Архив рубрики ~Лента новостей~

AI-база: модели, агенты, агентные механизмы

AI-база: модели, агенты, агентные механизмы
AI-база: модели, агенты, агентные механизмы

Привет, хабр, меня зовут Кияшева Екатерина. Вообще я из QA, но сегодня сделаю шаг в сторону и разберу AI‑базу.

За последний год встречалась масса литературы об AI, она, или теоретическая — не ясно, как это пощупать, или углубленная в одну тему — не сразу ясно какую задачу решает. Эта статья — обзор теоретической базы, но с прикладным характером. Интересно открыть капот агента, извелечь основные компоненты, покрутить и подумать над каждым.

На ур. QA важно знать «как эта штука работает», чтоб осмысленно применять паттерны тест‑дизайна. На человеческом ур. надоела маска «волшебства» вокруг ИИ, хочется смахнуть ее и рассмотреть инструмент предметно: как устроен, какой бывает, через что с ним работать. 

  • Модели

    • Определения и классификация

    • Выбор модели

  • Агенты

    • Агентные механизмы

      • Генеративная функция

      • MCP: выполнение действий

      • RAG: внешняя память и семантический поиск

      • NLP: дешифровка подтекста

      • Контекст

    • Агентное ПО

Модели

Определения и классификация

Модели бывают:  

  • языковые; 

  • аудио; 

  • компьютерное зрение (Computer Vision — CV); 

  • мультимодальные. 

Как ясно из названий, они отличаются по типу модальностей, с которыми работают. Языковые — берут на вход текст, аудио — звуковую дорожку, CV — картинку. Мультимодальные умеют работать больше, чем с одним типом информации. 

Примеры:

  • Оцифровка текста с фотографий — мультимодальная (CV + Языковая);

  • Генерация видео по фото — мультимодальная (CV + Аудио/Видео);

  • Генерация картинки по текстовому описанию — мультимодальная (Языковая + CV);

  • Генерация программного кода по текстовому описанию — языковая модель (LLM).

Отдельное направление работы с моделями — их обучение (Model Learning — ML). Берем данные, семейство функций по которым будет рассуждать модель, измеритель ошибок этих рассуждений, алгоритм отбора наилучшего рассуждения, запускаем процесс отбора. На тему ML есть отличная серия статей от автора @ysrgsyn, излагает доступно, по полочкам, небольшими частями. 

Большие языковые модели (Large Language Model — LLM), всем известные GPT, Gemini, DeepSeek, Claude, Kimi, Qwen, Llama, и т.д. — предобученные языковые модели от разных производителей. 

Классифицировать модели можно по функциям и по возможностям:

  • Функциональную классификацию удобно смотреть на Hugging Face: это “старая” площадка, задуманная, как аналог GitHub. Создана, когда модели имели свою специализацию: генерировать, суммаризировать, анализировать, работать с таблицами и т.д. Эти и многие др. функции со временем вобрали в себя LLM.   

  • Инструментальную классификацию удобно смотреть на Ollama: более новая площадка, работает как менеджер моделей. В ее реестре есть всего три фильтра:

    • thinking — LLM функция мыслительного процесса Chain-of-Thought. Когда модель думает по цепочке, проверяет каждый вывод, прежде чем дать ответ. 

    • tool — LLM функция вызова действия. Когда модель самостоятельно вызывает выданные ей инструменты, например пушить код или открывать браузер. 

    • embeddings — тип модели, нацеленный на извлечение смыслов из текста. В отличие от LLM — эти модели возвращают на выход не текст, а координаты смысла. 

Выбор модели

На сегодня есть целая линейка моделей с полным набором функциональностей и инструментов. Они конкурируют между собой: по интеллекту, стоимости, стабильности, ресурсоемкости. Ситуация непрерывно меняется, так что невозможно сказать, какая модель лучше. Но можно отслеживать динамику развития по лидербордам: следить за трендами изменений последних лет, оценивать на что упирает производитель; подбирать модель под свои нужды, опираясь на прогноз. 

Лидерборд

Тип модели

Фокус сравнения

Artificial Analysis

Генеративная

Бизнес-ориентированный. Динамика инвестиций в модели, их развитие, стоимость токенов, интеллектуальность, предсказуемость и т.д. Информация, чтобы подобрать баланс между стоимостью и возможностями модели.

benchlm.ai 

Генеративная

Прикладной. Рейтинг моделей в разрезе способностей — Agentic, Coding, Multimodal, Reasoning и т.д. Информация, чтобы подобрать баланс между стоимостью, скоростью вместительностью в контексте прикладной задачи. 

MTEB

Векторная

Функциональный. Сравнение моделей по качеству понимания смыслов. Информация, чтобы подобрать баланс между точностью поиска, скоростью обработки и объемом векторных данных для построения систем RAG.

Агенты

Агентные механизмы

Итак, современные нейронки умеют мыслить, кодировать, выполнять любые команды за человека, полностью самостоятельно. Рассмотрим подкапотное пространство: что, кроме модели, необходимо для этой деятельности. 

LLM — форвард AI-активностей, она берет задачу пользователя, генерирует решение, что-то отвечает. Все модели живут одним действием. Осмысленный диалог, связный код, согласованная цепочка действий получается за счет агентных механизмов. Это специальная прослойка, которая вызывает LLM в цикле:

  • отправляет запрос,

  • записывает ответ в историю диалога,  

  • на каждом круге дополняет историю последним запросом юзера и ответом LLM, 

  • отправляет новый запрос с накопленной историей и доп. инструкциями — контекстом. 

В простом виде взаимодействие с генеративной моделью выглядит как-то так:

21f05ea9ea5436602dbb7e865f8c32c0

Пользователь написал свой запрос (user-prompt) ➔ агент взял запрос + контекст, сформировал все в  промпт  и отправил ➔ LLM сгенерировала ответ ➔ агент, получив ответ, пополнил контекст и вернул ответ пользователю. 

О правилах и практиках составления промтов есть отличный ресурс Prompt Engineering Guide. Там доступно и по шагам излагаются паттерны промптинга, актуальные для любой модели. Паттерн-исключение “Chain-of-Thought”: неактуален и даже вреден в работе с thinking моделями, поскольку механизм “думать по шагам” в них встроен.  

Агентные механизмы обогащают, суммаризируют, сегментируют, классифицируют накопленный контекст, чтобы каждый новый ответ казался продолжением предыдущего взаимодействия. Так что, когда говорят, у LLM короткая память, на самом деле это ошибка. В реальности памяти нет вообще, короткая память у агентного механизма, которым выполняется работа с моделью. 

Задача агентного механизма

  • проконтролировать заполненность контекстного окна, чтобы не получить ошибку переполнения вроде ‘400: «Request payload size exceeds the limit’,

  • сформировать такой промпт, чтобы ответ модели был предельно уместным с учетом предыдущего контекста. 

Далее я буду использовать примеры кода, надерганные из личных экспериментов. Это фрагменты и винегрет из разных библиотек. Прошу воспринимать, как псевдокод, только для передачи мысли. 

Генеративная функция

Уместность ответа регулируется не только контекстном, но и параметрами. Через параметры можно управлять ресурсоемкостью и софт характеристиками ответа. Рассмотрим типовой запрос в LLM с параметрами ответа. 

Пример работы с параметрами# Формируем историю сообщений messages = [ {«role»: «system», «content»: «<системная инструкция>»}, ] # Получаем и добавляем в историю user-prompt query = «<запрос пользователя>» messages.append({«role»: «user», «content»: query}) # Создаем финальный промпт с параметрами для запроса в LLM payload = { «model»: «deepseek-v4-flash», «messages»: messages, «stream»: True, «options»: { «temperature»: 0.1, «top_k»: 400, «top_p»: 0.5, «min_p»: 0.05, «repeat_penalty»: 1.1, «presence_penalty»: 0.0, «frequency_penalty»: 0.0, «num_predict»: 2048, «stop»: [«Пользователь»] } } # Отправляем финальный промпт в LLM try: response = requests.post( «https://ollama.com/api/chat», headers=headers, json=payload, timeout=120 ) # Извлекаем ответ модели и добавляем в историю data = response.json() answer = data[«message»][«content»] messages.append({«role»: «assistant», «content»: answer}) 193626183e0f74938796768d951e06bc

UX-параметры:

  • stream: True — модель будет набирать ответ в режиме реального времени, при false вернула бы его целиком;

  •  Num_predict (или max_token): 2048 — ограничение длины ответа (токенов, шт.), позволяет управлять стоимостью работы с моделью; 

  • stop: [«Пользователь»]  — модель остановит набор и отправит ответ, как только напишет стоп-слово. Здесь дополнительная защита от бесконечной переписки самой с собой. 

Модель набирает ответ, последовательно выбирая токены с наибольшей вероятностью. Вероятность — это производная величина, числовая оценка того, каким именно должно быть продолжение. 

Вычисляется вероятность примерно так: сначала модель определяет смысловой “вес” токенов (логиты), потом Softmax-функцией пересчитывает вес в вероятности. По ходу вычисления, можно подкручивать веса, так чтоб модель увеличивала и уменьшала диапазон вероятных продолжений. 

Штраф-параметры (подкручивают логиты): 

  • repeat_penalty: 1.1 — “мягкий цензор”: уменьшает вес слов, уже встречавшихся в контексте, в 1,1 раза. При repat_penalty = 1, никакого воздействия, при repat_penalty меньше 1 слово-дубликат увеличивает вес; 

  • presence_penalty: 0.0 — “штраф за факт”: уменьшает вес слова-дубликата на 0,1;

  • frequency_penalty: 0.0 — “штраф за частоту”: уменьшает вес слова-дубликата пропорционально количеству повторений. Если слово встречается 5 раз, штраф будет 0,5.

Параметр креативности (подкручивает логиты):

  • temperature: 0,1 — управляет “азартом”: здесь модель заостряет вероятности выбора, возводит их в 10 степень (=1/0,1), так что разница между вариантами ответов становится более видимой. При температуре больше 1 наоборот бы сглаживала в сторону уравнения. 

Параметры адекватности (фильтрует вероятности):

  • top_k: 400 — ограничивает выборку “штуками”: модель смотрит только на 400 самых релевантных вариантов;

  • top_p: 0.5 — ограничивает выборку “качеством”: оставляет варианты, чья суммарная вероятность достигает 50%;

  • min_p: 0.05 — отсекает «мусор»: выбрасывает токены, вероятность которых меньше 5% от вероятности самого лучшего варианта.

Параметры работают друг за другом, сначала группа штрафов, потом температура, и в конце осечка по адекватности. 

Комбинации на примерах: top_p: 0,1 и temperature:2 — вернет самые необычные ответы из самых адекватных; temperature:0 вернет самый логичный ответ; temperature:1,2 и min_p: 0,4 вернет что-то на грани безумия, но без откровенной дичи.  

MCP: выполнение действий 

LLM с функцией tool, умеет вызывать действие. Для этого программируем в агентной прослойке обертки для выполнения действий — тулы,  передаем в модель набор тулов вместе с промптом. В ответ нейронка сама будет выбирать инструмент и возвращать команды для активации того или иного действия. 

MCP (Model Context Protocol) — способ пакетировать тулы в комплекты: унифицированные, переносимые, безопасные. Собираем комплект, запускаем на сервере и юзаем его различными моделям по API. 

Пример работы механизма LLM tool# Формируем список доступных инструментов для LLM с call-to-action инструкцией tools = [] for t in mcp_tools: tools.append({ «type»: «function», «function»: { «name»: t[«<название инструмента>»], «description»: t.get(«<инструкция, когда использовать>»), «parameters»: t.get(«inputSchema», {«type»: «object», «properties»: {}, «required»: []}), }, }) # Формируем финальный промпт со списком доступных инструментов payload = { «model»: «deepseek-v4-flash», «messages»: messages, «tools»: tools, # Передача перечня инструментов «stream»: False, «options»: { «temperature»: 0.1, «num_predict»: 2048, «num_ctx»: 16000 }, } # Отправляем финальный промпт в LLM try: resp = requests.post( «https://ollama.com/api/chat», headers=headers, json=payload, timeout=120 ) resp.raise_for_status() msg = resp.json()[«message»] # Если модель вызвала инструмент — исполняем его if msg.get(«tool_calls»): for tc in msg[«tool_calls»]: name = tc[«function»][«name»] args = tc[«function»][«arguments»] result = mcp_client.call_tool(name, args) a1cfd12193c1f9c66b7b4a93bc1eec8f

RAG: внешняя память и семантический поиск

RAG (Retrieval-Augmented Generation) — LLM дает ответы не из своей нейросети, а какие-то конкретные, из кастомной базы знаний. Актуально, когда  база знаний существенно больше, чтоб влезть в один промпт целиком и существенно отличается, чтобы удовлетвориться предобученным ответом LLM.

Общая схема работы: агентный механизм получает запрос юзера ➔ делает выборку из БД ➔ добавляет в промпт результат выборки ➔ отправляет обогащенный промпт в генеративную модель.

Центральное звено в схеме занимает векторная база данных. База может быть любой, но векторная получила большое распространение благодаря функции семантического поиска. Данные в ней хранятся в виде коллекций, есть поддержка функции “перевода” текста в смыслы (эмбеддинг). Рассмотрим типовую схему данных векторной БД.

  • Ids — идентификатор элемента в коллекции;

  • Embeddings — массив чисел, смысловой вектор элемента, чтобы искать кусок текста по смыслу;

  • Metadatas — служебная информация, любой набор маркеров текста, чтобы искать текст по кастомным значимым признакам;

  • Documents — исходный кусок текста сохраненный в БД, именно он эмбедится в вектора и потом передается в LLM в виде промпта. 

Непосредственный перевод текста в смыслы выполняет векторная модель. На вход она получает текст в виде токенов ➔ определяет координаты этого текста на каждой своей оси ➔ возвращает массив координат (вектор). 

Например, на вход имеем слово “кот”. Векторная модель ищет  его в осях координат:

  • Живое — неживое, 

  • Пушистое — гладкое,

  • Сладкое — соленое,

  • Мягкое — твердое,

  • И т.д.

Размерность модели = количество измерительных осей. Чем больше размерность, тем больше признаков, по которым модель будет оценивать слово. 

Работа с векторной БД глобально состоит из 2 частей:

1. Индексация: порезать исходный текст, перевести в смыслы и сохранить в базу данных# Режем текст на куски, каждый кусок — один элемент коллекции в ChromaDB ….. # Создаем/вызываем коллекцию и передаем в нее функцию эмбеддинга embed_fn = LocalEmbeddingFunction(embed_model) chroma_client = chromadb.PersistentClient(path=vector_store_path) try: collection = chroma_client.get_collection(name=collection_name, embedding_function=embed_fn) logger.info(» Reusing existing collection ‘%s'», collection_name) except Exception: collection = chroma_client.create_collection( name=collection_name, embedding_function=embed_fn, metadata={«hnsw:space»: «cosine»}, ) # Добавляем элементы в коллекцию, эмбеддинг происходит автоматически collection.add(ids=ids, metadatas=metadatas, documents=documents)695cda4db3f2673efaa11f87fe8c14892. Поиск: находить в бд куски по смыслу или тексту, и подставлять в промпт.# Получаем запрос пользователя query = «<текст вопроса пользователя>» n_results = 600 #орграничитель первичной выборки в шт. # Эмбеддим запрос пользователя и выбираем n_result с наиближайшими векторами results = collection.query(query_texts=[query], n_results=n_results, include=[«documents», «distances»]) # Фильтруем полученную выборку по дистанции м-у векторами запроса и выборки # отбрасываем все, что больше max_distance filtered_docs = [] for doc, dist in zip(results[‘documents’][0], results[‘distances’][0]): if dist <= max_distance: filtered_docs.append(doc) # Фильтруем вектора в оставшейся выборке по релевантности final_context = filtered_docs[:top_k] # Добавляем в итоговый промпт текст Documents из выборки context_text = «nn— {{заголовок ответа}} —nn».join(final_context) prompt = f»»» КОНТЕКСТ: {context_text} ВОПРОС: {query} «»» # Отправляем промпт в LLM …f475937d879d16e69b923085df3787b6

NLP: дешифровка подтекста

NLP (Natural Language Processing) — извлечение из текста непрямых посланий. Возможно замечали, как  LLM меняет тон разговора, когда ей пишешь весело или грубо — это проявление NLP.

Небольшой пример из жизни: на скрине финальное сообщение из цепочки запросов о стандартах ISO (perplexity).

9e5c5cedb3754c419b66578315e59e71

В сообщении нет прямой информации, только подтекст. Что тут видно: подтекст считали LLM и агентный механизм: 

  • LLM пересобрала смысловые акценты и выдала, наконец, точный ответ,

  • Агентный механизм проверил культуру взаимодействия.

Базовая утилитарная функция NLP в агентах  — собирать данные о пользователе: как зовут, где находится, чем занимается, что умеет, чем интересуется, и т.д. Все это позволяет формировать по-настоящему персонифицированные промпты, так чтобы LLM буквально видела, кому отвечает. 

Общая схема работы: агентный механизм парсит сообщение юзера ➔ извлекает из сообщения важный подтекст ➔ маркирует его и сохраняет в базу данных ➔ берет из базы информацию с наибольшим весом и добавляет ее в промпт в виде инструкции ➔ отправляет промт в LLM. 

Центральное звено в схеме занимают NLP-экстракторы: паттерны и NER модели, которые могут разбивать и нормализовать текст, маркировать в нем важную информацию о пользователе. 

Пример работы с экстракторами# Инициализируем NER нейронку Natasha segmenter = Segmenter() # функция разбивки на предложения и слова morph_vocab = MorphVocab() # словарь словоформ emb = NewsEmbedding() # функция-эмбеддер текста morph_tagger = NewsMorphTagger(emb) # морфологический словарь ner_tagger = NewsNERTagger(emb) # NER экстрактор NER_TYPES = {«PER»: «person», «ORG»: «company», «LOC»: «place»} #словарь маркеров # Получаем запрос пользователя texts = [ «Привет! Меня зовут Маша, я — frontend-разработчик.», «Работаю в Яндексе, интересуюсь React.», «Сейчас делаю проект Grafika.», «React — это библиотека для UI.», «Кстати, переезжаю в новый офис, буду ближе к команде.», ] # Разбираем и маркируем запрос по NER признакам for text in texts: doc = Doc(text) doc.segment(segmenter) # разбиваем текст на слова doc.tag_morph(morph_tagger) # извелкаем ключевые слова doc.tag_ner(ner_tagger) # ищем слова про персону, компанию, локацию seen = set() entities = [] for span in doc.spans: # перебираем все слова ntype = NER_TYPES.get(span.type) # получаем NER маркер слова if not ntype: continue span.normalize(morph_vocab) # приводим слово к начальной форме key = (span.normal.lower(), ntype) if key not in seen: # дополняем массив словом и его маркером seen.add(key) entities.append({«name»: span.normal, «type»: ntype}) c21341a116c8095945830af8de5947fd

В качестве хранилища — используются графовые базы данных. В отличие от реляционных (SQL) и документ-ориентированных (NoSQL), они умеют в нелинейные связи: позволяют связывать между собой объекты любого типа и легко доставать эти объекты по коротким описаниям связей.

Ниже пример-представление статьи “Чит-лист функционального тестирования, памятка тестировщику” в графовой базе. Здесь:

  • “Статья” главное звено, от нее идут связи к векторам — слоям тестирования: Данные, Операции, Функциональности, Технология, 

  • “Вектора”  связаны с сетами: группами тестов с общим признаком в конкретном слое,

  • “Сеты” связаны с “Тестами”: конкретными проверками внутри сета

  • “Теги”  воспроизводят нелинейные связи к любым объектом из иерархии.

ee92c262cd70be0e317e52729e3b0bf0

Контекст

Резюмируем:

  • LLM живет одним запросом, она генерирует ответ ровно на тот запрос, какой получила, каждый раз, как в первый раз,

  • Уместность ответов и эффект связанного диалога создается через промпт, который обогащается после каждого взаимодействия (запроса — ответа),

  • Промпт — это инструкция с запросом юзера И контекстом (информацией о юзере, историей диалога, кастомными данными юзера, параметрами генерации ответа, системными инструкциями для LLM о форме, тоне и ограничениях ведения диалога).

Промпт должен быть достаточно точным, чтобы создавать эффект связанного процесса и не слишком большой, чтобы уместиться в контекстное окно модели. 

Рассмотрим несколько известных подходов сокращения длины контекста: 

  1. Buffer Memory — хранит последние N сообщений истории диалога, при достижении границ контекстного окна старая история стирается в пользу новой. 

  2. Summary Memory — раз в N сообщений суммаризирует историю диалога в краткий пересказ. За счет этого может хранить более длинную историю, но не очень конкретную — детали и полутона стираются.  

  3. Buffer + Summary — свежую историю диалога хранит в исходном виде, а старые сообщения суммаризирует в конспект. Компромисс между длинной контекста и его точностью. 

  4. Vector Memory — сохраняет ключевые участки диалога в векторную базу данных, по запросу пользователя может найти их семантическим поиском и добавить в контекст фрагментарно. 

  5. Graph Memory — управляет данными о пользователе через структуру связей. Извлекает характеристики юзера из подтекста, сохраняет факты в графовую БД, связывает их между собой и ранее добавленным фактами, назначает связям веса. Чем актуальней информация — тем больше связей с бОльшим весом она имеет. В промпт отправляет факты с наибольшим весом. Для поддержания актуальности — у фактов, в которым долго не обращались, переписывает веса в меньшую сторону или совсем обрывает связи. 

  6. Episodic vs Semantic — ранжирует данные о пользователе на постоянные характеристики и события. Постоянные характеристики всегда имеют высокий вес, событийные данные со временем теряют в весе и перестают добавляться в контекст. 

Агентное ПО

Сейчас наблюдается чехарда с терминами, поэтому здесь изложу свою логику и классификацию. Споры, вопросы, уточнения — приветствуются. 

Агентное ПО — программа, которая взаимодействует с моделью и организовывает контекст. Глобально выделяется 2 класса:

  • бизнес-приложения — модель подключается для выполнения бизнес — функции, например записи в парикмахерскую, консультирование, на простые служебные операции. 

  • сервисные “приложения” — модель подключается для автоматизации производственных процессов, разработки другого ПО или других агентов. Слово “приложение” здесь условно, поскольку это ПО активно прорастает в операционные системы и железо.

Оба типа под капотом содержат агентные механизмы, различаются по цели использования, арсеналу и сложности агентных механик. Отдельного внимания требуют сервисные приложения.

Тип 

Комментарии

Примеры 

Чат  асисстент

Чаты с функциями настройки диалога, внешней памятью RAG, действиями в интернете. 

Автоматизируют работу с информацией: ее поиском, анализом, преобразованием, позволяют кастомизировать контекст под себя. 

Чат-ассистенты 

Perplexity 

Конструктор-среда 

Среда разработки в виде конструктора. Содержит пред подготовленные модули-коннекторы для интеграции с нейронкой, различными корпоративными системами и между собой. 

Упрощает автоматизацию производственных процессов: проверку, преобразование, передачу информацию по цепочке. Действия реализуются через API. 

LangFlow 

n8n

CLI-среды

Открытая среда разработки, заточенная под создание агентов. 

Из коробки: подстраивается под пользователя (формирует контекст), содержит инструменты bash и web (MCP), знает известные языки разработки (механизм LSP). 

Позволяет:

донастраивать контекст (AGENTS.md, SKILLS, COMMAND)

подключать собственные инструменты (MCP, LSP)

чтобы создавать ролевую модель из  агентов и делегировать им любые операции. 

Арсенал позволяет делать любые агентные механизмы, разрабатывать агентный слой любой сложности. 

OpenCode 

Hermes 

IDE-среды 

Среда разработки с GUI интерфейсом, изначально заточенная  под написание кода.  Теперь IDE- среды перенимают все больше функциональностей CLI-среды и вероятно станут одним и тем же.

Cursor

OpenCode

Hermes 

Все сервисные приложения имеют собственную базу подключенных нейронок: покупаешь подписку на использование и получаешь доступ ко всему реестру моделей (из России и в некоторых инструментах почти ко всему).

Бизнес-приложениям необходимо специальное подключение. Нужно выбрать модель, определиться, где она будет хоститься, оценить на перспективу, сколько это будет стоить. Ценообразование напрямую зависит от хостинга: 

  • Локальное — требует покупки и обслуживания своих стоек, важна ресурсоемкость модели;

  • Облачное — плата за использование серверов хостера;

  • Онлайн  — оплата потраченных токенов.

Провайден

Комментарий

Hugging Face

Площадка — экосистема. 

Модели можно скачать, использовать удаленно на ресурсах Huggin Face или онлайн. Варианты использования зависят от провайдера и модели. 

Ollama

Площадка — аппстор.

Модели можно скачать в локаль или использовать облачное хранилище олламы. 

Open Router

Провайдер моделей. 

Подписка позволяет использовать модели из реестра онлайн, плата взимается за токены. 

Источник: habr.com

Оцените материал:

Поделиться
Понравилась статья? Расскажите другим
ВКонтакте
Читайте также
Новости робототехники Оптимизированный контроллер на основе нечеткой логики снижает среднюю ошибку отслеживания роботизированной руки на 89% в ходе моделирования. Новости робототехники Компания Waymo приостановила поездки по автомагистралям по всей стране после распоряжения Департамента транспортных средств Калифорнии. Новости робототехники Это простое изменение предотвращает застревание роев роботов. Новости робототехники Как я готовил робота-собаку Unitree Go2 на удаленке к МТС True Tech Champ Новости робототехники Гибкие роботизированные манипуляторы учатся предсказывать свои следующие движения. Новости робототехники Выращенные в лаборатории мышцы мышей позволяют крошечным роботам прыгать, плавать, ходить и хватать предметы. Новости робототехники Колесные, летающие и шестиногие роботы остаются на правильном пути благодаря новому методу обучения. Новости робототехники Мягкая роботизированная рыба сочетает в себе высокоскоростное плавание и трехмерную маневренность. Новости робототехники БИОЛОГ: НЕУМЕРЕННОЕ ИСПОЛЬЗОВАНИЕ ГАДЖЕТОВ НЕОБРАТИМО МЕНЯЕТ ЛИЧНОСТЬ РЕБЁНКА Новости робототехники Искусственный интеллект в БПЛА: преимущества и риски Новости робототехники Новая система искусственного интеллекта поможет машинам более детально понимать трехмерное пространство. Новости робототехники Ростех показал кобота с «умным» зрением Новости робототехники ДНК-роботы могли бы доставлять лекарства и выслеживать вирусы внутри вашего тела. Новости робототехники Человекоподобные роботы, играющие в футбол, забили важный гол в области робототехники, продемонстрировав высокую координацию движений. Новости робототехники Оптимизированный контроллер на основе нечеткой логики снижает среднюю ошибку отслеживания роботизированной руки на 89% в ходе моделирования. Новости робототехники Компания Waymo приостановила поездки по автомагистралям по всей стране после распоряжения Департамента транспортных средств Калифорнии. Новости робототехники Это простое изменение предотвращает застревание роев роботов. Новости робототехники Как я готовил робота-собаку Unitree Go2 на удаленке к МТС True Tech Champ Новости робототехники Гибкие роботизированные манипуляторы учатся предсказывать свои следующие движения. Новости робототехники Выращенные в лаборатории мышцы мышей позволяют крошечным роботам прыгать, плавать, ходить и хватать предметы. Новости робототехники Колесные, летающие и шестиногие роботы остаются на правильном пути благодаря новому методу обучения. Новости робототехники Мягкая роботизированная рыба сочетает в себе высокоскоростное плавание и трехмерную маневренность. Новости робототехники БИОЛОГ: НЕУМЕРЕННОЕ ИСПОЛЬЗОВАНИЕ ГАДЖЕТОВ НЕОБРАТИМО МЕНЯЕТ ЛИЧНОСТЬ РЕБЁНКА Новости робототехники Искусственный интеллект в БПЛА: преимущества и риски Новости робототехники Новая система искусственного интеллекта поможет машинам более детально понимать трехмерное пространство. Новости робототехники Ростех показал кобота с «умным» зрением Новости робототехники ДНК-роботы могли бы доставлять лекарства и выслеживать вирусы внутри вашего тела. Новости робототехники Человекоподобные роботы, играющие в футбол, забили важный гол в области робототехники, продемонстрировав высокую координацию движений.