12 шпаргалок по MCP, RAG и агентам для инженеров ИИ (с визуализациями):

1️⃣ Вызов функций и MCP для LLM Прежде чем MCP стали популярными, рабочие процессы ИИ полагались на традиционный вызов функций для доступа к инструментам. Теперь MCP стандартизирует это для агентов/LLM. Визуализация показывает, как работает вызов функций и MCP под капотом. Проверьте поток ниже 👇

2️⃣ 4 этапа обучения LLM с нуля Этот визуал охватывает 4 этапа создания LLM с нуля, чтобы сделать их практически применимыми. - Предварительное обучение - Тонкая настройка инструкций - Тонкая настройка предпочтений - Тонкая настройка рассуждений Вот моя подробная нить об этом 👇

3️⃣ 3 техники подсказок для рассуждений в LLM Это охватывает три популярных техники подсказок, которые помогают LLM мыслить более ясно перед тем, как они ответят. - Цепочка размышлений (CoT) - Самосогласованность (или голосование большинства по CoT) - Дерево мыслей (ToT) Читать мой подробный поток об этом ниже 👇

4️⃣ Обучение LLM с использованием других LLM LLM учатся не только на сыром тексте; они также учатся друг у друга. - Llama 4 Scout и Maverick были обучены с использованием Llama 4 Behemoth. - Gemma 2 и 3 были обучены с использованием Gemini. На визуале объясняются 3 популярных техники. Читать тред ниже 👇

5️⃣ Супервизируемая и усиленная дообучение в LLM Этот визуал иллюстрирует разницу между супервизируемым дообучением и усиленным дообучением. RFT позволяет вам преобразовать любую открытую LLM в мощный инструмент для рассуждений без каких-либо размеченных данных. Читать тред ниже 👇

6️⃣ Трансформер против Смешанной Экспертизы в LLM Смешанная Экспертиза (MoE) — это популярная архитектура, которая использует различных "экспертов" для улучшения моделей Трансформеров. На визуале ниже объясняется, как они отличаются от Трансформеров. Вот моя подробная нить об этом👇

7️⃣ RAG против Agentic RAG Наивный RAG извлекает информацию один раз и генерирует один раз, он не может динамически искать больше информации и не может рассуждать по сложным запросам. Agentic RAG решает эту проблему. Посмотрите мой подробный объяснительный поток по этому поводу👇

8️⃣ 5 популярных паттернов проектирования агентного ИИ Агентные поведения позволяют LLM улучшать свои результаты, включая самооценку, планирование и сотрудничество! Эта визуализация изображает 5 популярных паттернов проектирования для создания ИИ-агентов. Посмотрите мою ветку об этом для получения дополнительной информации👇

9️⃣ 5 уровней Агентных систем ИИ Агентные системы не просто генерируют текст; Они принимают решения, вызывают функции и даже запускают автономные рабочие процессы. Визуал объясняет 5 уровней агентности ИИ. Я дал ссылку на свою ветку👇 подробного объяснения

🔟 Традиционная RAG против HyDE Вопросы семантически не похожи на ответы, поэтому система может получить нерелевантный контекст. В HyDE сначала сгенерируйте гипотетический ответ (H) на запрос. Затем используйте (H) для получения соответствующего контекста (C). Я написал подробную ветку об этом👇

1️1️⃣ ⃣ RAG против Graph RAG Ответить на вопросы, требующие глобального контекста, сложно с помощью традиционной RAG, поскольку она извлекает только релевантные фрагменты в первую очередь. Graph RAG делает RAG более устойчивым благодаря графовым структурам. Ознакомьтесь с моей подробной веткой ниже👇

1️2️⃣ ⃣ Кэширование кВ Кэширование KV — это метод, используемый для ускорения вывода LLM. Я дал ссылку на свою подробную тему ниже👇

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.