№ 001
Agentic workflow
Агентный сценарийПоследовательность шагов, в которой LLM‑агент сам выбирает действия и инструменты для достижения цели, а не следует жёсткому скрипту.
Словарь рабочих понятий — от LLM‑агентов и orchestration до attribution и voice‑of‑market. Чтобы команды разговаривали на одном языке, а решения по AI принимались на фактах, а не интуиции.
Последовательность шагов, в которой LLM‑агент сам выбирает действия и инструменты для достижения цели, а не следует жёсткому скрипту.
Дисциплина по управлению рисками AI‑систем: утечка данных, prompt‑injection, нежелательные действия агентов, контроль доступов.
Подход к проектированию процессов и продуктов, где AI заложен в архитектуру с самого начала, а не «доклеен» сверху.
Модель распределения вклада каналов и точек касания в итоговую конверсию: last‑click, linear, data‑driven, Markov и др.
Стандартизированный набор задач, на котором сравнивают качество разных LLM: MMLU, HumanEval, GSM8K, Arena Hard и др.
Языковой профиль бренда: словарь, тон, ритм, что нельзя говорить. Используется как стилевой контракт для AI‑контента.
Метод промптинга, при котором модель формулирует промежуточные шаги рассуждения, повышая качество ответа на задачах с логикой.
Максимальное количество токенов, которое LLM может удерживать в одном диалоге. Определяет, сколько данных можно подать модели за раз.
Системная работа над повышением конверсий сайта, лендингов и форм: гипотезы, A/B‑тесты, поведенческая аналитика.
Унифицированный «контейнер» событий и атрибутов, с которым работают аналитика, маркетинг и AI‑агенты. База для качественной атрибуции.
Перенос знаний из крупной LLM в более компактную модель — для удешевления инференса и работы на edge‑устройствах.
Глоссарий — открытый. Если в вашей нише есть устоявшееся понятие, которое мы пропустили, пришлите его — добавим со ссылкой на источник и на вашу компанию.
Числовое представление текста, изображения или объекта в виде вектора. База для семантического поиска и RAG‑систем.
Набор тест‑кейсов для проверки качества AI‑агента: входы, ожидаемые выходы и метрики прохождения. Без них AI остаётся «вкусовщиной».
Оптимизация контента под выдачу AI‑движков (Perplexity, ChatGPT Search, AI Overviews). FAQ, TL;DR, цитируемость, llms.txt.
Правила и проверки, ограничивающие поведение AI‑агента: фильтры тем, валидация выходов, контроль доступа к данным и инструментам.
Уверенно поданный, но фактически неверный ответ LLM. Снижается с помощью RAG, evals, цитирования источников и human‑in‑loop.
Архитектура, при которой ключевые решения AI‑агента подтверждаются человеком. Применяется для критичных шагов, где цена ошибки высока.
А те, у кого AI работает как часть управляемой системы. Если хотите начать с одного агента или собрать целый отдел — давайте поговорим.