English translation is not available yet. Showing Russian content.
function calling
function calling
Определение
Паттерн интеграции LLM с внешними API, при котором модель выбирает и вызывает предопределённые функции (инструменты) для выполнения действий, таких как получение данных или выполнение операций.
Где встречается
- 38. Как вы fine-tune модель для функции вызов внешнего API
- 43. Как спроектировать агента, который может выполнять цепочку из 5-10 действий
- 46. Какие инструменты (toolsfunctions) дать агенту для автоматизации бизнес-задач (ваш кейс!)
- 47. Что такое ReAct Agent и как он работает
- 49. Как вы дебажите агента, который делает неправильные действия
- 50. Как вы ограничиваете бесконечный цикл агента
- 53. Как вы проектируете промпт для агента с инструментами
- 54. Что такое Semantic Kernel и чем отличается от LangChain
- 55. Как вы измеряете стоимость (токены) агентской системы
- 57. Какие паттерны multi-agent систем вы знаете
- 59. n8n, Make, Zapier — как вы интегрируете их с LLM
- 72. OpenAI vs Антропик vs Groq vs Self-hosted — что выбираете
- 80. Какие 3 книгикурса вы рекомендуете по production LLM
- 94. Как вы проектируете промпты, которые работают с разными моделями
- 105. Когда DSPy не подходит Назовите 3 сценария.
- 113. Как вы представляете граф знаний из изображения для LLM
- 141. В чем разница между Naive RAG, Adaptive RAG и Agentic RAG
- 142. Как вы проектируете «планировщика» (planner) для Agentic RAG
- 145. LangGraph vs CrewAI vs AutoGen — что вы выберете и для каких задач
- 174. Что такое «многошаговая когерентность» (coherence illusion) в cascading agent systems
- 181. В чем проблема «natural language bottleneck» для LLM
- 182. Что такое «схема» (schema) в контексте LLM и как она связана с языковым представлением
- 183. Назовите 4 уровня языкового представления по Yang et al. (2026) и объясните разницу.
- 184. Почему естественный язык не подходит для сложного рассуждения
- 185. Как код как язык представления улучшает рассуждение LLM
- 188. Что такое «Schema-Activated In-Context Learning» (SA-ICL)
- 189. Как вы проектируете language representation для сложной задачи
- 195. Как вы проверяете, что модель действительно использует структуру представления, а не игнорирует ее
- 219. Что такое prompt caching у провайдеров (Anthropic, Google) и как его использовать
- 393. Как вы измеряете «cost of reasoning» у агента (не только токены, но и шаги, время, ошибки)
- 486. Почему LLM-as-Judge может быть biased Назовите 3 основных bias и как их детектировать.
- 494. Что такое synthetic eval collapse и как его предотвратить
- 501. Что такое Path-level evaluation для Agentic RAG и чем оно лучше token-level
- 533. Как вы обрабатываете real-time фичи для LLM (например, текущий сток товара)
- 547. Как вы оцениваете мультимодальную модель на галлюцинации (POPE, MMHal-Bench)
- 548. Что такое diffusion backends для генерации изображений (Stable Diffusion, Flux) и как их вызывать из агента
- 563. Как вы делаете image retrieval с фильтрацией по метаданным (дата, местоположение, камера)
- 567. Что такое plannerexecutor architecture для агентов и когда она нужна
- 570. Что такое tree search agents (MCTS for LLM) и когда они эффективны
- 575. Как работает hierarchical planning для агентов (разбивка на подзадачи)