AI / ML
MCP і WebMCP: як ШІ-асистенти діють на сайтах і купують в інтернет-магазинах
Як ШІ-асистент діє на сайті: MCP-сервер та інструменти WebMCP з прикладами коду, підключення до ChatGPT, Claude і Gemini, протоколи покупок через ШІ і що потрібно інтернет-магазину.
GEO: як ChatGPT, Claude і Gemini знаходять і читають сайти
GEO на практиці: як ШІ-асистенти знаходять і читають сайт, яких роботів пускати, що налаштувати в robots.txt, Cloudflare та інших CDN, як готувати текст і розмітку та як виміряти результат.
Рушії інференсу LLM: vLLM, llama.cpp, LiteRT-LM та інші — швидкість, залізо, масштабування
Чим запускати мовні моделі наприкінці 2026 року: рушії vLLM, SGLang, TensorRT-LLM, llama.cpp, MLX, LiteRT-LM і ExecuTorch та програми на їхній основі на кшталт Ollama і LM Studio — завдяки чому рушії швидкі, на якому залізі працюють і як масштабуються, із замірами на ноутбуці.
Порівняння 41 AI-харнеса — від Claude Code до OpenClaw
Агенти для програмування й універсальні агенти: Claude Code, Codex, Cursor, Copilot, OpenCode, OpenClaw, Hermes — ліцензії, моделі, налаштування, пісочниця, бенчмарки, навчання на вашому коді й витоки.
Claude Code — команди, налаштування, прапорці
Довідник Claude Code: усі слеш-команди з розбором аргументів і прикладами, ключі settings.json, правила прав доступу, термінальні підкоманди, прапорці та змінні оточення. Актуально на серпень 2026.
Claude Code — Best Practices
Як організувати роботу з Claude Code: інструкції проєкту, правила та скіли, трекер завдань і багів у репозиторії, план перед кодом, підагенти, контекст, дозволи й витрати бюджету.
Хуки Claude Code
Розбір хуків Claude Code: усі події, коди виходу та JSON-рішення, matcher і if, п'ять типів обробників, і три робочі хуки — звук, контроль лімітів підписки та журнал роботи.
LangChain і LangGraph — агенти, графи і вся інфраструктура навколо них
Як влаштовано стек LangChain 1.x і LangGraph 1.x: models і messages, tools, create_agent і middleware, StateGraph з reducers, checkpointers і store, streaming, human-in-the-loop, LangSmith, Agent Server і langgraph CLI, міграція з 0.x.
Техніки промпт-інжинірингу для великих мовних моделей
Ручка зусилля в reasoning-моделей, суворі схеми відповіді, промпти для агентів, роздільники, XML-теги та few-shot: як формулювати промпти для ChatGPT, Claude і Gemini заради передбачуваної відповіді.
DSPy — Автоматична генерація промптів
DSPy 3.4 на прикладі агента підтримки: сигнатури замість тексту промпту, інструменти, метрика, оптимізатори MIPROv2 і GEPA, збереження результату і що зміниться в DSPy 3.5.
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.
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.
LoRA — Донавчання AI LLM моделей
Донавчання LLM за допомогою LoRA: коли воно краще за RAG, а коли ні, як влаштовані адаптери, і два повні приклади для Gemma 4 E2B на Unsloth і PEFT з експортом у GGUF.
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.
Локальний запуск LLM-моделей на Android-смартфоні
Чим запустити мовну модель просто на Android: LiteRT-LM, llama.cpp, MediaPipe, MLC LLM та ONNX Runtime GenAI — що вибрати, як підготувати модель і код на Kotlin, який правильно зупиняє генерацію.
Нейромережі простими словами
Як влаштована LLM: токенізація, embedding, attention у трансформері, квантування та семплери, які визначають вибір наступного токена.