Эта книга – must-read для понимания принципов составления промтов (запросов) к большим языковым моделям (LLM). Без этих знаний взаимодействие с ИИ будет поверхностным и неэффективным.

Что такое LLM? (Spoiler)
Большая языковая модель (LLM) – это нейросеть, обученная на огромных массивах текстовых данных (книги, статьи, код, диалоги). Её ключевые особенности:

• Миллиарды параметров – чем их больше, тем "умнее" модель.
• Понимание контекста – LLM улавливают связи между словами, идеями и даже абстрактными концепциями.
• Генерация текста – от простых ответов до сложных аналитических выводов.
• Мультизадачность – перевод, суммаризация, программирование, креативное письмо и многое другое.

Где прочитать?
- Kaggle (требуется аккаунт)
- PDF (Google Drive, прямое скачивание)

---

Полный план погружения в мир LLM и промт-инжиниринга

1️⃣ VPN – без него никуда

Современные технологии развиваются там, где нет блокировок. Без VPN вы:
- Не получите доступ к лучшим LLM (Claude, Gemini, некоторые версии GPT).
- Не сможете тестировать API (например, через OpenRouter).
- Пропустите ключевые обучающие материалы (курсы, документация, обсуждения).
Да, VPN – это дополнительный шаг, но без него вы останетесь в "информационном вакууме".

2️⃣ Промт-инжиниринг – искусство формулировки запросов

- Это не просто "задать вопрос", а контролировать вывод модели.
- Нужно учиться:

• Чётко ставить задачи ("напиши код" vs. "напиши оптимизированную функцию на Python, которая...").
• Управлять форматом ответа (JSON, Markdown, таблицы).
• Использовать примеры (few-shot prompting).
  Книга выше – отличный старт, но дальше нужно экспериментировать.

3️⃣ Архитектура Transformer – основа всех современных LLM

- Сложная? Да. Можно разобраться в базе? Абсолютно.
- Ключевые компоненты:

• Self-Attention – как модель "понимает" связи между словами.
• Токенизация – как текст превращается в числа.
• Контекстное окно – почему модели "забывают" начало длинного текста.
  Рекомендую видео с VPN (например, MIT или Stanford лекции).

4️⃣ Запустите локальную модель (хотя бы 7B параметров)

- Почему? Чтобы понять ограничения LLM.
- Примеры: Llama 3, Mistral, Phi-3.
- Сравните ответы с GPT-4o или Claude 3 – разница будет очевидна.
Это даст понимание, когда использовать облачные модели, а когда хватит локальных.

5️⃣ Google Android Studio AI – скрытый gem

- Два окна: ваш запрос vs. результат.
- Идеально для:

• Сравнения разных формулировок.
• Тестирования контекстного понимания.
• Экспериментов с кодогенерацией.

6️⃣ Работа с API (DeepSeek, OpenRouter и др.)

- Что важно изучить:

• Роли (system, user, assistant) – как управлять поведением модели.
• Параметры (temperature, top_p, max_tokens) – тонкая настройка ответов.
• Streaming – как получать ответ по частям.
  Попробуйте отправить запрос с разными параметрами и сравните вывод.

7️⃣ AI-агенты – следующий уровень автоматизации

- Как работают? Модель генерирует JSON-инструкции, которые выполняет агент.
- Примеры использования:

• Автоматические сводки новостей (агент парсит сайты и присылает вам на почту).
• Локальные скрипты (например, агент переименовывает файлы по заданному шаблону).
  - Сервисы для быстрого создания агентов:
• AutoGPT
• LangChain
• Microsoft Autogen

---

Зачем всё это нужно?

Промт-инжиниринг – это "программирование 2.0", где вы управляете не кодом, а интеллектом.

---

Что дальше?

- Экспериментируйте с разными моделями.
- Тестируйте агентов на реальных задачах.
- Делитесь промтами – это новая форма коллективного знания.

P.S. Да, тема огромная, но начать можно с малого – книги и пары экспериментов. Главное – не останавливаться!