12 шпаргалок MCP, RAG та Agents для AI-інженерів (з візуалами):

1️⃣ Виклик функцій & MCP для LLM До того, як MCP стали популярними, робочі процеси штучного інтелекту покладалися на традиційний виклик функцій для доступу до інструментів. Тепер MCP стандартизує його для агентів/LLM. На малюнку показано, як під капотом працюють функції виклику функцій і MCP. Перевірте тему нижче 👇

2️⃣ 4 етапи навчання LLM з нуля Це зображення охоплює 4 етапи створення LLM з нуля, щоб зробити їх практично застосовними. - Попередня підготовка - Інструкція з тонкої настройки - Тонка настройка переваг - Тонка настройка міркувань Ось моя детальна тема про це 👇

3️⃣ 3 Підказкові прийоми для міркувань в ЛЛМ Це охоплює три популярні методи підказок, які допомагають LLM мислити чіткіше, перш ніж відповісти. - Ланцюг думок (CoT) - Самоузгодженість (або голосування більшістю голосів над CoT) - Дерево думок (ToT) Прочитайте мою детальну тему про це нижче 👇

4️⃣ Тренуйте LLM за допомогою інших LLM LLM не просто вчаться на необробленому тексті; Вони також вчаться один в одного. - Llama 4 Scout і Maverick тренувалися з використанням Llama 4 Behemoth. - Gemma 2 і 3 були навчені за допомогою Gemini. У наочному матеріалі пояснюються 3 популярні техніки. Прочитайте тред нижче 👇

5️⃣ Доопрацювання під наглядом та підсиленням у ЛМ Цей візуальний елемент розкриває різницю між тонким налаштуванням під наглядом і тонким налаштуванням арматури. RFT дозволяє перетворити будь-який LLM з відкритим вихідним кодом на потужну систему міркувань без будь-яких мічених даних. Прочитайте тред нижче 👇

6️⃣ Трансформатор проти суміші експертів з LLM Mix of Experts (MoE) — популярна архітектура, яка використовує різних «експертів» для покращення моделей трансформерів. На малюнку нижче пояснюється, чим вони відрізняються від трансформерів. Ось моя детальна тема про це👇

7️⃣ RAG проти Agentic RAG Наївний RAG отримує один раз і генерує один раз, він не може динамічно шукати більше інформації і не може міркувати складними запитами. Agentic RAG вирішує цю проблему. Перегляньте мою детальну пояснювальну гілку на цю👇 тему

8️⃣ 5 популярних патернів проектування Agentic AI Агентна поведінка дозволяє LLM вдосконалювати свої результати, включаючи самооцінку, планування та співпрацю! Цей візуал зображує 5 популярних шаблонів проектування для створення агентів штучного інтелекту. Перевірте мою тему на ньому для отримання додаткової інформації👇

9️⃣ 5 рівнів систем Agentic AI Агентні системи не просто генерують текст; Вони приймають рішення, викликають функції і навіть запускають автономні робочі процеси. Візуал пояснює 5 рівнів AI agency. Я пов'язав свою детальну пояснювальну гілку👇

🔟 Традиційний RAG проти HyDE Питання семантично не схожі на відповіді, тому система може отримати нерелевантний контекст. У HyDE спочатку згенеруйте гіпотетичну відповідь (H) на запит. Потім використовуйте (H), щоб отримати відповідний контекст (C). Я написав про це👇 докладну гілку

1️1️⃣ ⃣ RAG проти Graph RAG Відповідати на питання, які потребують глобального контексту, складно з традиційним RAG, оскільки він отримує лише найактуальніші фрагменти. Graph RAG робить RAG більш надійним зі структурами графів. Перегляньте мою детальну тему нижче👇

1️2️⃣ ⃣ Кешування KV Кешування KV – це техніка, яка використовується для прискорення висновків LLM. Я пов'язав свою детальну тему нижче👇

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.