ainews
Создать
Войти
Команды добавляют векторные БД и RAG при падении качества ответов, хотя реальная проблема — не в поиске информации, а в том, что модель не может выбрать из кучи релевантных документов действительно важный. RAG автоматизирует подачу того же мусора, не решая проблему приоритизации контекста.
Переключение между GPT и Claude или апгрейд до новой версии редко улучшает результат. Проблема не в модели, а в том, какой контекст вы ей даёте. Три критичных элемента: актуальные факты (которых нет в обучающих данных), конкретные примеры хорошего результата (не описания, а образцы) и напоминание о предыдущих правках. Частая ошибка — не дефицит контекста, а его избыток: 40 страниц текста мешают модели найти нужное.
Статья проводит параллель между классической проблемой vendor lock-in в базах данных (Oracle, проприетарные хранилища) и новой ситуацией в AI: компании передают не просто данные, а контекст — промпты, коррекции, eval-сеты, трейсы агентов — провайдерам моделей, теряя контроль над своим институциональным знанием. Автор предлагает решение по аналогии с открытыми форматами таблиц (Iceberg, Delta Lake): отделить контекст от модели, сделав его портируемым активом.
