Контекстное окно LLM: рост от 4K до миллионов токенов, lost in the middle, long context vs RAG, prompt caching, стоимость и техники работы с длинным контекстом.
Галлюцинации LLM: типы (factual, contextual, source), причины, методы снижения (RAG, low temperature, citation, Chain-of-Verification) и метрики (RAGAS, FactScore).
Эмбеддинги 2026: история от Word2Vec до современных моделей, размерность, лидеры (OpenAI, Cohere, BGE, E5), мультиязычные и мультимодальные модели, CLIP.
Prompt engineering 2026: 20 практических техник — Zero-shot, Few-shot, Chain-of-Thought, ReAct, Self-Critique, Meta-prompting. Антипаттерны и frameworks RACE, CRISPE.
AI-агенты 2026: компоненты (LLM, tools, memory, planning), паттерны (ReAct, Plan-and-Execute), фреймворки (LangChain, CrewAI) и продукты (Claude Code, Cursor, Devin).
Model Context Protocol (MCP): архитектура Host-Client-Server, транспорты, готовые серверы, безопасность и создание собственного MCP-сервера на Python.
OpenAI обновил Canvas: совместное редактирование текста и кода стало быстрее. AI вносит правки точечно, а не переписывает документ целиком.
Векторные БД 2026: алгоритмы HNSW, IVF, ScaNN, метрики близости, обзор Pinecone, Weaviate, Qdrant, Milvus, ChromaDB, pgvector — как выбрать под задачу.
Alibaba выпустила Qwen 3 — обновлённое семейство open-source моделей. Гибридное мышление, MCP-поддержка и конкуренция с Llama 4 и Gemma 4.
Сравнение трёх подходов адаптации LLM: prompt engineering, RAG и fine-tuning. Когда что выбирать, стоимость, сложность реализации, гибридные подходы и типичные ошибки.
RAG 2026: архитектура (query, retrieval, augment, generation), виды (naive, advanced, modular, agentic), стек (LangChain, Pinecone, Qdrant) и метрики качества.
LLM 2026: архитектура Transformer, обучение (pre-training, SFT, RLHF), контекстное окно, топ моделей (GPT, Claude, Gemini, Llama, Qwen) и применение в бизнесе.