Semolina Code (Python / TypeScript)

Я просто в жесточайшем ахере с братка Криппи Чувак просто решил стать билдером: – Создал успешный продукт: perpdexlist.com – Раскачал X (твиттер): пост на 150к просмотров – И достиг какой-то невменяемой скорости принятия решения (пример на скрине) Криппи просто за 3 минуты написал пост и сразу дропнул (хотя помню как мы раньше каждый пост часами обсуждали). Думаю, что такой навык многим позволил бы двигаться быстрее Я тоже решил стать билдером: Начал пилить свой стартап и пришло время провести кастдевы. Написал нескольким инфлам с предложением объединить аудитории и поделиться результатами исследования (благодаря вашим ответам мы сможем делать лучшие продукты и создавать лучший контент чисто под вас) В общем, к чему я это всё: – Если вы хотите поучаствовать в создании продукта и повлиять на контент: пожалуйста пройдите двухминутный опросик – Если у вас есть свой канал и вы тоже хотите поучаствовать в этом микрочеллендже: читайте условия на скрине заполнить форму (пожалуйста) заполнить форму (очень нада) заполнить форму (вы не представляете как сильно поможете)

Знаете почему этот канал не растет? Потому что я тут немного передушнил и мне даже самому не хочется сюда закидывать что-то «НЕ СУПЕР ПОЛЕЗНОЕ» (мб ошибка) А так-то много чего я бы мог рассказать. За последние 3 месяца пощупал кучу AI инструментов, написал ещё большую кучу софта, залетел в стартап акселератор итд В общем, есть интересные и не очень мысли, которые я буду закидывать вот сюда, чтобы через 10 лет, сидя под пальмой поностальгировать кринжануть щитпост ссылка P.S. пока приму только тех, с кем взаимодействовал или есть хотя бы 2-3 пересечения по чатам

Курс: RAG для новичков Урок 6 (финальный). Как засунуть настоящего AI агента в RAG цепочку Ну тут вроде и по заголовку всё понятно. Разберём что такое AI агент и напишем своего. Потом соединим этого агента с RAG цепочкой (а потом удалим всё нахрен))) Что конкретно сделаем: – разберём, что такое AI-агент и чем он отличается от обычной LLM – разберём основные архитектуры AI агентов – напишем простого агента в LangChain – пошагово посмотрим, как агент “думает” и что он вызывает – попробуем встроить агента в RAG для переписывания вопросов пользователя – разберём проблемы: лишние вызовы модели, нестабильность, сложность дебага Кейс тот же: Antarctic Wallet – оплата USDT по QR-коду в магазинах и сервисах. Стараюсь сделать так, чтобы всё было максимально применимо к реальности – для базы знаний / саппорта / FAQ 🎞 Видео 📖 Методичка в Notion 👩‍💻 Код с урока ❤️ Оплатить USDT по QR-коду Это финальный урок мини-курса про RAG. Подумайте почему я так вцепился в эту технлогию и попробуйте придумать где её можно применить с целью заработка. Догадки в комментарии 👇 SemolinaCode | Chat | YouTube

Курс: RAG для новичков Урок 5. LangSmith: трассировка, отладка и тестирование приложений на базе LLM Время отдохнуть от кода и улучшить то, что у нас уже есть. Для этого используем инструмент визуальной отладки, который также покажет нам что происходило на каждом этапе нашего приложения – LangSmith Что конкретно сделаем: – подключаем LangSmith к нашему RAG – смотрим каждый этап цепочки: retriever → контекст → prompt → LLM → output – видим tokens / latency / ошибки – собираем online evaluator (LLM-as-a-judge): ChatGPT сам оценивает качество ответа – делаем Playground и сравниваем 2 промпта (мини A/B) Кейс тот же: Antarctic Wallet – оплата USDT по QR-коду в магазинах и сервисах. Стараюсь сделать так, чтобы всё было максимально применимо к реальности – для базы знаний / саппорта / FAQ 🎞 Видео 📖 Методичка в Notion 👩‍💻 Код с урока ❤️ Оплатить USDT по QR-коду В следующем уроке – LangSmith (визуальный дебаг) + подготовка к AI агенту SemolinaCode | Chat | YouTube

Курс: RAG для новичков Урок 4. Как улучшить RAG pipeline: загрузка данных, разбиение, эмбеддинги и Chroma (LangChain) Тут мы наконец-то закончим создание нашего "идеального" RAG пайплайна: retriever, format_docs, prompt и LLM параметры. Что конкретно сделаем: – Retriever: similarity vs MMR, пороги релевантности, фильтры по метаданным – Post-processing: собираем контекст правильно, добавляем source/page, лимитируем длину – Prompt для RAG: только по контексту, без выдумок, честное “нет данных” – LLM настройки: temperature, max tokens, top-p — простым языком, без магии – Финальная LangChain цепочка: защита от пустого контекста + готовность к LangSmith Кейс тот же: Antarctic Wallet – оплата USDT по QR-коду в магазинах и сервисах. Стараюсь сделать так, чтобы всё было максимально применимо к реальности – для базы знаний / саппорта / FAQ 🎞 Видео 📖 Методичка в Notion 👩‍💻 Код с урока ❤️ Оплатить USDT по QR-коду В следующем уроке – LangSmith (визуальный дебаг) + подготовка к AI агенту Накиньте реакций, если тема интересна ♥️ SemolinaCode | Chat | YouTube

Курс: RAG для новичков Урок 3. Как улучшить RAG pipeline: загрузка данных, разбиение, эмбеддинги и Chroma (LangChain) Если в пошлом уроке мы просто написали простенький RAG pipeline, то в этом уроке мы попробуем довести его до "идеале", а именно этап индексации Что конкретно сделаем: – загрузим не одну страницу, а весь сайт через sitemap.xml – попробуем второй способ: рекурсивный обход ссылок внутри домена – научимся резать текст правильно: по структуре HTML или по токенам (а не “на глаз”) – разберёмся с эмбеддингами: как выбрать модель под русский и зачем иногда нужны префиксы – ускорим ChromaDB: чтобы индекс не пересобирался каждый запуск (запуск из минут → в миллисекунды) Кейс тот же: Antarctic Wallet – оплата USDT по QR-коду в магазинах и сервисах. Стараюсь сделать так, чтобы всё было максимально применимо к реальности – для базы знаний / саппорта / FAQ 🎞 Видео 📖 Методичка в Notion 👩‍💻 Код с урока ❤️ Оплатить USDT по QR-коду В следующем уроке – улучшим этап поиска и генерации SemolinaCode | Chat | YouTube

Курс: RAG для новичков Урок 2. Первый рабочий RAG pipeline Вот и пришло время написать код, а именно RAG pipeline. ИИ начнёт отвечать по твоей информации, а не абстрактно. До сих пор без математики, но уже с кодом!! В уроке напишем полностью рабочий и…

Курс: RAG для новичков Урок 2. Первый рабочий RAG pipeline Вот и пришло время написать код, а именно RAG pipeline. ИИ начнёт отвечать по твоей информации, а не абстрактно. До сих пор без математики, но уже с кодом!! В уроке напишем полностью рабочий и применимый на практике код: – загрузка данных с сайта – деление текста на чанки – бесплатный embeddings (Ollama + HuggingFace) – векторное хранилище (ChromaDB) – поиск релевантных чанков (retriever c k ближайших соседей) – prompt для LLM генерации – сборка RAG цепочки через LangChain – прогон по пилотному тесту: где всё хорошо, а где появляются галлюцинации (пример с KYC) В курсе используем реальный продуктовый кейс – сервис Antarctic Wallet (оплата USDT по QR-коду в магазинах и сервисах), чтобы показать, как RAG применяется на практике (например, для автоматизации службы поддержки) 🎞 Видео 📖 Методичка в Notion 👩‍💻 Код с урока ❤️ Оплатить USDT по QR-коду В следующем уроке – улучшим каждый узел пайплайна (retrieval, prompt, формат контекста и т.д.). SemolinaCode | Chat | YouTube

Есть тут кто-то, кто: - учился - знает тех, кто учился - просто слышал что-то про Стартап Академию Сколково Стоит ли сходить, поучиться? Или есть какие-то альтернативы с хорошей экосистемой/комьюнити в направлении стартапинга/предпринимательства?

Курс: RAG для новичков Урок 1. Как LLM работает с документами и приватными данными (теория) В уроке я простым языком объясняю, как ИИ “думает” под капотом и как сделать так, чтобы он начал отвечать по твоей информации, а не абстрактно. Пока что без математики и без кода В уроке разбираем базу 😮: – почему ChatGPT / Gemini / Claude не видят ваши документы и свежие данные; – что такое RAG (Retrieval Augmented Generation) и какую проблему он решает; – из каких этапов состоит RAG-pipeline: indexing → retrieval → generation; – что такое embeddings, vector store и поиск по смыслу, а не по словам; – почему RAG — это не дообучение модели, а работа с контекстом. В курсе используем реальный продуктовый кейс – сервис Antarctic Wallet (оплата USDT по QR-коду в магазинах и сервисах), чтобы показать, как RAG применяется на практике (например, для автоматизации службы поддержки) Домашнее задание: – Составить пилотный тест для проверки качества RAG системы по данным со страницы F.A.Q. 🎞 Видео 📖 Методичка в Notion ❤️ Оплатить USDT по QR-коду В следующем уроке — переходим к коду и собираем RAG-pipeline руками. SemolinaCode | Chat | YouTube

Пилотный тест Супер простая статья про то как подготовить данные для тестирования модели Читать: Как создать пилотный тест для модели P.S. Данный урок потребуется для выполнения первого домашнего задания в обучении по RAG, которое начнется завтра в видеоформате на этом канале бесплатно (но со спонсором) SemolinaCode | Chat | YouTube | HowToCode | Prop

Как удалить свой диалог с ChatGPT? Никак Я тут обнаружил, что если попытаться удалить свой диалог с ChatGPT, то под капотом у вас ничего не выйдет. Диалог просто перестанет у вас отображаться, но на сервере openai скорее всего всё будет сохранено Откуда такая догадка? Да просто во время запрос на удаление диалога отправляется PATCH запрос с параметром "is_visible: false". Да и в принципе PATCH запрос предназначен для обновления информации, а для удаляния есть DELETE Запрос PATCH используется для частичного обновления ресурса в API, отправляя только те данные, которые нужно изменить, а не весь объект целиком SemolinaCode | Chat | YouTube | HowToCode | Prop

Всё, что вам нужно знать про HuggingFace P.S. В этом посте я упомяну "huggingface" 10 раз. Заранее извиняюсь Тут будет сразу серия статей!! Обзор huggingface.co – Что такое huggingface; – Кто и как использует huggingface; – Как пользоваться huggingface новичку. Выбор модели под задачу на huggingface.co – Какие есть фильтры на huggingface и как ими пользоваться; – Разберём практические шаблоны для фильтрации. Обзор карточки модели на huggingface.co – Разберём все разделы карточки на huggingface; – Протестируем модель прямо в браузере; – Узнаем кто и как может подгрузить кастомный код на наше локальное устройство и как этого избежать. SemolinaCode | Chat | YouTube | HowToCode | Prop

Что за циферки? Мы уже разобрались с тем как запускать модели локально (способ 1 и способ 2). Теперь надо понять как выбрать модель под свои нужды и как прочитать "паспорт модели", который выглядит примерно так: Model architecture gemma3 parameters 4.3B context length 131072 embedding length 2560 quantization Q4_K_M Capabilities completion vision Parameters temperature 1 top_k 64 top_p 0.95 stop "<end_of_turn>" License Gemma Terms of Use Last modified: Feb 21, 2024 Всё это очень подробно разобрал в конспекте: Читать: Как выбрать AI модель SemolinaCode | Chat | YouTube | HowToCode | Prop

Запуск AI-моделей локально (способ 2) Запускать ai модели ещё можно через ollama Функции почти те же, что и у Docker: – есть GUI – устанавливается одной командой – есть hub моделей – гибкие настройки – поддержка openai api – есть возможность запуска моделей с Hugging Face (в формате GGUF) – большое комьюнити Читать: Запуск моделей локально через Ollama SemolinaCode | Chat | YouTube | HowToCode | Prop

Запуск AI-моделей локально Просто для понимания: ChatGPT 5, Gemini 3, Grok 3 и т. д. – это самые популярные AI-модели от крупных компаний Но на самом деле этих моделей огромное количество. Только в открытом доступе на Hugging Face находится более 2.2 млн моделей под разные задачи (каждую из которых можно скачать и запустить у себя локально – если, конечно, хватит железа) Один из самых простых способов запустить модель локально – использовать DMR (Docker Model Runner) Если вы впервые слышите слово "Docker", ничего страшного. Чтобы скачать и запустить модель, вам не придётся писать код или вводить команды, так как у DMR есть понятный пользовательский интерфейс (см. скрин). Без лишних слов – всё описал в конспекте: Читать: DMR: запуск AI-моделей локально P.S. А вообще, на канале есть урок про основы Docker и docker-compose для кодеров SemolinaCode | Chat | YouTube | HowToCode | Prop

Похоже придётся повайбкодить В своём лайв канале Криппи выложил пост: https://t.me/sdgsdfhdfdfh/1901 В этом посте Криппи написал, что у нас тут будет вайбкоддинг, а он не планировался)) Планировались чуть более сложные вещи (вплоть до файн-тюнинга моделей) Но не суть. Уважим пирожка и подготовим инфу про вайбкоддинг. Я уже накопал кое-какие инструменты, для помощи кодерам и затестил некоторые профильные модели: – https://cursor.com/ – https://tabnine.com/ – https://kilocode.ai/ – https://codeassist.google/ – https://factory.ai/ – https://builder.io/ (хуже всех отработал) – https://grok.com/ – https://claude.com/ (лучше всех себя показал) – ... Если вы ещё что-то тестили на +- сложных проектах и это вам реально помогло, то закиньте пожалуйста в комменты или в лс @ahillary 👇

RUG RAG Первой практической штукой, которую мы сделаем, будет RAG система RAG (Retrieval-Augmented Generation) – это подход, при котором искусственный интеллект сначала находит нужную информацию в базе данных или документах (retrieval), а затем использует её для генерации ответа (generation). Простыми словами, это способ “научить” модель отвечать с опорой на реальные данные, а не только на то, что она запомнила при обучении. RAG-системы применяются в чат-ботах, справочных ассистентах и корпоративных поисках — чтобы AI давал точные, актуальные и обоснованные ответы, цитируя источник, а не "выдумывал" их. Чтобы перейти к практике, нам в любом случае придётся разобраться с тем что такое: AI модель, в чем разница между AI моделью и нейросетью и понять понять какие вообще бывают модели. Всё это я расписал в конспекте, который прикрепляю снизу Скорее всего, это будет самая простая часть конспектов. Но она нужна чтобы заложить начальный фундамент и хотя бы не путаться в понятиях Читать: AI модели для чайников SemolinaCode | Chat | YouTube | HowToCode | Prop

Что тут будет происходить? – Почему AI? Сравним двух программистов: один из них использует AI, а другой — нет, — и посмотрим на их результаты и эффективность. Думаю, вывод очевиден. А с учётом того, сколько денег вкладывается в развитие AI, страшно представить, что будет через 5–10 лет. В любом случае не хочется, чтобы технология прошла мимо. – Что тут будет выкладываться? Когда я погружаюсь в новую тему, я делаю кучу конспектов (которые, как правило, потом даже не открываю). Раньше это были письменные записи, теперь — заметки в Notion (или на какой-либо другой платформе). Так как это просто конспекты, которые я пишу для себя во время изучения новой темы, они не претендуют на гениальность и идеальность. Это просто структурированная информация для удобного использования. – Чему будем учиться? На данный момент нет чёткого плана, так как не хватает насмотренности, поэтому действуем в режиме максимального расфокуса и пробуем всё понемногу. Но цель этого мероприятия — заработать деньги на AI. И да, постараемся не скатываться в сверхпростые темы, которые каждый может освоить за 1–2 дня — просто потому, что там слишком высокая конкуренция. – Будет ли платный продукт? Пока сам с этого не заработаю, курса, подписки или какой-либо иной монетизации не будет. SemolinaCode | Chat | YouTube | HowToCode | Prop

soon