База знаний по AI

Эта база знаний — структурированный путь от простого к сложному в области искусственного интеллекта: от того, что вообще такое нейросеть, до RAG-пайплайнов, агентов и фреймворков вроде LangGraph и PyTorch.

Материал написан «снизу вверх»: каждый следующий раздел опирается на термины из предыдущих. Если читать по порядку, к концу у вас сложится цельная картина, как из «модели, обученной на данных» вырастают агенты, инструменты и production-системы.

Как пользоваться

• Новичку: читайте разделы строго по порядку, с 01 до 08. Не пропускайте основы — без них LLM и RAG будут казаться магией. Разделы 01–05 — базовый стек, 06–08 — продвинутый блок (адаптация, инференс, безопасность).
• Проверяйте себя: в конце каждого раздела есть опросник для самопроверки (3 уровня сложности). Отвечайте своими словами, не подсматривая. Каждый вопрос помечен ссылкой на подраздел, который стоит перечитать, если ответ не даётся, а в конце опросника — шкала «сколько ответов = что подтянуть».
• Нужен конкретный термин: загляните в глоссарий — там короткие определения со ссылками на подробные разборы.
• Любите визуал: в каждом разделе есть диаграммы. Исходники (.drawio) лежат в diagrams/ — их можно открыть на app.diagrams.net или в расширении draw.io для VS Code.

Рекомендованный ритм: прочитать раздел → посмотреть диаграммы → пройти опросник. Переходите дальше, только если уверенно отвечаете на большинство вопросов уровня 1–2.

Карта разделов

#	Раздел	О чём	Ключевые термины
01	Основы	Что такое AI, ML, нейросети и как они «учатся»	AI, ML, нейросеть, обучение, параметры, inference
02	Большие языковые модели (LLM)	Как устроена и работает LLM изнутри	токен, embedding, трансформер, контекст, промпт, fine-tuning
03	ИИ-агенты и протоколы	Агенты, инструменты, правила, Skills, MCP, ACP	агент, tool calling, rules, Skill, MCP, ACP, ReAct
04	RAG	Как дать модели доступ к внешним знаниям	embeddings, векторная БД, retrieval, RAG-пайплайн
05	Пайплайны и фреймворки	LLM-пайплайны, LangChain, LangGraph, PyTorch	pipeline, chain, граф, PyTorch, тензор
06	Адаптация и сжатие моделей	Как дёшево адаптировать и ужимать модели	LoRA, QLoRA, квантизация, дистилляция, DPO, alignment
07	Инференс и производительность	Из чего складывается скорость ответа LLM	латентность, throughput, KV cache, батчинг, стриминг
08	Безопасность и надёжность	Угрозы LLM-систем и защита от них	guardrails, prompt injection, jailbreak, evals
09	Глоссарий	Алфавитный словарь всех терминов	—

Рекомендованный маршрут обучения

01 Основы
   │  (понимаешь, что модель = функция с обучаемыми параметрами)
   ▼
02 LLM
   │  (понимаешь, как текст превращается в токены и предсказания)
   ▼
03 Агенты ──────┐
   │            │ (LLM + инструменты = агент; MCP/ACP — как они общаются)
   ▼            │
04 RAG          │ (как агенту дать свежие/приватные знания)
   │            │
   ▼            ▼
05 Пайплайны и фреймворки
   │  (как всё это собрать в работающую систему: LangChain, LangGraph, PyTorch)
   │
   ▼
—— базовый стек пройден; дальше продвинутый блок ——
   │
   ▼
06 Адаптация и сжатие моделей
   │  (LoRA, квантизация, дистилляция, DPO — дёшево подстроить и ужать модель)
   ▼
07 Инференс и производительность
   │  (KV cache, батчинг, стриминг — как отвечать быстро и держать нагрузку)
   ▼
08 Безопасность и надёжность
      (guardrails, prompt injection, jailbreak, evals — можно ли доверять системе)

Условные обозначения в текстах

• Жирным выделены термины при первом появлении.
• Блоки > Аналогия: — бытовые сравнения для интуиции.
• Блоки > На практике: — как термин встречается в реальной разработке.
• Примеры кода на Python иллюстративные: они показывают форму решения, а не готовы к копированию в production.