Навыки

Рынок моделей меняется быстрее, чем устаревает учебник: сегодняшний лидер по цене и качеству завтра оказывается в тени новой версии конкурента. Сделаем срез на текущий момент: GPT, Claude, Gemini, Grok и открытые разработки вроде DeepSeek и Qwen – для текста; Midjourney, Flux, Stable Diffusion – для изображений; Seedance, Veo, Runway, Kling – для видео. Отдельно разберём, как не подключать каждую нейросеть вручную, а работать через агрегаторы, переключаясь между вариантами в одном окне.

Токен – не слово и не буква, а адрес в памяти, через который язык переводится в машинную логику, и за каждый такой адрес кто-то платит живые деньги. Раскроем экономику, скрытую за красивым чатом: культ «сжигания» токенов в Кремниевой долине, список компаний с триллионными расходами, парадокс падающих цен при растущих бюджетах и ставку Китая на дешёвое электричество вместо дорогого интеллекта. В финале – кейс с Claude Code, где логика кэширования незаметно съедала недельный лимит.

Промпт-инжиниринг 2023 года считался почти искусством: подбор фраз, ритуальные заклинания вроде «ты эксперт с IQ 200», вера в идеальный запрос, который решит всё раз и навсегда. Но к 2026 году пришло время контекстной инженерии и spec-writing, где важны не красивые слова, а чётко зафиксированные цель, критерии качества и ограничения. На живых примерах сравним слабый и сильный промпт и выясним, какие навыки понадобятся на самом деле: валидация, декомпозиция и оркестрация.

Модель никогда не врёт сознательно, лишь предсказывает правдоподобный текст, и именно поэтому уверенный тон ответа никак не связан с тем, насколько сказанное соответствует истине. Разберём механику галлюцинаций – от пробелов в обучающих выборках до отсутствия привязки к внешним данным. Классифицируем виды: фактические ошибки, несуществующие источники, галлюцинации в коде, ложные логические выводы. Узнаем, как снижать вероятность сбоя – от RAG до финальной проверки человеком.

Устройство и практика агентов. Разница между чат-ботом и агентом: один отвечает на вопрос, второй сам открывает браузер, подключает внешние сервисы и доводит задачу до результата. Лекция раскладывает агента на составные части – LLM как «мозг», память, инструменты и цикл принятия решений. Отдельно разберём путь для тех, кто хочет строить такие системы самостоятельно: от Python и MCP до фреймворков вроде LangGraph. Посмотрим, как за пару часов собрать прототип и подобрать сферу применения.

Применение агентов на практике. Список того, что делают агенты в бизнесе, читается как штатное расписание компании: веб-серфер, разработчик, аналитик, специалист поддержки, маркетолог, менеджер по продажам, финансист, личный ассистент – и перечень продолжает расти. Посмотрим примеры (Claude Code, ChatGPT Agent, Manus, Devin, Perplexity) и разберём сценарии – от автоматизации маркетингового конвейера и составления контент-плана до анализа фондового рынка и управления проектами.