Praktyczne notatki terenowe dotyczące elementów systemów AI, które muszą sprawdzać się na produkcji: agentów, ewaluacji, bezpieczeństwa, pamięci, wyszukiwania, inżynierii modeli i infrastruktury. Recursive Harness Engineering wyznacza jedną ścieżkę: zbudować harness, niezależnie ocenić jego zachowanie, a następnie zautomatyzować wyszukiwanie ulepszeń. Zacznij od jednej z serii poniżej albo przeglądaj wszystkie artykuły według tematu.
Serie · Części: 3
Najpierw harness engineering, potem rekursyjne ulepszanie.
Przewiń części →
Serie · Części: 6
Po kolei. Zacznij od pętli.
Przewiń części →
Ewaluacja
Oceniaj zachowanie agentów i każdy etap systemu generowania wspomaganego wyszukiwaniem.
Wyszukiwanie i język
Buduj potoki rankingowe, wybieraj systemy rozumienia dokumentów i niezawodnie przekształcaj tekst w dane strukturalne.
Krótkie odpowiedzi
Wybierasz model, narzędzie lub podejście? Znajdziesz tu krótką rekomendację, warunki, które zmieniają wybór, i link do pełnego wyjaśnienia.
Agenci AI
Te same zadania wsparcia jako agent, agent z zatwierdzaniem, agent w przepływie pracy, router i przepływ pracy bez agenta, porównane na jednym zestawie testów.
· 20 min
Agenci AI
Jak wymagania zadania kształtują harness agenta: wybór przepływu sterowania, narzędzi, wykonywania kodu, stanu, uprawnień i dowodów, zanim wybierzemy framework.
· 25 min
Agenci AI
Wstęp do recursive harness engineering: testowanie kolejnych zmian LLM w narzędziu pamięci i sprawdzenie, czy proste przeszukiwanie daje ten sam wynik.
· 18 min
Narzędzia programistyczne · Agenci AI
Mapowanie pydantic na Zod, FastAPI na Hono i Celery na kolejkę w bazie Postgres, a potem budowa strumieniowego serwisu agenta w monorepo TypeScript z pnpm.
· 24 min
Agenci AI
Jak zaakceptować przetestowany artefakt, odzyskać niepewne wywołania narzędzi, przekazać pracę kolejnej sesji i zmierzyć, czy komponent harnessu pomaga.
· 19 min
Inżynieria modeli · Infrastruktura AI
Praktyczny przewodnik po wyborze ścieżki kwantyzacji LLM i modeli dyfuzyjnych na podstawie wąskiego gardła, sprzętu, kernela runtime'u, danych kalibracyjnych i kontroli przed wdrożeniem.
· 32 min
Agenci AI
Dlaczego produkcyjni agenci AI potrzebują pamięci sterowanej schematem, z ważnością czasową, proweniencją i ustrukturyzowaną obsługą konfliktów, zamiast wyszukiwania surowego tekstu w wektorach.
· 16 min
Agenci AI
Jak oceniać produkcyjnych agentów AI, zamieniając trace’y w wersjonowane zbiory regresyjne, metryki trajektorii, skalibrowanych sędziów i kontrole w CI.
· 26 min
Agenci AI
Utrzymaj uruchomienie agenta mimo awarii workerów, uzgodnij niepewne efekty narzędzi i wybierz środowisko uruchomieniowe: kolejkę i workera, Temporal, sandboxy lub hostowanych agentów.
· 28 min
Systemy wyszukiwania i przetwarzania języka
Metryki ewaluacji RAG dla parsowania, wyszukiwania, etapu reranking, generowania, cytowań i telemetrii produkcyjnej, z kodem i trybami awarii.
· 43 min
Agenci AI
Jak autoryzować akcję zaproponowaną przez agenta, odizolować jej wykonawcę i przetestować granice, których guardrails modelu nie są w stanie egzekwować.
· 24 min
Systemy wyszukiwania i przetwarzania języka
NER w 2026 roku oznacza wybór między GLiNER, spaCy, Transformers i ekstrakcją przez LLM pod kątem opóźnień, dokładności i kontroli nad schematem.
· 41 min
Agenci AI
Zaprojektuj kontrakt akcji i wyniku agenta, a potem wybierz wywołania JSON, MCP, CLI lub wykonywanie kodu dla pracy, którą agent ma wykonać.
· 21 min
Inżynieria modeli · Infrastruktura AI
Praktyczny przewodnik po 45 pojęciach inżynierii LLM w systemach produkcyjnych, obejmujący inferencję, trening, architekturę, wdrażanie i operacje.
· 72 min
Systemy wyszukiwania i przetwarzania języka
OCR w 2026 roku oznacza wybór między klasycznymi pipeline’ami a modelami VLM do rozpoznawania tekstu, układu strony, tabel i ekstrakcji danych z dokumentów.
· 21 min
Infrastruktura AI
Jak Polars, DataFusion, Daft, Ray Data i Spark wykonują obciążenia tabelaryczne i multimodalne: kod, porównawczy benchmark i reguły wyboru.
· 19 min
Agenci AI
Dobierz pamięć agenta do awarii, której ma zapobiec, a potem wybierz narzędzie: checkpoint savery, magazyny klucz-wartość, pgvector lub Qdrant, pliki albo framework pamięci.
· 25 min
Systemy wyszukiwania i przetwarzania języka
Jak zbudować stack rankingowy wyszukiwania z BM25, gęstymi embeddings, hybrydowym RRF, etapem reranking z modelem cross-encoder i etapem listwise reranking z LLM na zbiorze Amazon ESCI.
· 27 min
Agenci AI
Wybierz między stałymi workflowami, ReAct, ReWOO i Plan-and-Execute, pytając, kiedy wyniki narzędzi muszą zmienić następną akcję.
· 13 min
Inżynieria modeli
Techniczne omówienie Manifold-Constrained Hyper-Connections (mHC) firmy DeepSeek, skalowania szerokości strumienia rezydualnego, routingu Sinkhorn i stabilności treningu.
· 12 min
Agenci AI
Co publiczne zgłoszenia do Enterprise RAG Challenge 3 mówią o iteracjach nad prompt, walidacji, strategii kontekstu, wrapperach narzędzi i architekturze agentów.
· 12 min
Inżynieria modeli
Kiedy robić fine-tuning LLM, a kiedy użyć RAG lub prompting, oraz jak pasują do siebie LoRA, QLoRA, DoRA, Unsloth, Axolotl, zbiory danych, ewaluacje i wdrożenie.
· 28 min
Agenci AI · Inżynieria modeli
Jak Schema-Guided Reasoning wykorzystuje vLLM, XGrammar, schematy Pydantic i constrained decoding, aby wymusić strukturalnie poprawne dane wyjściowe LLM.
· 15 min
Inżynieria modeli · Infrastruktura AI
Oceń i wdróż LoRAX do obsługi długiego ogona adapterów LoRA: aktualne API, zabezpieczenie chartu Kubernetes, bezpieczeństwo adapterów, routing z uwzględnieniem cache i kompromisy względem vLLM.
· 15 min
Agenci AI
Jak projektowanie sterowane dziedziną pomaga agentom AI korzystać ze wspólnego języka, ograniczonych kontekstów, usług, repozytoriów i deterministycznych reguł biznesowych.
· 15 min
Agenci AI
Jak projektować inżynierię kontekstu dla agentów AI: okna kontekstu, hierarchia instrukcji, wyszukiwanie, pamięć, narzędzia, guardrails, proweniencja i kompresja.
· 24 min
Agenci AI · Narzędzia programistyczne
Zbuduj własny serwer MCP z uv i FastMCP, udostępnij narzędzia ML do feature store, przetestuj je lokalnie i połącz serwer z Claude Desktop.
· 9 min
Inżynieria modeli
Jak czytać nazwy modeli z otwartymi wagami, rozdzielając rolę treningową, architekturę, metodę kwantyzacji, format przechowywania, runtime i dopasowanie do sprzętu.
· 14 min
Narzędzia programistyczne
Porównanie lokalnych narzędzi do generowania obrazów na macOS pod kątem instalacji, obsługi modeli, kontroli nad workflow, powtarzalności, rozszerzeń i stanu utrzymania.
· 11 min
Inżynieria modeli · Narzędzia programistyczne
Porównanie lokalnych narzędzi LLM na macOS pod kątem interfejsu, formatu modelu, zapasu pamięci, udostępniania API i pracy deweloperskiej na Apple Silicon.
· 12 min
Narzędzia programistyczne
Jak działa pyproject.toml: system budowania, metadane projektu, zależności uruchomieniowe, grupy deweloperskie, punkty wejścia CLI i konfiguracja narzędzi.
· 8 min
Narzędzia programistyczne
Pliki startowe Zsh w praktyce: kiedy w systemach macOS i Linux wczytywane są ~/.zprofile i ~/.zshrc, co powinno trafić do każdego z nich i jak sprawdzić tryb uruchomionej powłoki.
· 6 min
Infrastruktura AI
Co modele foundation zmieniły w MLOps: jednostki wydania, wyszukiwanie, narzędzia, ewaluacja, tracing, serwowanie i narzędzia do każdego z tych zadań.
· 15 min
Inżynieria modeli · Infrastruktura AI
Jak skalować modele LLM na wiele GPU i węzłów za pomocą równoległości danych, shardowanej, tensorowej, potokowej, kontekstowej i ekspertów oraz które frameworki ją implementują.
· 18 min
Narzędzia programistyczne
Lista kontrolna konfiguracji MacBooka do pracy z AI: narzędzia Xcode, Homebrew, Python z uv, Docker, konfiguracja terminala i VS Code.
· 7 min
Narzędzia programistyczne
Jak używam uv na macOS do instalacji Pythona, zależności projektu, plików lock, skryptów z metadanymi inline i jednorazowych narzędzi CLI.
· 9 min
Nie ma tu jeszcze żadnych treści.
