AI / ML

• Cursor IDE — Best Practices

  Практики роботи з Cursor IDE: Rules для проєкту та папок, режим Auto, MCP-сервери, декомпозиція задач і перевірка змін перед commit.

• LLama.cpp AI LLM Engine — Як це працює

  Як влаштований інференс у llama.cpp: завантаження GGUF, токенізація, побудова обчислювального графа, KV-cache та семплінг токенів.

• LoRA — Донавчання AI LLM моделей

  Донавчання LLM за допомогою LoRA: чим підхід відрізняється від RAG, як навчити адаптери для gemma-3-4b на unsloth і peft та зібрати GGUF.

• Offline AI Launcher — запуск AI LLM нейромереж на смартфоні

  Застосунок Offline AI Launcher: як запускати LLM Gemma, DeepSeek, Llama і Qwen просто на Android із моделей .gguf, без інтернету та підписки.

• RAG (Retrieval-Augmented Generation), Function / Tools Calling, CAG (Cache-Augmented Generation) для LLM моделей

  RAG, Function Calling і CAG для локальних LLM: як працює векторна база та приклади на Kotlin, Dspy, LangChain, LangChain4j і llama.cpp.

• Векторні бази даних

  Векторні бази на практиці: чим відрізняються Milvus, Qdrant і Weaviate, як рахуються ембединги, працюють індекси HNSW та пошук за схожістю.

• Нейромережі простими словами

  Як влаштована LLM: токенізація, embedding, attention у трансформері, квантування та семплери, які визначають вибір наступного токена.

• Техніки промпт-інжинірингу для великих мовних моделей

  Роздільники, XML-теги, few-shot, псевдокод та ієрархія правил: як форматувати промпти для ChatGPT, Claude і Gemini заради передбачуваної відповіді.