TNWS AI

TNWS AI — новости нейросетей и подбор моделей

НовыеПопулярные

Гайды · · 1 мин

ChatGPTDeep Researchисследование

Как использовать Deep Research в ChatGPT: план исследования и проверка источников

Разбираем исследовательский режим ChatGPT: как поставить задачу, сузить источники, проверить выводы и получить полезный отчёт.

Когда нужен Deep Research

Исследовательский режим полезен для темы, где недостаточно одного ответа: рынок, сравнение сервисов, история изменений или подготовка к интервью. Он не заменяет эксперта, но помогает собрать карту вопроса.

Как поставить задачу

  1. Сформулируйте решение, которое хотите принять.
  2. Укажите период, страну и целевую аудиторию.
  3. Назовите желательные источники: документация, отчёты компаний, регуляторы.
  4. Попросите разделить факты, выводы и неизвестные места.
  5. Запросите ссылки рядом с ключевыми утверждениями.

Как сделать отчёт сильнее

Дайте критерии сравнения заранее: цена владения, интеграции, ограничения, риски, а не «расскажи всё». После первого отчёта попросите проверить противоречия и отдельно перечислить, какие данные быстро устаревают.

Проверка результата

Откройте первоисточники для цифр и правил. Сверьте даты, регион и терминологию. Если вывод критичен для сделки или стратегии, используйте исследование как черновик для специалиста.

Читать целиком
 

Гайды · · 2 мин

WindowsmacOSLinuxHugging FaceInference Providersнейросети

Как создать безопасный токен Hugging Face для Inference Providers

Практический ответ на запрос «как получить токен Hugging Face API»: реальные настройки Hugging Face, рабочий код, ограничения и проверка результата.

Короткий ответ: User Access Token — рекомендуемый способ авторизации приложений. Ниже — точная конфигурация, границы применимости и тесты, нужные для рабочей интеграции.

Факты из официальной документации

  • User Access Token — рекомендуемый способ авторизации приложений.
  • Fine-grained токен ограничивается конкретными ресурсами и разрешениями.
  • Для Inference Providers нужно разрешение Make calls to Inference Providers.
  • Read достаточно для скачивания доступных вам репозиториев; write нужен для публикации.
  • Токен передаётся как Bearer и хранится в HF_TOKEN.

Порядок внедрения

  1. Зафиксируйте модель, задачу и ожидаемый формат.
  2. Создайте минимально привилегированный токен.
  3. Вынесите model, provider и endpoint в конфигурацию.
  4. Добавьте timeout, ограниченный retry и безопасные логи.
  5. Валидируйте ответ до записи или вызова инструментов.
  6. Прогоните canary и regression-набор.

Рабочий пример

export HF_TOKEN='hf_...'
python - <<'PY'
from huggingface_hub import whoami
print(whoami(token=True)["name"])
PY

Как проверить

Читать целиком
 

Гайды · · 1 мин

Geminiфайлыдокументы

Как загрузить файлы в Gemini и получить точный анализ документов

Как загрузить документ, таблицу, фото, видео или папку с кодом в Gemini, задать проверяемый вопрос и не потерять важные детали.

Что можно анализировать

Gemini умеет работать не только с PDF: официальная справка перечисляет документы, таблицы, фотографии, видео, папки кода, репозитории GitHub, материалы с Google Диска и блокноты NotebookLM. Конкретный набор зависит от аккаунта.

Пошаговая загрузка

  1. Откройте gemini.google.com и войдите в аккаунт.
  2. Введите вопрос до загрузки: так будет понятно, зачем нужен файл.
  3. Нажмите Добавить файлы.
  4. Выберите локальный файл, Диск или другой доступный источник.
  5. Отправьте запрос и попросите ссылаться на листы, страницы или фрагменты.
  6. Сверьте критичные выводы с оригиналом.

Полезные запросы

Для таблицы: «Найди пропуски, аномалии и тренды; не меняй исходные значения». Для документа: «Составь таблицу обязательств, сроков и рисков с указанием страниц». Для кода: «Опиши архитектуру и потенциально опасные места, ничего не запускай».

Ограничения

Лимиты количества, размера и длительности файлов меняются в зависимости от плана. Рабочим и учебным аккаунтам может потребоваться разрешение администратора.

Читать целиком
 

Гайды · · 5 мин

WebPythonChatGPTOpenAI Agents SDKtracingobservability

Как генерировать корректные trace_id и span_id в Agents SDK

Используем gen_trace_id и gen_span_id, проверяем префиксы, длину, уникальность и передаём ID в ручную trace/span.

Практическая задача

В этом гайде решается задача: создать идентификаторы правильного формата для интеграции tracing с внешней системой. Используется официальный интерфейс gen_trace_id() и gen_span_id(). Материал нужен, когда стандартной автоматической трассировки Runner недостаточно или требуется строго проверить tracing context. Если обычный Runner уже создаёт тот же span, ручное дублирование запрещено: оно искажает дерево и длительность.

Факты проверены 12 сентября 2026 года (проверены сигнатура, параметры, контекстный жизненный цикл, экспорт и негативные сценарии; при обновлении зависимости контракт, обработку исключений и изоляцию параллельных контекстов нужно проверить повторно) по руководству OpenAI Agents SDK по tracing и официальному API reference. официальные helpers генерируют идентификаторы в формате провайдера; trace_id имеет префикс trace_ и 32 буквенно-цифровых символа после него. Изменяемые цены, тарифы и неподтверждённые лимиты не используются. Версию пакета берите из lock-файла своего проекта.

Проверяемый результат

Критерий готовности — конкретное поле, parent_id, состояние contextvar, результат export или событие processor. Внешний dashboard полезен для просмотра, но не заменяет assert. Перед внедрением создайте baseline trace и сохраните только технические идентификаторы и типы spans.

Для примеров используйте staging и искусственные данные. Не помещайте в metadata, input, output и имя span реальные персональные данные, токены или полный ответ внутренней системы. Динамический ID клиента не должен становиться именем span: высокая кардинальность ухудшает анализ.

Пошаговая реализация

  1. Создайте виртуальное окружение, установите openai-agents и зафиксируйте зависимость.
  2. Откройте верхнеуровневую trace через context manager либо подготовьте ручной lifecycle с обязательным finally.
  3. Создайте нужный span/helper только в той области, которую он должен измерять.
  4. Передайте параметры строго по API reference. Не придумывайте дополнительные поля в типизированном helper.
  5. Выполните операцию и проверьте бизнес-результат независимо от tracing.
  6. Проверьте tracing-контракт: trace_id, span_id, parent_id, span_data или export.
  7. Запустите негативный сценарий и убедитесь, что он даёт отличимый результат.
  8. Проверьте два параллельных workflow: их текущие контексты не должны смешиваться.
  9. Для собственного processor добавьте force_flush и shutdown в жизненный цикл worker.
  10. Перед релизом выполните поиск тестового секретного маркера по сериализованным событиям.
Читать целиком
 

Гайды · · 5 мин

Chroma Open SourceChroma CloudChromaDBRAGвекторный поисккак настроить HNSW индекс ChromaDB

Как настроить HNSW-индекс ChromaDB и измерить Recall

HNSW configuration ChromaDB: space, ef_construction, ef_search, max_neighbors, build_threads, resize_factor и тест качества/скорости.

Что решаем

Статья отвечает на отдельный запрос «как настроить HNSW индекс ChromaDB». Функции сверены 13 сентября 2026 года с официальной документацией ChromaDB. Single-node Chroma использует HNSW для approximate nearest-neighbor search. Часть параметров задают при создании collection; изменяемость каждого параметра сверяют с текущей таблицей документации.

Перед работой зафиксируйте версию Chroma Open Source, Python SDK, collection name, embedding function, модель, distance metric и hash тестового набора. Для Chroma Cloud URL и API key берите из своего проекта; ключи inference providers храните только на backend. Примеры цен намеренно не приводятся: они зависят от провайдера и могут измениться.

Проверенные параметры

  • space определяет функцию расстояния и должен соответствовать embedding-модели.
  • Параметры построения влияют на время/память и качество графа, search-time параметры — на latency/recall.
  • Конфигурацию подбирают на validation corpus, фиксируя build time, index size, Recall@k и p95.

Object в ChromaDB содержит ID, documents и metadatas и vector-представление. В documents и metadatas полезно хранить стабильный sourceId, версию документа, номер chunk, ссылку на оригинал, tenant и access label. ChromaDB обеспечивает retrieval, но найденный текст остаётся данными: similarity или rerank score не доказывает истинность утверждения.

Контрольный пример

Вход: Одинаковый corpus и query set в default collection и кандидатной HNSW collection.

Читать целиком
 

Гайды · · 5 мин

pgvector 0.8.6PostgreSQL 13+pgvectorPostgreSQLRAGкак настроить HNSW pgvector ef_search recall

Как настроить HNSW в pgvector и подобрать ef_search по Recall@10

Создание HNSW-индекса, m, ef_construction, ef_search, SET LOCAL и честное сравнение ANN с exact search.

Задача и применимость

Материал отвечает на отдельный русскоязычный запрос «как настроить HNSW pgvector ef_search recall». Команды и ограничения проверены 13 сентября 2026 года по upstream-документации pgvector 0.8.6. HNSW доступен в pgvector и не требует обучающего набора перед созданием. Настройки статьи сверены с pgvector 0.8.6.

Перед изменением production сохраните версию PostgreSQL и extension, SQL миграции, размер таблицы, размерность и название embedding-модели. Один и тот же текст, преобразованный разными моделями, нельзя считать совместимым только потому, что длина vectors совпала. Для миграции используйте новую column или table и проверяемое переключение.

Что подтверждает документация

  • HNSW обычно даёт лучший speed/recall trade-off, чем IVFFlat, но строится дольше и использует больше памяти.
  • Defaults: m=16, ef_construction=64, hnsw.ef_search=40.
  • Повышение ef_search обычно улучшает recall ценой времени запроса; SET LOCAL ограничивает настройку транзакцией.

pgvector остаётся PostgreSQL extension: транзакции, ограничения, роли, WAL, резервное копирование и planner продолжают иметь значение. ANN-индекс ускоряет retrieval, но не подтверждает факты в найденном тексте. Для RAG храните source_id, версию документа, chunk number, tenant и access label, а генератору передавайте только разрешённые rows.

Контрольный набор

Вход: Одинаковые 1000 query vectors; exact top-10 без indexscan и HNSW top-10 при ef_search 40/100/200.

Читать целиком
 
TNWS AI — новости нейросетей и подбор моделей