Chroma

Определение

векторная БД, подходит только для прототипов, не для production

Где встречается

• 21. Когда вы выбираете fine-tuning вместо RAG, а когда — наоборот
• 71. Как вы тестируете RAG-систему на новых документах без реальных пользователей
• 74. Как вы мониторите дрейф данных (data drift) для RAG
• 78. Какие LLM для русского языка вы используете
• 80. Какие 3 книгикурса вы рекомендуете по production LLM
• 82. Как бы вы спроектировали систему для реального времени (real-time) обработки документов
• 91. Что такое Semantic Caching и как вы его реализуете
• 113. Как вы представляете граф знаний из изображения для LLM
• 116. Как вы индексируете видео-контент в RAG-системе
• 119. Как вы комбинируете текстовый и визуальный поиск (early fusion vs late fusion)
• 141. В чем разница между Naive RAG, Adaptive RAG и Agentic RAG
• 145. LangGraph vs CrewAI vs AutoGen — что вы выберете и для каких задач
• 149. Как спроектировать агента, который может самоисправляться (self-correction)
• 162. Что такое Quasar и как quantized verification ускоряет инференс
• 174. Что такое «многошаговая когерентность» (coherence illusion) в cascading agent systems
• 175. Как детектировать «объяснительно-решенческую декомпозицию»
• 187. Как язык промпта (русский vs английский) влияет на схему рассуждения
• 191. Какие типы задач требуют Level 3 представления (scientific formalization)
• 192. Как вы оцениваете качество language representation для задачи
• 263. Как вы обрабатываете PII в данных для RAG (GDPR, 152-ФЗ)
• 265. Как вы проектируете data lineage для RAG (от документа к ответу)
• 266. Как вы делаете incremental ingestion для часто меняющихся документов
• 353. Как работает embedding poisoning для RAG и как защититься
• 379. Как вы оцениваете retrieval с учетом позиции (Position-aware metrics)
• 410. Как вы делаете blue-green deployment для RAG системы с zero downtime
• 580. Как вы делаем agent with theory of mind (понимание намерений пользователя)
• 586. Что такое agent state management (состояние агента между вызовами)
• 612. Что такое data exfiltration через LLM (утечка данных через ответы)
• 750. Как устроена Memory в Harness (in-memory, fs, vector stores, relay)
• 760. Что такое Delegation Engineering и чем он отличается от Harness Engineering
• 765. Как измерять «стоимость делегирования» (токены + время + деньги)
• 772. Что такое «аутсорсинг» задачи другому LLM (с другим API, другой ценой)
• 776. Как считать TCO (Total Cost of Ownership) для RAGAgent системы
• 811. Что такое «message bus» для агентов (Kafka, NATS, Redis PubSub)
• 823. Как проектировать AI pipeline с at-least-once семантикой
• 855. Как проектировать CDC (Change Data Capture) для документов
• 878. Как измерять faithfulness для long-form ответов (1000+ токенов)
• 879. Как делать evaluation для long-context RAG (100k токенов)
• 883. Как защитить RAG от poisoning (вредоносные документы в базе знаний)
• 888. Как защититься от prompt stealing (кража системного промпта)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление