP и AP2

Context Engineering Системные промпты Контекстное окно Структура промптов RAG — Retrieval Augmented Generation Безопасность промптов Стратегии инженерии контекста: Write, Select, Compress, Isolate

Zero-Shot Prompting Chain-of-Thought — пошаговые рассуждения AI Few-Shot Learning Self-Consistency — повышение точности голосованием Tree of Thoughts Мета-промптинг Reflexion — самоанализ и улучшение ответов LLM Least-to-Most — от простого к сложному Program of Thought Chain of Verification RAG — генерация с дополненным поиском Prompt Chaining Generate Knowledge Структурированный вывод APE — автоматическая оптимизация промптов DSPy — программирование языковых моделей ART — автоматические рассуждения с инструментами Multimodal CoT Фреймворки промптов Практические паттерны Комбинирование техник Self-Refine

Генерация кода Классификация текста Суммаризация Извлечение информации Вопрос-ответ Генерация данных Чат-боты и диалоговый ИИ Трансформация текста Семантический поиск Генерация контента Text-to-SQL — генерация SQL из текста Структурированный вывод Анализ мнений и эмоций Промптинг для генерации изображений Промптинг для каждой модели Agentic Coding

Гид по выбору модели LLM бенчмарки Векторные базы данных Мониторинг LLM Оптимизация расходов Паттерны API интеграции Деплой LLM Гардрейлы в продакшене RAG vs Fine-tuning Малые языковые модели Prompt Caching LLMOps Роутинг моделей (Model Routing)Harness-инженерия (Harness Engineering)

Vision модели Анализ изображений Промпт-инженерия для vision Анализ документов Галлюцинации vision-моделей Мультимодальный RAG Голосовые агенты Real-time мультимодальность Видео и аудио Стоимость мультимодальности Диффузионные модели

Prompt Injection Jailbreaking — обход ограничений LLM Фактичность и галлюцинации Предубеждения в LLM AI Safety и Alignment Приватность данных и утечка PII Red Teaming для LLM Отмывание контекста (Context Laundering)

Введение в Claude Code Установка и настройка Первая сессия Агентный цикл 18 встроенных инструментов Работа с файлами Поиск и навигация Обзор суб-агентов Встроенные агенты Создание своих агентов Паттерны агентов Основы MCP MCP-серверы для Claude Code Настройка MCP Продвинутый MCP Память и CLAUDE.md Модульные правила Управление контекстом Система хуков Навыки и команды Создание плагинов Agent SDK

Сравнение техник промптинга AI-челленджи по промпт-инжинирингу LLM Песочница — Тестируйте AI промпты BPE Токенизатор — Как AI читает текст Семантический поиск — AI-эмбеддинги Вероятности токенов — Предсказания AI моделей Визуализация контекстного окна Prompt Battle — Сравнение техник

Конструктор промптов

Глоссарий

Что нового

AI Рецепты

AI Дайджест

Ресурсы

Глоссарий Путь обучения Песочница Что нового

Правовая информация

Условия использования Политика конфиденциальностиОбратная связь Об авторе

© 2024-2026 ExplainLLM. Все права защищены.

Telegram-канал