Как работают RAG и LLM WIKI. Объясняю за 8 минут.

tg-канал: https://telegram.me/azatai В этом видео простыми словами разбираем, как устроена память AI-агентов: что такое RAG, как работает векторная база, зачем нужны чанки и эмбеддинги, а также чем LLM Wiki отличается от обычного поиска по документам. На примерах бизнеса и магазина показываю, почему RAG — это скорее быстрый поиск нужного контекста, а LLM Wiki — более высокий уровень организации знаний, где факты связываются между собой, обновляются и превращаются в живую карту памяти. Тайм-коды: 00:00 — Почему AI-агентам не хватает настоящей памяти 00:33 — Что разберём в видео 00:52 — Что такое RAG на простом примере 01:19 — Как RAG получает контекст из базы знаний 01:26 — Как создаётся и очищается база знаний 01:58 — Что такое чанки и зачем нужен чанкинг 02:34 — Эмбеддинги: как текст превращается в векторы 03:13 — Как формируется векторная база 03:16 — Подписка и Telegram-канал 03:32 — Как RAG ищет релевантные фрагменты 04:11 — Как LLM отвечает с найденным контекстом 04:46 — Что такое LLM Wiki 05:06 — Пример магазина: разрозненные данные бизнеса 05:43 — Как LLM Wiki превращает факты в карту памяти 06:23 — Как связываются товары, поставки, спрос и персонал 06:46 — Как LLM Wiki помогает отвечать на сложные вопросы 07:25 — Как память LLM Wiki обновляется со временем 07:51 — Главное отличие RAG от LLM Wiki 08:21 — Почему LLM Wiki не заменяет RAG 08:42 — Итог: память агентов как обновляемая структура #AI #искусственныйинтеллект #LLM #RAG #LLMWiki #AIагенты #нейросети #ChatGPT #Claude #машинноеобучение #базазнаний