Przewodnik po zasobach LLM
Poznaj każdy typ zasobu: do czego służy, kiedy go używać i jak.
Glossary: AI concepts explained simply →
Publikowanie bez formularza: API, wiersz poleceń i GitHub Actions →
Produkcja — używanie modelu w produkcji, bez jego zmieniania
Kontekst to zestaw instrukcji i przykładów, które model AI otrzymuje przed pytaniem użytkownika.
Prompt to szablon tekstu wielokrotnego użytku ze zmiennymi w podwójnych nawiasach klamrowych, na przykład {{produkt}}.
Agent to asystent AI, który łączy kolejne kroki, aby wykonać zadanie: wykonuje instrukcje, korzysta z serwerów MCP i kontekstów oraz przestrzega zabezpieczeń..
Potok RAG (retrieval-augmented generation) pozwala modelowi odpowiadać na podstawie Twoich dokumentów: są one dzielone i zamieniane na embeddingi, a przy każdym pytaniu przydatne fragmenty są wyszukiwane i przekazywane modelowi..
Przepływ pracy to łańcuch kroków, w którym uczestniczy AI: pobranie danych, analiza przez model, a potem wysłanie wyniku dalej.
Schemat wyjścia to JSON Schema, który dokładnie opisuje kształt oczekiwanej odpowiedzi: jakie pola, jakie typy, które są wymagane.
Trenowanie — zmienianie modelu przez trenowanie
Zbiór danych (dataset) to zestaw przykładów w formacie JSONL (jedna linia JSON na przykład), używany do trenowania lub oceny modelu..
LoRA dopasowuje istniejący model do zadania bez pełnego ponownego trenowania: trenowane są tylko małe adaptery.
Ewaluacja to zestaw przypadków testowych (wejście i oczekiwana odpowiedź) z metodą oceniania.
Korpus to zestaw dokumentów już podzielonych na fragmenty, każdy ze swoim tekstem i źródłem.
Funkcja nagrody ocenia odpowiedź modelu podczas uczenia ze wzmocnieniem: model uczy się dawać odpowiedzi, które dostają najlepszą ocenę.
Przepis na dane syntetyczne wyjaśnia, jak wygenerować zbiór danych za pomocą modelu: prompt tworzący przykłady, użyty model, docelowy format, liczbę przykładów i filtry odrzucające złe przykłady..
Wytyczne anotacji podają instrukcje, jak spójnie etykietować dane: listę etykiet, definicję każdej z nich i przykłady z adnotacjami.
Rozszerzenia — podłączanie narzędzi do modelu
Serwer MCP (Model Context Protocol) daje asystentowi AI nowe możliwości: czytanie plików, odpytywanie bazy danych, wywoływanie usługi.
Skill to pakiet instrukcji (plik SKILL.md), który asystent taki jak Claude wczytuje tylko wtedy, gdy zadanie tego wymaga.
Harness to środowisko, w którym pracuje agent: jego plik instrukcji (np.
Pamięć pozwala asystentowi AI zachować informacje z jednej rozmowy do następnej: preferencje, decyzje, kontekst projektu.
Infrastruktura — uruchamianie modelu na własnej maszynie
Konfiguracja inferencji to zestaw ustawień potrzebnych do uruchomienia modelu na własnym komputerze: silnik (Ollama, vLLM, llama.cpp), kwantyzacja, rozmiar kontekstu i polecenie uruchomienia..
Stack to zestaw usług AI, które działają razem i uruchamiają się jednym poleceniem: na przykład model, baza wektorowa i interfejs czatu, opisane w pliku docker-compose..
Zgodność — wykazanie, że AI jest bezpieczna i zgodna z prawem
Zabezpieczenie to zestaw reguł, który kontroluje, co trafia do asystenta AI lub z niego wychodzi: blokowanie danych osobowych, wykrywanie wstrzyknięć promptu, odrzucanie pytań nie na temat..
Red teaming polega na celowym atakowaniu asystenta AI, aby znaleźć jego słabe punkty, zanim zrobią to użytkownicy: obchodzenie reguł, wycieki danych, wstrzyknięcia promptu, obietnice, których nie może składać..
Dokumentacja AI Act to szablon do wypełnienia, aby spełnić wymogi unijnego rozporządzenia o AI (AI Act): informacja o przejrzystości, opis danych treningowych, ocena ryzyka lub rejestr systemów..
Polityka korzystania z AI ustala wewnętrzne zasady organizacji: jakie narzędzia są dozwolone, jakich danych nigdy nie wolno wysyłać do AI, kiedy kontrola człowieka jest obowiązkowa.