Атакующие проверки LLM-приложений: плейбук состязательного тестирования в 2026
Как регулярно проверять RAG и агентов на враждебном вводе: стенд, каталог сценариев и порог обходов.
Stuzhuk Lab — Chemistry of Code
Химия кода
← Все статьи
Тег
RAG
Все статьи блога с этим тегом.
Офлайн-RAG из коробки: Ollama, FastAPI и Docker без облака
VaultRAG — стартовый набор для локального RAG: PDF, эмбеддинги в Ollama, поиск по своему индексу и ответы по SSE. Для клиентов, которым нельзя в OpenAI.
Метрики качества нейросетей: как понять, что модель действительно работает
Как выбрать метрики качества нейросети: классификация, компьютерное зрение, OCR, LLM и RAG, калибровка и производственные показатели — что измерять, чтобы модель реально работала в продукте.
ACL и мультиарендность в RAG: фильтровать права до поиска, а не после
Права доступа в промышленном RAG нельзя оставлять модели. Как изолировать арендаторов, применить список доступа до извлечения, закрыть скрытые каналы утечки и измерить полноту при жёстких фильтрах.
Загрузка документов в RAG: PDF, таблицы, распознавание и версии без тихого мусора
Конвейер приёма документов для промышленного RAG: неизменяемый оригинал, разбор PDF и сканов, таблицы без сломанных ячеек, карантин парсера, версии и идемпотентность.
Как LLM находит знания: от токенов и Transformer до RAG
Как текст становится токенами и векторами, что делает Transformer, чем обучение отличается от RAG, и как из Markdown собрать поиск знаний для модели.
Как обучают LLM: предобучение, дообучение, LoRA, RAG и агенты
Уровни адаптации языковых моделей: что меняет веса, что подключает знания и инструменты, и как выбрать подход без «дообучения на PDF».
Векторные базы данных в промышленном ИИ: слой индекса, поиска и хранения
Как выбрать и эксплуатировать векторную базу: алгоритмы поиска, фильтры, арендаторы, PostgreSQL с pgvector против отдельного хранилища.
Контур оценки ИИ в 2026 году: золотые наборы, регрессионные барьеры и критерии релиза для продакшена
Как построить инженерный контур оценки ИИ: золотые наборы, метрики поиска и генерации, регрессионные барьеры в CI, теневой трафик, выпуск и FinOps LLM-шлюза.
Промышленная инженерия RAG в 2026 году: разбиение, гибридный поиск, переранжирование и оценка
Практическое руководство по промышленным RAG-системам: подготовка корпуса, гибридный поиск, переранжирование, оценка качества, безопасность, наблюдаемость и поэтапный план внедрения.
Промпт-инъекции в продакшене 2026: защита RAG, инструментов и агентов от недоверенного контента
Практическая архитектура защиты от промпт-инъекций в RAG и агентных системах: происхождение документов, изоляция контекста, минимальные полномочия, контроль исходящего трафика, песочницы и проверяемая многоуровневая защита.
Эксперименты с разбиением документов с фиксированной разметкой, HTML и баз знаний для RAG
Контролируемые эксперименты с разбиением документов с сохранением структуры и цитат.
Как собрать эталонный набор данных для оценки RAG
Эталонный набор для оценки поиска и ответов RAG: разметка, версии и контроль регрессий.
Гибридный поиск с BM25, векторами и reciprocal-rank fusion
Сочетание BM25, векторного поиска и reciprocal-rank fusion с измеримыми производственными ограничителями.
Переранжирование в промышленном RAG: качество, задержка и стоимость
Эксплуатация этапа переранжирования RAG с явными бюджетами качества, задержки и стоимости.
Референсная архитектура корпоративной ИИ-платформы
Как объединить бизнес-задачи, знания, RAG, агентов, безопасность и наблюдаемость в устойчивую корпоративную ИИ-платформу.
Безопасная разработка корпоративного ИИ: как выпускать изменения без потери контроля
Как выстроить безопасный жизненный цикл изменений в корпоративной ИИ-платформе: от требований и тестов до выпуска, отката и мониторинга.
Наблюдаемость корпоративного ИИ: как видеть систему целиком
Как организовать наблюдаемость корпоративного ИИ: от инфраструктуры и RAG до безопасности, качества ответов и бизнес-метрик.
Как оценивать корпоративный ИИ: метрики, которым можно доверять
Как измерять качество корпоративного ИИ по поиску, ответам, безопасности и влиянию на бизнес-процессы.
Архитектура промышленного RAG: от поиска к корпоративной платформе
Как спроектировать масштабируемый RAG для множества источников, миллионов документов и разграничения доступа.
Подготовка данных для RAG: как превратить архивы в базу знаний
Как очистить, описать, разбить и безопасно индексировать корпоративные документы для качественных ответов ИИ.
Как выбрать LLM для предприятия: критерии вместо рейтингов
Как выбрать языковую модель для корпоративного ИИ по сценариям, безопасности, стоимости и требованиям к инфраструктуре.
Первый пилот корпоративного ИИ: от карты знаний к проверяемой ценности
Как выбрать ограниченный и безопасный пилот корпоративного ИИ, определить критерии успеха и подготовить масштабирование.
Карта корпоративных знаний: от информационного хаоса к основе для ИИ
Как выявить, классифицировать и безопасно подключать знания предприятия для RAG и корпоративного поиска.
ERP как источник знаний, а не конкурент корпоративного ИИ
Как связать корпоративный ИИ с ERP, сохранив ERP источником достоверных данных, роли доступа и контроль операций.
Почему корпоративному ИИ нужны агенты
Как агентные системы связывают языковую модель с корпоративными сервисами и автоматизируют процессы под контролем человека.
Когда действительно нужно дообучение модели
Как отличить задачи корпоративных знаний от задач поведения модели и понять, когда дообучение оправдано.
Безопасность как архитектурный принцип корпоративного ИИ
Почему защита данных, права доступа, проверяемость ответов и аудит должны определять архитектуру корпоративного ИИ с первого дня.
Инфраструктура корпоративного ИИ: проектирование от нагрузки, а не от GPU
Как спроектировать надежную и масштабируемую инфраструктуру корпоративного ИИ, начиная с бизнес-сценариев и требований безопасности.
Векторные базы данных: фундамент семантического поиска в корпоративном ИИ
Как векторная база ускоряет поиск по знаниям предприятия, сохраняет права доступа и становится частью надежной RAG-архитектуры.
Почему эмбеддинги изменили корпоративный поиск
Как векторные представления помогают находить корпоративные знания по смыслу, не отменяя точный поиск и требования безопасности.
Почему предприятиям нужен RAG, а не память внутри LLM
Как RAG отделяет корпоративные знания от модели, поддерживает актуальность документов и сохраняет проверяемый доступ.