Останнім часом я часто зустрічаюся з колишніми колегами та друзями офлайн. Дізнавшись, що я працюю з AI-контентом, вони всі дуже зацікавлені, і наші розмови часто природним чином обертаються навколо штучного інтелекту.
Але під час розмов я помітив одну проблему.
Я природно згадував такі терміни, як Agent, Skill і MCP, припускаючи, що всі про них чули. Однак співрозмовник замислювався і питав: "А що таке Agent?" "Що означає Skill?"
У цей момент я зрозумів, що потрапив у "пастку знань". Коли ти надто часто бачиш і використовуєш слово, ти забуваєш, що колись і сам був розгублений, побачивши його вперше.
Кілька місяців тому мене також приголомшували ці англійські абревіатури. Тоді я публікував "Щоденні основи AI для початківців", вивчаючи одне слово на день майже 30 днів, поступово розбираючи безліч поширених термінів зі світу AI.
Оскільки останнім часом питань стає дедалі більше, я вирішив зробити цей матеріал ще більш повним.
Я зібрав 66 AI-термінів, які вважаю високочастотними, і пояснив їх простою мовою. Для кожного слова я розповім: що це таке, де ви з ним зіткнетеся і яка життєва ситуація допоможе запам'ятати його найкраще.
Вам не потрібно запам'ятовувати все одразу. Просто прочитайте один раз, щоб наступного разу, побачивши LLM, RAG, Agent, MCP, API або CLI, ви хоча б приблизно розуміли, яке місце вони займають у світі AI.
I. Спочатку розберемося з AI та великими моделями
Ця група відповідає на два питання: що таке AI і що обробляють великі мовні моделі, коли "говорять"? Щойно ви зрозумієте цю мапу, наступні терміни будуть набагато легшими.
AI — це створення машин, здатних виконувати завдання, які зазвичай потребують людського розуміння, судження, прогнозування або творчості. Розблокування обличчям на телефоні, прогнозування трафіку на картах, рекомендації відео на платформах і відповіді чат-ботів — усе це належить до AI. Це широке поняття; інструменти для чату — лише один із типів застосувань.
Алгоритм — це чіткий набір кроків для вирішення проблеми, дуже схожий на рецепт. Рецепт визначає, що спочатку нарізати овочі, потім розігріти сковороду і нарешті додати спеції; алгоритм визначає, що комп'ютер читає спочатку, як порівнює і що виводить у результаті. Багато традиційних алгоритмів взагалі не можуть спілкуватися; AI-алгоритми — лише одна частина сімейства алгоритмів.
NLP — це технічна галузь, яка дозволяє комп'ютерам обробляти людську мову. Переклад, підсумовування, пошук, перетворення мовлення на текст і чати — усе це пов'язано з нею. Коли ви вводите розмовне запитання, а AI розуміє загальний зміст і відповідає, він використовує можливості обробки природної мови.
LLM — це мовні моделі, навчені на величезних масивах тексту та обчислень, які спеціалізуються на розумінні та генеруванні тексту. Поширені моделі або сімейства моделей включають GPT від OpenAI, Claude від Anthropic, Gemini від Google, а також DeepSeek та Qwen. Важливо розрізняти продукт і модель: ChatGPT — це продукт, який ви відкриваєте та використовуєте, тоді як GPT — це сімейство моделей, які він може використовувати за лаштунками.
SLM — це мовні моделі меншого розміру та з нижчими вимогами до обчислювальних ресурсів. Наразі не існує глобально уніфікованої межі параметрів. Поширені приклади включають серію Phi від Microsoft та версії з невеликою кількістю параметрів сімейств моделей, таких як Gemma та Qwen. Їхній обсяг знань може бути вужчим, але для фіксованих завдань, як-от підсумовування, класифікація або асистенти на пристроях, вони можуть бути швидшими, дешевшими та простішими у використанні на телефонах або звичайних комп'ютерах.
Токени — це маленькі шматочки, які моделі використовують під час читання та написання тексту. Вони не завжди дорівнюють одному китайському ієрогліфу, одному англійському слову чи одному знаку пунктуації. Модель розбиває речення на багато токенів перед обчисленням. Оплата та обсяг контексту також часто рахуються в токенах. Просто уявіть їх як "будівельні блоки", які AI використовує для обробки тексту.
Контекст — це вся інформація, до якої AI може звернутися в поточний момент, включаючи ваше запитання, попередній діалог, завантажені файли, системні правила та результати роботи інструментів. Як і під час консультації лікаря, одна й та сама фраза "Я погано себе почуваю" призведе до різних висновків залежно від того, чи є інформація про вік, симптоми та результати аналізів. Що чіткіший контекст ви надасте AI, то більш обґрунтованою буде його відповідь.
Вікно контексту — це максимальний обсяг інформації, який модель може обробити за один раз, зазвичай вимірюється в токенах. Це як стіл обмеженого розміру: є ліміт на те, скільки документів можна розкласти одночасно. Коли вміст перевищує це, система повинна скоротити, підсумувати, обробити частинами або дозволити ранішій інформації вийти з вікна.
Довжина контексту часто має два значення: максимальна кількість токенів, яку дозволяє модель, або фактична кількість токенів, використаних у конкретному запиті. Перше — це як максимальна площа столу; друге — це як документи, які ви фактично розклали цього разу. Коли продукти рекламують "наддовгий контекст", вони зазвичай мають на увазі максимальну ємність.
MLLM можуть обробляти інформацію, що виходить за межі тексту, наприклад, зображення, аудіо або відео. Якщо ви дасте йому фото холодильника, він зможе побачити продукти та порекомендувати вечерю на основі текстових вимог; якщо ви завантажите запис зустрічі, він може організувати ключові моменти після прослуховування. "Мультимодальний" тут означає кілька форм інформації.
VLM спеціалізується на поєднанні зору та мови, в першу чергу виконуючи завдання, як-от "подивитися на зображення та зрозуміти або відповісти текстом". Він може писати підписи до фото, визначати вміст діаграм або знаходити кнопки на основі скріншотів. VLM підкреслює координацію зору та мови, і його сфера зазвичай більш конкретна, ніж загальний термін "мультимодальна модель".
MoE розташовує всередині моделі кілька наборів "експертів", дозволяючи лише частині з них брати участь в обчисленнях щоразу. Це як сортування пацієнтів у лікарні: проблеми зі шкірою йдуть до дерматолога, травми кісток — до ортопеда, а не всі лікарі консультують одночасно. Це розширює можливості моделі, одночасно контролюючи обчислення, необхідні для кожного запуску.
Прочитавши цю групу, вам просто потрібно розрізняти: LLM в основному обробляє мову, VLM поєднує зображення та мову, а MLLM може працювати з кількома типами інформації. Токени — це текстові блоки, а контекст — це матеріал, до якого модель може звернутися цього разу.
II. Найпоширеніші терміни під час спілкування з AI
Ця група використовується щодня. Промпти відповідають за постановку завдань, контекст надає матеріали, а AI генерує відповіді на основі цієї інформації.
Промпт — це весь ввід, який ви даєте AI, це може бути речення, запитання, документ або зображення. "Підсумуй цей контракт, виділивши п'ять ризиків" — це промпт. Промпти не потрібно писати як магічні заклинання; якщо мета, матеріали, обмеження та вимоги до виведення чіткі, AI з більшою ймовірністю зробить все правильно.
Інженерія промптів — це метод розробки, тестування та вдосконалення промптів. Це дуже схоже на постановку завдання колезі: якщо перший результат неправильний, ви перевіряєте, чи було завдання зрозумілим, чи матеріали були повними, чи було вказано формат, а потім коригуєте інструкції. Її цінність полягає в зменшенні комунікаційних помилок і переробок.
Системний промпт — це набір правил високого пріоритету, які знаходяться за лаштунками AI-застосунку для визначення ідентичності, тону, діапазону можливостей і меж безпеки. Це як довідник співробітника компанії; користувачі зазвичай не бачать його повністю. Якщо ваш запит суперечить системним правилам, модель зазвичай надає пріоритет системному промпту.
Користувацький промпт — це поточна вимога, введена користувачем — вміст, який ви надсилаєте в поле чату. Системний промпт — це як правила роботи магазину, а користувацький промпт — це як "Будь ласка, дайте мені гарячий напій з менше цукру". Обидва впливають на результат, тому одна й та сама фраза в різних AI-продуктах може дати різні відповіді.
Інструкція — це чітка дія, яку ви просите AI виконати в рамках промпту, наприклад, підсумувати, перекласти, порівняти, класифікувати або перевірити. Повний промпт також може включати довідкову інформацію та обмеження. Наприклад, "Прочитай наведений нижче електронний лист, витягни дату та не додавай інформації, якої немає в оригінальному тексті" містить дві інструкції.
Markdown — це формат для верстки тексту за допомогою простих символів.
- # може позначати заголовок,
- - може позначати список,
- \\текст\\ може позначати жирний шрифт.
Багато виведень AI виглядають чітко структурованими саме тому, що використовують Markdown; ви часто з ним стикаєтеся під час написання статей, документів або описів проєктів.
JSON — це структурований формат даних, який зазвичай використовують програми, що складається з фігурних дужок, назв полів і відповідного вмісту. Це як електронна таблиця з фіксованими полями, яку можуть читати люди і яку програми можуть легко обробляти. Прохання до AI "вивести у форматі JSON" часто має на меті дозволити іншому програмному забезпеченню автоматично використовувати результати.
Історія розмови — це повідомлення, які з'являлися раніше в поточному чаті. AI може продовжити тему з п'ятихвилинної давнини, зазвичай тому, що застосунок повторно надсилає попередні записи чату моделі. Після того, як чат стає занадто довгим, ранній вміст може бути скорочений або підсумований, тому AI іноді забуває, що ви сказали на самому початку.
Галюцинація — це коли AI генерує вміст, який звучить розумно, але насправді є неправильним або неіснуючим, наприклад, вигадує назви книг, посилання, дані або особистий досвід. Це як людина з чудовими мовними навичками, яка відмовляється визнавати, що вона "не знає", і заповнює прогалини. Завжди перевіряйте оригінальні джерела для дат, чисел, цитат та важливих рішень.
Найважливіше, що потрібно запам'ятати з цієї групи: Промпт визначає, як ви запитуєте, контекст визначає, до чого AI може звернутися, а галюцинація нагадує, що відповіді все ще потребують перевірки.
III. Надання AI можливості читати дані: RAG та пошук
Коли ви бачите "надання AI можливості читати файли компанії" або "створення особистої бази знань", ви, ймовірно, зіткнетеся з цією групою слів. Весь шлях — це одне речення: спочатку знайдіть відповідні матеріали, потім дозвольте моделі відповісти.
RAG дозволяє AI шукати відповідний вміст із зазначених матеріалів перед відповіддю, а потім передає знайдені фрагменти моделі для формулювання відповіді. Це як іспит з відкритою книгою: студент спочатку гортає підручник, а потім відповідає на основі нього. RAG може зменшити вигадування, але він також може знайти неправильні матеріали, тому цитати все одно потребують перевірки людиною.
База знань — це набір матеріалів, централізовано збережених, організованих і доступних для системних запитів. Інструкції з продуктів, політики компанії та поширені запитання, зібрані разом, можуть стати базою знань для служби підтримки; нотатки, статті та записи прочитаного однієї людини також можуть утворити базу знань. Точність та актуальність матеріалів безпосередньо впливають на якість відповідей.
Пошук (Retrieval) — це знаходження найбільш релевантного вмісту з великої кількості матеріалів. Бібліотекар, який слухає ваше запитання і приносить три найбільш підходящі книги з десятків тисяч, — це пошук. У RAG модель зазвичай не читає всю базу даних спочатку, а отримує кілька фрагментів для відповіді.
Ключовий пошук в основному шукає, чи з'являються певні слова безпосередньо. Якщо ви шукаєте "термін повернення", він спочатку знайде вміст, що містить "термін" і "повернення". Цей метод швидкий і добре підходить для перевірки номерів продуктів, назв і фіксованих термінів; він може пропустити відповіді, якщо стиль запитання та оригінальне формулювання значно відрізняються.
Семантичний пошук більше зосереджується на тому, чи близьке значення двох уривків. Якщо ви шукаєте "Я не хочу це більше, як повернути", він також може знайти документ під назвою "Політика повернення". Він підходить для запитань природною мовою, але розуміння може відхилятися, тому у важливих сценаріях його часто поєднують із ключовим пошуком.
Гібридний пошук використовує ключовий та семантичний пошук разом. Ідентифікаційні номери та номери контрактів підходять для точного збігу; "як подати заяву на відшкодування" потребує розуміння значення. Результати з обох методів об'єднуються та ранжуються, враховуючи як буквальну відповідність, так і схожість значень — це метод, який використовують багато RAG-систем.
IV. Агенти, інструменти та MCP
Це найпопулярніша і часто найбільш заплутана група слів останнім часом. Agent, Skill і MCP, які я найчастіше згадував у розмовах з друзями, — усі в цьому розділі.
Спочатку подивіться на найкоротший шлях:
1Ви пропонуєте мету2→ Agent вирішує наступний крок3→ Викликає інструменти для читання даних або виконання дій4→ Продовжує обробку на основі результатів5→ Людина перевіряє ключові кроки
Чат-бот — це програмне забезпечення, яке в основному відповідає на запитання через діалог. Ранні чат-боти могли відповідати лише на основі фіксованих ключових слів; тепер багато чат-ботів підключаються до великих моделей для більш природних відповідей. Його основна увага залишається на "ви запитуєте, він відповідає", і зазвичай він не виконує самостійно довгий ланцюжок зовнішніх операцій.
AI-асистент або Copilot — це AI-продукт, який допомагає людям виконувати завдання, наприклад, допомагає з написанням текстів, організацією зустрічей, роботою з електронними таблицями або програмуванням. Метафору "copilot" легко запам'ятати: він може спостерігати, нагадувати та допомагати, але кермо все ще в руках людини, і кінцевий результат потребує перевірки людиною.
Робочий процес — це заздалегідь визначений набір фіксованих кроків. Отримання рахунку-фактури, спочатку визначення суми, потім запис у таблицю і нарешті повідомлення фінансового відділу — це робочий процес. Кожен крок зазвичай визначений заздалегідь, що робить його стабільним і легким для перевірки; він не буде гнучко вирішувати наступний крок, як Agent, при зіткненні з незапланованими ситуаціями.
AI-агент — це система, яка може вирішувати наступний крок навколо мети, викликати інструменти, спостерігати за результатами та продовжувати діяти. Звичайний чат скаже вам, як купити квиток; Agent може відкрити сервіс бронювання, знайти рейси та заповнити інформацію в межах дозволених повноважень. Він може діяти, тому дозволи, помилки та підтвердження людиною дуже важливі.
Агентний AI (Agentic AI) — це термін, що описує клас систем або підходів до дизайну, які підкреслюють здатність AI постійно планувати, використовувати інструменти та виконувати багатокрокові завдання. Сфера цього терміну широка, і різні компанії використовують різні назви. Коли ви бачите продукт з позначкою "Agentic", ви можете продовжити, запитавши три речі: які інструменти він може використовувати, скільки кроків він може зробити самостійно і де людина повинна підтвердити.
Автономність — це ступінь, до якого система може приймати рішення та діяти самостійно без покрокового керівництва людини. Автоматичне створення копії файлу має низьку автономність та ризик; автоматичне надсилання електронних листів, здійснення платежів або видалення даних значно підвищує ризик. Що важливіше завдання, то більше слід звужувати дозволи та додавати точки підтвердження.
Планування — це розбиття мети на кроки, які можна виконати послідовно. Як і підготовка до подорожі: спочатку визначити дати, потім перевірити транспорт, забронювати житло та скласти список речей. Агенти також планують, коли стикаються зі складними завданнями; гарний план не гарантує успішного виконання, і кожен виконаний крок потребує перевірки фактичних результатів.
Інструмент — це зовнішня можливість, яку може викликати AI, наприклад, веб-пошук, калькулятор, база даних, календар та електронна пошта. Сама модель більше схожа на мозок, відповідальний за судження; інструменти дають їй руки та очі. Без інструментів модель може відповідати лише на основі наявного контексту; після підключення інструментів вона має можливість запитувати та діяти.
Виклик інструменту — це коли модель вибирає інструмент відповідно до заданих форматів і заповнює необхідні параметри, які потім виконує програма і повертає результат моделі. Це як менеджер, який заповнює наряд на роботу для співробітника. Модель відповідає за визначення "що викликати", а конкретний код відповідає за виконання запиту, обчислення або запис.
Плагін — це пакунок розширення, встановлений у програмне забезпечення для додавання функціональності. Браузер може перекладати веб-сторінки після встановлення плагіна перекладу; AI-застосунок може підключатися до файлів, календарів або сторонніх сервісів після встановлення плагіна. Плагіни зазвичай залежать від конкретних продуктів, і те, що вони можуть робити, залежить від інтерфейсів і дозволів, наданих продуктом.
Навичка (Skill) — це набір багаторазових інструкцій, скриптів і ресурсів, які навчають Agent стабільно виконувати певний тип завдання. Це як стандартна операційна процедура для співробітника: які матеріали спочатку прочитати, яких кроків дотримуватися і як перевірити результати — усе чітко прописано. Промпт часто вирішує одноразове завдання, тоді як навичка більше підходить для повторного виконання однотипної роботи.
MCP — це відкритий протокол, який дозволяє AI-застосункам підключатися до зовнішніх даних та інструментів. Найкраща метафора — USB-C світу AI: раніше кожен інструмент потрібно було адаптувати окремо; тепер вони можуть надавати можливості відповідно до одного стандарту підключення. Він вирішує питання "як підключитися", але не визначає цілі завдання для Agent.
Хост MCP — це AI-застосунок, який фактично використовує користувач, наприклад, настільний асистент, редактор коду або платформа Agent. Він відповідає за управління користувачами, моделями, дозволами безпеки та кількома підключеннями. Уявіть Хост як комп'ютер: це все середовище використання, де знаходиться клієнт MCP.
Клієнт MCP знаходиться всередині Хоста і відповідає за встановлення та підтримку зв'язку з конкретним сервером MCP. Він виявляє, які інструменти та матеріали надає сервер, і надсилає запити на виклик. Як і комп'ютер, підключений до принтера, потребує спеціального каналу зв'язку всередині для управління цим підключенням.
Сервер MCP — це програма, яка надає інструменти, матеріали або шаблони промптів AI-застосункам відповідно до специфікацій MCP. Наявність "Сервер" у назві не означає, що він повинен бути далеко; він також може працювати на вашому комп'ютері. Наприклад, локальний файловий сервер може дозволити AI читати файли в авторизованих каталогах.
Інструмент MCP — це конкретна дія, яку сервер надає для виконання AI, наприклад, запит погоди, створення розкладу, читання бази даних або надсилання повідомлення. Кожен інструмент визначає, які параметри йому потрібні. Дії запиту мають нижчий ризик, тоді як надсилання, видалення або оплата повинні мати чіткі дозволи та підтвердження.
Ресурс MCP — це вміст, що надається через MCP для читання AI, наприклад, файли, записи бази даних, структури проєктів або стани застосунків. Це більше схоже на матеріали, розкладені на столі, тоді як інструмент більше схожий на кнопку, яку можна натиснути. Чи можна прочитати ресурс, все ще залежить від дозволів доступу, встановлених Хостом і Сервером.
Промпт MCP — це шаблон промпту, який можна використовувати повторно, наданий Сервером, щоб допомогти користувачам ініціювати завдання фіксованим способом. Це як попередньо встановлений шаблон таблиці, який розташовує поля та структуру завдання, які потрібно заповнити. Він не виконує дії автоматично; його все одно потрібно вибрати користувачеві та обробити моделі.
Пам'ять — це інформація, яку система зберігає та використовує пізніше, яка може включати поточні підсумки чату, вподобання користувача, історію завдань і довгострокові дані. Коли AI "пам'ятає вас", це зазвичай означає, що ця інформація зберігається і надається моделі знову в наступних діалогах. Пам'ять впливає на досвід, а також потребує уваги до конфіденційності та методів видалення.
Людина в циклі (Human in the loop) означає, що ключові кроки повинні бути перевірені, вибрані або затверджені людиною. AI може організувати список повернень і заповнити чернетки, але фактичний переказ підтверджує фінансовий відділ. Це використовує швидкість AI, уникаючи непоправних наслідків, спричинених неповною інформацією або неправильним судженням.
Мультиагентність (Multi-agent) — це дозвіл кільком Agents співпрацювати, наприклад, один отримує дані, один пише чернетку статті, а один перевіряє цитати. Це як команда проєкту; коли розподіл праці розумний, вона може паралельно виконувати складні завдання. Однак більше членів також збільшує комунікацію, дублювання роботи та поширення помилок, тому більше Agents не завжди краще.
A2A — це спосіб зв'язку між Agents для обміну завданнями, статусом і результатами. MCP більше зосереджується на тому, як Agents підключаються до інструментів і даних, тоді як A2A більше зосереджується на тому, як один Agent передає завдання іншому. Уявіть перше як "підключення пристроїв", а друге як "передавання роботи між колегами".
Комп'ютерне використання (Computer Use) — це дозвіл AI керувати програмним забезпеченням шляхом спостереження за екраном, руху миші, кліків і введення тексту. Це як віддалений оператор, який може використовувати веб- та настільні застосунки без спеціальних API. Зміни інтерфейсу можуть призвести до того, що він натисне не те місце; підтвердження людиною є обов'язковим для платежів, видалень та вихідних повідомлень.
Пісочниця — це ізольоване середовище, яке обмежує діапазон активності програми. Це як огороджений майданчик з піском для дитини; вона може пробувати речі, і якщо щось піде не так, це не зачепить важливі файли або систему. Коли ви дозволяєте Agent запускати код, завантажувати файли або змінювати проєкти, пісочниця зменшує діапазон впливу, але не може замінити всі перевірки безпеки.
Запам'ятайте одне речення з цього розділу: Agent відповідає за прийняття рішень і дії, Tool надає конкретні можливості, Skill навчає його, як це робити, а MCP відповідає за підключення AI до зовнішніх можливостей.
V. Комп'ютерні терміни, які ви зустрінете в уроках AI
Ці слова були винайдені не лише в галузі AI, але вони часто з'являються під час вивчення Agent, автоматизації та локальних моделей. Якщо ви їх зрозумієте, багато уроків не будуть здаватися іноземною мовою.
API — це точка входу для спілкування програмного забезпечення за угодою. Вам не потрібно пробиватися на кухню ресторану; ви просто замовляєте через офіціанта. API — це як офіціант у світі програмного забезпечення, який приймає ваш запит, передає його на сервер і приносить результат. Погодні застосунки, платіжні сервіси та великі моделі можуть викликатися іншими програмами через API.
API-ключ — це секретний обліковий запис, який використовується під час доступу програми до сервісу, для ідентифікації того, хто викликає, і часто пов'язаний з лімітами використання та оплатою. Це як PIN-код банківської картки; кожен, хто його отримає, може використовувати ваш ліміт. Не розміщуйте повні ключі в публічному коді, скріншотах, уроках або групових чатах.
SDK — це набір коду, інструкцій, прикладів та інструментів, які зазвичай використовуються під час розробки застосунків для платформи. Якщо API говорить вам "як замовити", то SDK готує меню, посуд і демонстраційні страви, заощаджуючи розробникам написання великої кількості базового коду. Різні мови програмування зазвичай мають власні SDK.
CLI — це інтерфейс для керування комп'ютером шляхом введення текстових команд. Графічний інтерфейс дозволяє вам натиснути "Створити папку", тоді як CLI дозволяє ввести рядок команди, щоб зробити те саме. Він виглядає як чорне вікно, але насправді це просто інший спосіб керування; встановлення та запуск інструментів AI з відкритим кодом часто використовують CLI.
Термінал — це вікно, куди вводяться та відображаються команди, наприклад, «Термінал» на Mac або Windows Terminal. Уявіть це як вікно чату між вами та комп'ютером, де команди CLI — це повідомлення, які надсилаються комп'ютеру. Термінал — це вікно, а CLI — це спосіб роботи через текст; ці два поняття часто йдуть разом.
Репозиторій, часто скорочено до Репо, — це місце, де централізовано зберігаються файли проєкту та історія змін. Це як папка проєкту з записами версій, куди можна помістити код, інструкції, зображення та конфігурації. Коли хтось каже «клонувати Репо», зазвичай це означає скопіювати цей проєкт та його історію на ваш власний комп'ютер.
Git — це інструмент для запису змін у версіях файлів. Він може показати, який вміст було змінено і ким, а також зберігати версії з різних етапів. Це як зберігати кожну редакцію під час написання статті, але більш систематизовано. Git працює локально і не потребує постійного підключення до мережі, і це не те саме, що GitHub.
GitHub — це веб-сайт для розміщення Git-репозиторіїв та підтримки спільної роботи. Розробники публікують код, пишуть інструкції, повідомляють про проблеми та спільно змінюють проєкти. Git — це інструмент керування версіями, а GitHub — це платформа, що надає онлайн-розміщення та спільну роботу; вивчаючи AI інструменти з відкритим кодом, ви часто почнете з посилання на GitHub.
Не нервуйте, коли вперше бачите CLI. Перед копіюванням команди перевірте, чи вона буде читати, змінювати, видаляти або завантажувати щось, і практикуйтеся з копією, коли йдеться про важливі файли.
VI. Поширені терміни для локальних моделей та апаратного забезпечення
Уважно розглядати цю групу слів варто лише тоді, коли ви готові запускати моделі на власному комп'ютері. Якщо ви зазвичай використовуєте онлайн AI продукти, достатньо знати загальне значення.
Локальне розгортання — це запуск моделі або програми на вашому власному комп'ютері, телефоні чи робочій машині. Дані проходять через менше зовнішніх сервісів і можуть використовуватися офлайн; однак, встановленням, оновленнями, продуктивністю та безпекою доведеться займатися самостійно. Це підходить для тих, хто цінує контроль над даними або потребує фіксованого середовища, але це не означає, що воно автоматично є абсолютно безпечним.
Хмарний API — це коли модель працює на віддаленому сервері постачальника послуг, а користувачі надсилають запити та отримують результати через мережу. Це як піти в ресторан замовити страву; вам не потрібно купувати плиту та інгредієнти, що полегшує початок роботи; водночас на нього впливають мережа, ціни, ліміти викликів, правила платформи та політика даних.
Відкритий код зазвичай означає, що вихідний код є публічним за певною ліцензією, що дозволяє іншим переглядати, змінювати та поширювати його в межах, дозволених ліцензією. Публічне завантаження не означає, що його можна вільно використовувати в комерційних цілях; різні ліцензії мають дуже різні вимоги. Коли ви бачите «AI з відкритим кодом», вам все одно потрібно подивитися, які частини коду, даних та ваг насправді є відкритими.
Відкриті ваги означають, що параметри після навчання моделі можна завантажити, що дає користувачам можливість запускати або додатково налаштовувати їх на власних пристроях. Навчальні дані, повний код навчання та комерційні права не обов'язково відкриваються одночасно. Отже, відкриті ваги та повний відкритий код — це різні речі; як саме їх можна використовувати, залежить від ліцензії моделі.
GPU спочатку були призначені для обробки графіки, а також дуже добре підходять для виконання великої кількості однотипних обчислень одночасно, тому їх широко використовують для навчання та запуску AI моделей. Це як велика група людей, які можуть вирішувати завдання паралельно. При купівлі комп'ютера для запуску локальних моделей модель GPU та обсяг відеопам'яті зазвичай важливіші, ніж у звичайних офісних сценаріях.
VRAM — це високошвидкісна пам'ять, яка використовується самим GPU, куди під час роботи потрібно поміщати ваги моделі та проміжні дані. Модель — це як великий набір кубиків, а VRAM — як стіл; якщо стіл замалий, кубики не помістяться, і модель може не завантажитися або вимагатиме повільніших, більш економних методів.
7B або 70B у назвах моделей зазвичай позначають приблизно 7 або 70 мільярдів параметрів. Параметри можна розуміти як величезну кількість внутрішніх чисел, які модель вивчила після навчання. Більші числа зазвичай означають більше пам'яті та обчислювальних ресурсів; це не означає безпосередньо більшу потужність, оскільки якість навчання та конкретні завдання так само важливі.
VII. Якщо ви запам'ятаєте лише 10 слів
Вам не потрібно запам'ятовувати 66 слів. Прочитавши вперше, спочатку запам'ятайте ці 10:
- AI: Змушувати машини виконувати завдання, які потребують розуміння, судження, прогнозування або творення.
- LLM: Великі моделі, відповідальні за розуміння та генерацію мови.
- Token: Невеликі фрагменти, які модель використовує під час читання та запису тексту.
- Контекст: Інформація, до якої модель може звернутися цього разу.
- Prompt: Вимоги та матеріали, які ви надаєте AI.
- Галюцинація: Ситуація, коли AI видає неправильний вміст, який звучить дуже правдоподібно.
- RAG: Спочатку отримання інформації із зазначених матеріалів, а потім формування відповіді.
- Агент: Система, яка може постійно приймати рішення та діяти для досягнення мети.
- MCP: Відкритий протокол, що з'єднує AI із зовнішніми даними та інструментами.
- CLI: Інтерфейс для керування комп'ютером за допомогою текстових команд.
Кілька місяців тому я також починав з розуміння одного слова в день. Вам не потрібно запам'ятовувати всі 66 слів сьогодні; якщо наступного разу, побачивши Agent, Skill або MCP, у вашій голові з'явиться загальна картина, цей словник уже виконав своє призначення.
У майбутньому, коли ви зустрінете незнайому абревіатуру, спочатку запитайте, до якої категорії вона належить: Модель, Діалог, Дані, Агент, Інтерфейс чи Апаратне забезпечення? Якщо ви зможете помістити слово в ці шість шухляд, більшість AI статей стануть набагато зрозумілішими.
Про автора
