---

Видео на тему: Trashchenkov - видео

В этом туториале разбираем обновлённый LangChain 1.0 и строим рабочего React‑агента: от базовой схемы reasoning/acting до тонкой настройки контекста на уровне обращения к модели, вызова инструментов и всего жизненного цикла агента. Код туториала можно взять здесь: https://github.com/trashchenkov/gigachat_tutorials/blob/main/ReAct_with_Middleware.ipynb Мастер-класс "Создай своего первого ИИ-агента": https://rutube.ru/video/8915b46d7fb2bd30819e047875f356a2/ Мой ТГ-канал: https://t.me/gigatrash Документация по LangChain: https://docs.langchain.com/oss/python/langchain/overview Тайм-коды: 00:00 Изменения в LangChain 1.0 01:29 Абстракция create_agent и схема ReAct-паттерна (Reasoning + Acting) 05:21 Описание практической задачи: агент для работы с SQLite базой данных 07:16 Установка библиотек и создание базы данных 09:00 Создание инструментов для агента 11:43 Инициализация "ванильного" ReAct-агента с использованием GigaChat и MemorySaver 14:54 Первый запуск агента: добавление нескольких задач одной командой 16:29 Разбор логов работы агента 19:34 Три уровня контекста (Model, Tool, Life-cycle) 20:25 Что такое Middleware в LangChain 26:07 Реализация Middleware для внедрения схемы БД в системный промпт 27:50 Разбор кода декоратора wrap_model_call 30:00 Динамическая модификация списка инструментов: режимы plan (только чтение) и apply (выполнение) 34:25 Сборка агента с использованием Middleware 38:43 Получение структурированного ответа с помощью Pydantic 40:40 Создание агента с параметром response_format 42:21 Tool Runtime: передача данных (например, ID пользователя) в инструменты мимо модели 46:58 Модификация инструмента delete_task для проверки прав доступа 50:52 Тестирование прав доступа: сценарии для обычного пользователя и администратора 54:21 Человек в контуре управления (HITL) 56:30 Использование готового HumanInTheLoopMiddleware для подтверждения действий 58:53 Как меняется граф при добавлении узла прерывания (interrupt) 1:01:00 Практическая демонстрация: запрос подтверждения смены статуса задачи (approve/reject) 1:05:24 Итоги туториалаМой мастер-класс в рамках Junior трека конференции AI Journey Источник: https://aij.ru/program?concreteDate=2025-11-21&streamId=40&topicId=1170 В этом мастер-классе я показываю как создавать простых ReAct-агентов на обновленном фреймворке LangChain 1.0. Помимо обычных инструментов, объясняю про MCP-серверы. Код из этого мастер класса: https://colab.research.google.com/drive/116RSiJjScqYpB5kO0PIeVXuHqpvlzWi-?usp=sharing Мой ТГ-канал: https://t.me/gigatrashВ этом видео мы подробно разберем утилиту gpt2giga — прокси-сервер, который позволяет перенаправлять запросы из OpenAI API в GigaChat API. Ссылка на репозиторий: https://github.com/ai-forever/gpt2giga Вы узнаете, как установить и настроить gpt2giga двумя способами: локально и с помощью Docker. Мы также рассмотрим использование gpt2giga в VS Code (с расширением Kilo Code) и применение со сторонними фремворками на примере Agents SDK. Мой ТГ-канал: https://t.me/gigatrash Таймкоды 00:00 Что такое gpt2giga и как он работает 00:33 Локальная установка (установка через pip, настройка .env и первый запуск) 04:08 Интеграция с VS Code: настройка Kilo Code и первая задача для GigaChat 10:01 Установка через Docker (развертывание на удаленном сервере) 15:33 Практические примеры: создание генератора QR-кодов и скрипта для получения погоды 21:21 Интеграция с OpenAI SDK (Использование gpt2giga в асинхронном Python-агенте) 22:50 Заключение Команды для локальной установки (не забудьте создать и заполнить .env): uv init uv add gpt2giga uv run gpt2giga \ --proxy-host 127.0.0.1 \ --proxy-port 8090 \ --proxy-log-level DEBUG \ --gigachat-model GigaChat-2-Max Команды для установки через Docker (тоже важно не забыть про .env): docker pull gigateam/gpt2giga:latest docker run -d --name gpt2giga \ --env-file ~/gpt2giga/.env \ -p 8090:8000 \ --restart unless-stopped \ gigateam/gpt2giga:latestВ этом видео я покажу, как установить и настроить GigaAgent, универсального агента для решения широкого круга задач. GigaAgent — это open-source решение, которое демонстрирует возможности современных агентов: оркестрировать выполнение задачи, использовать различные инструменты и сервисы, писать и запускать код. Я разверну GigaAgent на виртуальной машине в Cloud.ru и покажу, как он справляется с комплексной задачей: от исследования рынка до создания презентации для инвесторов. Репозиторий GigaAgent на GitHub: https://github.com/ai-forever/giga_agent Репозиторий GigaAgent на GitVerse: https://gitverse.ru/GigaTeam/giga_agent Репозитории включают и инструкцию с командами из этого видео Получение доступа к GigaChat API: https://developers.sber.ru/portal/products/gigachat-api И подписывайтесь на мой канал в ТГ: https://t.me/gigatrash Таймкоды: 00:00 - Вступление 00:14 - Что такое GigaAgent и его возможности 01:01 - Вход в аккаунт Cloud.ru 01:51 - Создание виртуальной машины 05:07 - Подключение к виртуальной машине по SSH 06:14 - Установка GigaAgent и необходимых компонентов 20:13 - Тестирование GigaAgent: первый запуск и взаимодействие 21:39 - Комплексное задание для GigaAgent 30:20 - ЗаключениеМы рассмотрим low code фреймворк на базе LangChain под названием Langflow. С его помощью можно собирать агентов и просто цепочки компонентов из блоков. Каждый блок можно редактировать. Тут уже пригодятся навыки программирования на Python. С помощью программирования мы создадим компонент, чтобы подключать GigaChat, которого изначально во фреймворке нет. Еще посмотрим, как работает локальная модель Llama 3 через Langflow. Также соберем и настроим RAG-систему на материале из прошлых видеороликов. Ссылка на сайт Langflow: https://www.langflow.org/ В этом ролике используется векторное хранилище из туториала: https://youtu.be/slfC9um1qdk Мой канал в Telegram: https://t.me/gigatrash Команды для командной строки Windows: mkdir название_папки - создает папку cd название_папки - переход в соответствующую папку python -m venv название_окружения - создание виртуального окружения название_окружения\Scripts\activate - активирует виртуальное окружение pip install langflow gigachat sentence-transformers - установка необходимых библиотекВсе чаще можно слышать о том, что ИИ движется в своем развитии от больших языковых моделей к большим мультимодельным моделям, которые смогут принимать на вход не только текст, но и изображения, видео, аудио и т.д. В этом туториале мы рассмотрим новую способность GigaChat API видеть и описывать изображения. Также, раз уж занялись изображениями, напишем код для генерации картинок через интерфейс GigaChat API. Код из видео, как всегда, есть в репозитории: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrashВ этом туториале в тандеме с GigaChat мы используем модель Moondream2, которая принимает на вход не только текст, но и картинки. Модель Moondream2 не дружит с русским языком, поэтому будем использовать GigaChat в качестве переводчика. Для организации интерфейса сделаем ТГ-бот. Ссылка на модель: https://github.com/vikhyat/moondream Ссылка на Ollama: https://ollama.com/ Документация по Ollama в LangChain: https://python.langchain.com/v0.2/docs/integrations/chat/ollama/ Код из видео, как всегда, есть в репозитории: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrashВ этом туториале мы кратко рассмотрим, как работают модели для Speech2Text (распознавания речи) и Text2Speech (синтеза речи), а также напишем код с использованием SaluteSpeech API и GigaChat API. Благодаря интерфейсу Gradio мы получим простого, но функционального бота, с которым можно общаться (бот будет помнить контекст диалога). Код из видео, как всегда, есть в репозитории: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrash Документация по SaluteSpeech API: https://developers.sber.ru/docs/ru/salutespeech/overview В бесплатном тарифе дается: - 100 минут аудио в месяц для распознавания, - 200 000 символов в месяц для синтеза речи.В этом туториале мы начнем разбираться с обширной и сложной темой взаимодействия большой языковой модели и БД. Как сделать так, чтобы пользователь писал свой запрос на русском языке, а языковая модель создавала SQL-запросы, которые тут же бы выполнялись? Попробуем разобраться в этом видео. Несколько замечаний по содержанию: - Использовалась БД SQLite для простоты. Проблемы с форматом даты будут только с SQLite. - Проблема с тем, что ответ модели включает в себя не только запрос, но и сгенерированный ответ возникает не для всех БД. Скорее всего, дело в том, что промпт получается слишком длинным из-за большого количества таблиц. Код из видео, как всегда, есть в репозитории: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrashВ этом туториале я покажу, как можно сделать вопросно-ответную систему, которая будет отвечать на вопросы, основываясь на содержании ютубных видеороликов. Такая система будет выдавать не только сгенерированный ответ, но и видеоролики с таймкодами контекста, использовавшегося для генерации ответа. Код к этому ролику вы как всегда найдете в репозитории: https://github.com/trashchenkov/gigachat_tutorials Ссылка на развернутое приложение: https://huggingface.co/spaces/trashchenkov/video_rag Мой канал в Telegram: https://t.me/gigatrashПосле каждого ролика мне приходят вопросы о том, как "скормить" разные файлы большой языковой модели. В прошлом туториале мы уже рассмотрели общую структуру RAG - вопросно-ответных систем, где ответы формируются на основе данных из внешних источников. В этот раз мы подробно поговорим о формировании такого источника из различных файлов. В библиотеках GigaChain/LangChain для этого есть специальные инструменты под названием загрузчики. Мы разберем, как настроить загрузчики и интегрировать их в вашу систему для получения хорошего результата. В этом видео в качестве документов для базы знаний использовались статья https://cyberleninka.ru/article/n/aspekty-sozdaniya-korporativnoy-voprosno-otvetnoy-sistemy-s-ispolzovaniem-generativnyh-predobuchennyh-yazykovyh-modeley и файл с сайта Росстата https://rosstat.gov.ru/labour_costs Блокнот из ролика можно взять из репозитория: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrashБольшие языковые модели могут генерировать тексты, содержащие ложную информацию. Это явление называют "галлюцинациями". Кроме того, знания модели ограничены тем корпусом текстов, на котором она обучалась. Чтобы преодолеть эти ограничения принято прибегать к созданию RAG (Retrieval Augmented Generation) - вопросно-ответных систем, где ответы опираются на внешний источник знаний. Обычно в роли такого источника выступает векторная база данных. В этом туториале мы рассмотрим, как работает RAG, а также создадим свою RAG-систему на основе GigaChat API и GigaChain. В этом видео в качестве текстов для базы знаний использовались статьи с сайта N+1: https://nplus1.ru/search?tags=871 Блокнот из ролика можно взять из репозитория: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrashСбер недавно анонсировал новые версии больших языковых моделей GigaChat с возможностью вызывать функции. В этом туториале мы используем этот функционал для создания агентов. Основное предназначение языковых моделей - это генерация текста на основе промпта. Но что будет, если языковую модель снабдить инструментами и инструкциями, как ими пользоваться? Сможет ли она эффективно решать реальные задачи? Агент в этом смысле представляет собой языковую модель, которой предоставили инструменты и ставят задачи, а она самостоятельно выбирает пути решения и обращается к инструментам. Репозиторий с кодом: https://github.com/trashchenkov/gigachat_tutorials Мой канал в Telegram: https://t.me/gigatrashСервис LMSYS Chatbot Arena Leaderboard - это сервис, где благодаря вашим запросам и оценкам на ответы языковых моделей, определяется, какие LLM самые лучшие. Подробнее можно почитать у меня в Telegram (там же ссылка на сам сервис): https://t.me/gigatrash/14 #shorts #LLM #freeaccessВ этом видео мы рассмотрим реализацию подключения языковой модели GigaChat к Telegram-боту через возможности библиотеки GigaChain (LangChain). Langchain можно использовать для создания приложений с применением больших языковых моделей. Сегодня мы задействуем инструменты памяти для хранения диалогов, а также цепочку ConversationChain для соединения памяти и языковой модели. Код из туториала доступен по ссылке: https://github.com/trashchenkov/gigachat_tutorials Если пропустили прошлое видео, то обязательно посмотрите: https://rutube.ru/video/071dc4279fe2dc87ef7afb7cabd98fd7Библиотека GigaChain является модифицированной версией библиотеки LangChain, представляющей собой мощный инструмент для обработки данных из разных источников. Предобработанные данные могут быть переданы в большие языковые модели для использования их функционала. GigaChain позволяет создавать сложные приложения, включающие обращение к большим языковым моделям. #shorts #GigaChain #LangChain #AI #ИИ #PythonGigachain - это фреймворк на основе библиотеки Langchain для создания приложений с применением больших языковых моделей. В этом видео мы рассмотрим примеры того, как авторизоваться в GigaChat API с помощью инструментов Gigachain, а также попробуем создать диалоговые системы с пользователем, а также устроим диалог GigaChat с самим собой. Код из туториала доступен по ссылке: https://github.com/trashchenkov/gigachat_tutorials Если пропустили прошлое видео, то обязательно посмотрите: https://rutube.ru/video/86016203c18b01fa4a82aa1d719ad121/Это видео начинает серию скринкастов по теме применения большой языковой модели GigaChat. В этом видео мы разберем процесс получения и использования ключей для авторизации в сервисе, сделаем несколько запросов к нейросети GigaChat на генерацию ответов, а также рассмотрим пример генерации картинки по текстовому запросу через GigaChat API. Блокнот из ролика можно взять из репозитория: https://github.com/trashchenkov/gigachat_tutorials Ссылка на видео про начало работы в Google Colab: https://rutube.ru/video/effe13ae59f0261eededc4960457fbaa/?r=wdРабота с алгоритмами машинного обучения может быть довольно затратной в плане вычислительных ресурсов. Одним из решений этой проблемы является использование облачных платформ для реализации своих проектов с ИИ. Облачные ресурсы дают возможность использовать дисковое пространство и даже вычислительные мощности специальных GPU и TPU модулей. Наибольшей популярностью среди облачных решений в этой сфере пользуется Google Colab, представляющий собой расширение для Google Диска. В этом видео показано, как начать работу с Google Colab.