Блог
Нотатки про AI-інженерію
Практичні статті про AI-агентів, RAG, LLM-інтеграції, evals і безпеку — з реальних проєктів, без води.
Ембеддинги та чанкінг для RAG: вибір моделей, розбиття документів і робота з українським текстом
Практичний гайд із шару пошуку в RAG: як працюють моделі ембеддингів, як обрати модель за MTEB і власними даними, особливості багатомовності й української мови, стратегії чанкінгу, contextual retrieval і переранжування.
Порівняння векторних баз даних: pgvector, Qdrant, Weaviate, Milvus і Pinecone для продакшен-RAG
Як обрати векторну базу даних: як працюють ANN-індекси HNSW та IVF, фільтрація й гібридний пошук, масштабування і вартість, і коли PostgreSQL з pgvector — це все, що потрібно.
Мультиагентні системи: коли кілька AI-агентів кращі за одного, а коли лише палять токени
Інженерний погляд на мультиагентні LLM-системи: архітектура orchestrator–subagents, чого навчилися Anthropic і Cognition, чому мультиагентні системи ламаються, економіка токенів і рамка рішень для бізнес-сценаріїв.
Інтеграція AI-агентів з Odoo: JSON-2 API, MCP і безпечна автоматизація
Як підключити AI-асистента до Odoo через JSON-2 API: API-ключі, окремий інтеграційний користувач, дизайн інструментів, MCP і сценарії, що окупаються першими.
Контекстна інженерія для AI-агентів: що класти в контекстне вікно, а що залишати поза ним
Контекстна інженерія для розробників: чому більше контексту шкодить, як бюджетувати токени, пошук «точно вчасно», стиснення, структуровані нотатки, пам'ять і субагенти — з патернами для довготривалих агентів.