Diagramy jako kod, bez zbędnych komplikacji.
Mermaid to narzędzie do tworzenia diagramów oparte na tekście, przeznaczone dla osób, które wolą pisać diagramy niż przeciągać kwadraty po płótnie. Wykorzystuje składnię podobną do Markdownu do opisu schematów blokowych, diagramów sekwencji, diagramów klas, maszyn stanów, osi czasu, diagramów Gantta, diagramów relacji encji i wielu innych.
Organizuj notatki według akcji, a nie tematów.
Organizowanie notatek według tematów brzmi logicznie, dopóki nie masz notatek na temat PostgreSQL w pięciu różnych folderach i nie możesz znaleźć tej, która ma znaczenie dla problemu dnia.
Notatki, które się rozwijają, a nie ulegają zanikowi.
Większość notatek inżynierskich jest pisana raz i zapominana. Zapisujesz coś podczas sesji debugowania, wklejasz to gdzieś i znajdujesz ponownie dwa lata później, nie mając pojęcia, dlaczego to kiedykolwiek miało znaczenie.
Publikuj wiedzę, która się rozwija, a nie tylko posty.
Dominujący model publikowania wiedzy w internecie nie zmienił się zbyt wiele od wczesnych lat 2000.: napisz coś, dopracuj, opublikuj i przejdź dalej.
Odpowiedni model dla odpowiedniego zadania.
Uruchamianie modelu o 70 miliardach parametrów w celu podsumowania 200-znakowego e-maila jest marnotrawstwem. Zastosowanie modelu o 3 miliardach parametrów do recenzji kodu produkcyjnego jest bezmyślną ryzykownością. Większość systemów funkcjonuje gdzieś w tym spektrum – i tutaj z pomocą przychodzi routing modeli.
Wybierz najprostszy działający wzorzec.
Systemy oparte na jednym modelu są proste. Systemy wielomodelowe są potężne. Wyzwanie nie polega na wyborze modeli – chodzi o zaprojektowanie architektury, która je koordynuje.
Wykorzystuj tokeny tam, gdzie naprawdę liczą się one najbardziej.
Koszt LLM-ów rośnie liniowo wraz z wolumenem używania. System przetwarzający 10 000 zapytań dziennie przy cenie 0,01 USD za zapytanie kosztuje 100 USD dziennie — 365 USD rocznie. W skali przedsiębiorstwa to ponad 10 000 USD.
Kontroluj ryzyko, nie tylko model.
Modele językowe (LLM) są nieprzewidywalne. Mogą halucynować, wyciekać dane, generować szkodliwe treści lub odmawiać spełnienia legalnych żądań. Mechanizmy ochronne (guardrails) ograniczają zachowanie modelu, nie tracąc przy tym jego możliwości.
Pamięć robocza, strukturalna i odzyskiwania dla asystentów.
Pamięć zamienia asystentów w systemy trwałych, a nie tylko reaktywnych, ale to właśnie tam wiele systemów cichnie i podlega degradacji. Ankiety wskazują, że podział na pamięć krótkotrwałą i długotrwałą już nie wystarczy dla pamięci nowoczesnych agentów; SDK OpenAI i LangGraph wskazują na prostszy stos — pamięć roboczą, trwały stan i pobieranie danych (retrieval).
Jak naprawdę buduje się poważnych asystentów.
Produkcjny asystent AI to nie „LLM z promptem”. To system, który przyjmuje intencję, utrzymuje stan, decyduje, kiedy pobierać dane lub wykonywać akcje, oraz udostępnia wystarczająco szczegółowych danych środowiska uruchomieniowego do debugowania awarii.
AI zmienia zarządzanie wiedzą, nie jej cel.
AI nie zastępuje zarządzania wiedzą; zmienia jej kształt zarówno dla osób indywidualnych, jak i zespołów.
Stwórz graf wiedzy deweloperskiej.
Programiści zwykle nie cierpią z powodu braku informacji. Problemem jest ich nadmiar.
Gwiazdki, tokeny, pobrania — kto naprawdę wygrywa?
Otwartoźródłowe frameworki agentów AI przeżywają na GitHubie okres wybuchowego wzrostu popularności. Dwa projekty, które stanowią rdzeń ekosystemu systemów AI self-hostowanych — OpenClaw i Hermes Agent — odniosły tak ogromną przewagę, że reszta branży walczy o daleko odległe trzecie miejsce.
MTP vs. standardowe dekoding na karcie RTX 4080 — rzeczywiste benchmarki
Przetestowałem wydajność dekodowania spekulatywnego (Predykcja Wielu Tokenów, MTP) w modelach Qwen 3.6 27B i 35B na karcie RTX 4080 z 16 GB pamięci VRAM.
Darmowa pamięć VRAM bez zabijania llama-server.
Tryb routera w llama.cpp to jedna z najbardziej przydatnych zmian wprowadzonych do llama-server w ciągu ostatnich lat. Wreszcie daje lokalnym operatorom modeli LLM coś w rodzaju zarządzania modelami, do którego są przyzwyczajeni z Ollama, jednocześnie zachowując surową wydajność i kontrolę na niskim poziomie, która sprawia, że warto korzystać z llama.cpp w pierwszej kolejności.
Wyszukiwanie nie jest strukturą wiedzy
Większość współczesnych systemów wiedzy optymalizuje wyszukiwanie (retrieval), co jest zrozumiałe. Wyszukiwanie jest widoczne, łatwe do demonstracji i wydaje się magiczne, gdy działa poprawnie. Wpisujesz pytanie, otrzymujesz odpowiedź.
Otrzymuj nowe wpisy o systemach, infrastrukturze i inżynierii AI.
