Если на прошлой неделе я ресерчил - какие китайские альтернативы Nvidia скоро появятся. То на этой - а сколько ведущие страны-производители полупроводников вкладывают (государственных и частных денег) в ИИ-железки. И сравнил с Россией.

При сохранении текущей ситуации мы доберемся до стран-лидеров никогда (но может и не надо и будем пользоваться китайским железом). Сейчас у нас все железки по старым техпроцессам и в основном для военки.

https://habr.com/ru/articles/948144/

Робяты, мы тут объединились с командой плагина Jira Metrics - чтобы в сообществе поддерживать культуру принятия решений, основанных на данных. Так что здесь будут анонсы воркшопов по работе с метриками в Jira, сравнению показателей команд.

Мы с автором плагина ещё в 2012-2015 работали в месте в небезызвестной конторе в Уфе - Frumatic. Сейчас я в Райфе а Анвар в HH.ru, и вновь сошлись на почве работы с метриками.

Сейчас у плагина больше 3000 регулярных пользователей, действительно стоящие своих денег дополнительные фичи (супер гибкие дашборды для разных срезов данных и AI-чатбот с навороченной базой знаний для анализа метрик).

Если вы пользуетесь плагином, то вот пара полезных ссылок:
- @JiraMetricsPro - канал плагина на русском языке
- @akhakimov - канал Анвара про работу Lead Project Manager’а, метрики и вызовы
- @JiraMetrics - чат и поддержка плагина

Очень плотные две недели перед отпуском. Поздние рейсы, ночные посиделки с презентациями, last minute changes.

📣 Во вторник проводил с коллегами «Квартальную встречу» для руководителей 20 команд (60 человек) в нашем периметре.

TL;DR в один абзац:

Квартальные встречи менеджмента для подведения промежуточных итогов - это один из наиболее эффективных форматов запуска изменений и оптимизации работы. При условии что мы фасилитируем это правильно: подсвечиваем взаимозависимости, запускаем правильные диалоги. И это точно лучший способ внедрения культуры непрерывных улучшений.

💡Наши копания в метриках процессов у команды часто нивелируется тем что другие команды от этого лучше не работают. А подобные мероприятия позволяют развивать прозрачность в масштабе - а это минимизирует ненужную работу (один из принципов бережливого производства).

🚦 Что делаем на ивенте:

- Смотрим статусы годовых целей - так называемый "светофор целей" (чтобы увидеть общую динамику подразделения на текущий момент).
- Опрозрачиваем зависимости и связность команд (чтобы проработать системные причины).
- Отслеживаем изменения скоупа и новые вызовы (смотрим на причины изменения целей, а также увеличились они в большую сторону или наоборот).
- Штормим, коллективно отвечая на важные вопросы и вырабатывая единую позицию и экшн-айтемы для движения вперед.

⁉️ Почему это критично:

Еще в Metamap мы силами нашего отдела (Technical Program Management) запускали квартальный цикл совместного планирования > пристрелки в середине квартала по > обзора результатов и метрик выпущенных фич и статуса по целям. Это был один из самых сильных инструментов выстраивания совместной работы на наши 500 членов команды, раскиданых по земному шару.

Работа на уровне отдельных команд не даёт системной картины. Квартальное выравнивание руководителей позволяет предвосхитить проблемы и действовать на опережение.

За квартал в организации происходит очень многое. У команд свой роудмап. Они выравниваются в начале квартала и бегут каждый по своей дорожке на пути к общим целям.

Анализ состояния целей в подобном событии это всего лишь пререквизит.
Он погружает коллег в контекст текущего состояния (as is) и задает тон тому, как нам надо адаптироваться к новой реальности (to be). А мы, как оркестраторы события, добавляем активности которые помогут выработать единый вектор движения к целевому состоянию (how).

🏉Офлайн-формат добавляет магии: живая энергия, новые руководители знакомятся с командой, укрепляются связи между лидерами. Никогда не стоит недооценивать как люди заряжаются от совместной офлайновой работы.

🤘Задротская аналогия: у группы Meshuggah (это такой шведский экстрим метал) в композициях часто каждый инструмент играет свою партию в своём размере. Но в определенных точках музыканты сходятся и размер на коротком периоде совпадает. Вот квартальное планирование, это как раз такой период где все выравниваются и вновь начинают новый раунд.

Context Engineering (2/3): Выжимка техник для работы с контекстом в LLM-системах 🛠

Итак, мы с вами натыкали бизнес процесс и поняли какой у нас есть разные источники информации, которые можно кормить агенту и что-то полезное от него в ответ получать. Для этого надо уложиться примерно в 170к токенов - чтобы агент мог нормально работать с контекстом.

В этом нам помогут 4 ключевые техники работы с контекстом для агента- и инструменты на вооружении этих техник (их десятки, тут только топ) - чтобы правильно готовить этот контекст:

📝 ЗАПИСЬ (Write)
Сохранение и управление состоянием для долгих и сложных задач.

- Scratchpad: Временная зона для промежуточных рассуждений, заметок и шагов chain-of-thought, чтобы структурировать мышление агента без перегрузки основного контекста. (Инструменты: Встроенные в LangGraph/LangChain, кастомные промпты в LLM, Redis для персистентных заметок).

- Semantic Caching: Кэширование ответов на семантически близкие запросы для ускорения и удешевления. (Инструменты: Redis, кастомные решения на файлах).

- State Checkpoints: Снимки состояния для возобновляемых, отказоустойчивых сессий. (Инструменты: PostgreSQL, Zep, встроенная персистентность в LangGraph).

- Long-term Memory: Долгосрочное хранение фактов и предпочтений для персонализации. (Инструменты: Pinecone, Neo4j).

📖 ЧТЕНИЕ (Select)
Точное извлечение релевантной информации — основа качественных ответов.

- RAG (Retrieval-Augmented Generation): Тут надо смотреть на схему, но в самом простом варианте это Векторный поиск по большим базам знаний (предварительно chunking + embedding). Остается стандартом де-факто, несмотря на рост контекстных окон, из-за экономичности и точности. (Инструменты: Milvus, Weaviate, Pinecone).​
@AigizK - большой специалист (колонка Homai + MLOps) тут ещё прояснил про RAG в комменте.

- Hybrid RAG: Комбинация векторного (семантического) и лексического (по ключевым словам) поиска для максимальной релевантности. (Инструменты: Elasticsearch, Weaviate).

- Function Calling: Динамическое получение данных из внешних API в реальном времени. (Инструменты: OpenAI Function Calling, аналоги в других моделях).​

- GraphRAG: Поиск по связям в графовых базах данных. Ключевой тренд 2025 года для задач, где важны сложные взаимосвязи, а не только семантическая близость. (Инструменты: Neo4j + embeddings).​

🗜 СЖАТИЕ (Compress)
Оптимизация контекста для экономии токенов и ускорения работы.

- Summarization: Суммаризация диалогов или документов через LLM для передачи ключевой сути.

- Contextual Compression: Автоматическая фильтрация нерелевантных частей извлеченных документов перед отправкой в LLM.​

- Entity-Centric: Сжатие контекста до ключевых сущностей и их связей, часто с использованием NER (Named Entity Recognition).​

🔒 ИЗОЛЯЦИЯ (Isolate)
Разделение задач между специализированными компонентами — главный вектор развития сложных систем.

- Multi-Agent Systems: Декомпозиция сложной задачи на роли (агенты), где каждый выполняет свою часть работы. Это позволяет решать нелинейные и комплексные проблемы. (Фреймворки: LangGraph, CrewAI).​

- Sandbox: Изолированная среда для безопасного выполнения кода или работы с чувствительными данными. (Инструменты: Docker, E2B).

- State Management: Управление состоянием и переходами в сложных, многошаговых сценариях. (Инструменты: XState).

#ContextEngineering #AITools #RAG #AIAgents #LangGraph #GraphRAG #LLM

✍️Шпаргалка по Context Engineering (3/3)

Предыдущий пост был сложный. Давайте коротко и просто пройдемся по рецептам - что и когда применять.

По дефолту подключайте контекст к агенту напрямую. Большинство задач по-прежнему эффективно решаются связкой RAG + качественная очистка данных.

Если у вас ...

Объём данных:

- Огромный или постоянно обновляемый? → RAG. Даже с окнами в миллионы токенов, RAG экономичнее и точнее для работы с внешними знаниями.​
- До 100K-200K токенов? → Прямое включение в контекст, если данные не требуют постоянных обновлений.

Динамичность данных:

- Нужны данные в реальном времени? → Function Calling.
- Данные статичны? → Vector DB (RAG).

Сложность задачи:

- Многоэтапный, нелинейный процесс? → Multi-Agent Systems.
- Простой, линейный процесс? → Function Calling или RAG.

Требования к качеству:

- Критична точность и важны скрытые связи? → GraphRAG.
- Есть противоречивые или устаревшие данные? → Compression с фильтрацией.

Продолжительность сессии:

- Долгая, многочасовая работа? → State Checkpoints + Summarization.
- Короткая сессия (минуты)? → Semantic Caching.

Что потыкать из тулинга:

Для векторного поиска: Milvus (мощный и open-source) или Pinecone (заводится с полпинка).​

Для графов и связей: Neo4j GraphRAG.​

Для построения агентов: LangGraph (погибче) или CrewAI (попроще).​

Для управления памятью: Zep (enterprise-ready).​