DigitableCourses
Настройки портала
English
Показать возможности портала

Локально и без аккаунта. Аккаунта нет, регистрация не нужна: введённое в инструменты остаётся в localStorage браузера и на сервер не уходит.

Свой счётчик считает открытия страниц и дочитывания: уезжает адрес и десятая доля текста. Без cookies и чужих счётчиков, IP не хранится, Do Not Track уважается. Как это проверить

Репозиторий портала не выложен, «открытым кодом» мы его не зовём. Открыто это:

Digit flang Допуск агента tools-core IT Tools Chat digitwm blender-mcp Hugging Face Лицензии

Живёт портал на донатах, платных консультациях и разборах по запросу и покупке Workbench.

Поддержать Заказать разбор Workbench

Планов делать курсы платными нет.

Карьера

AI Engineer · LLM и агенты

Создаёт приложения с LLM: RAG, агенты, оценка качества, безопасность и эксплуатация.

Роли и переходы Самооценка

Шаг 2 из 2 · AI Engineer · LLM и агенты

На каком уровне внутри роли?

Куда отсюда ходят: Бэкенд-разработчик, Данные и машинное обучение, SRE и платформенная инженерия, Архитектор, Тимлид, техлид, engineering manager

Не знаю уровень — открыть карточку роли целиком Выбрать другую роль

  1. LLM-разработчик
  2. AI Engineer
  3. Senior / Staff AI Engineer

LLM-разработчик

Отметить навыки

От промпта переходите к воспроизводимой функции с проверкой ответа.

Сделать сейчас

  • Сравниваю модель с решением без неёЕсть одинаковый набор примеров и понятный критерий выбора.
  • Задаю схему ответа и проверяю ошибкиНевалидный ответ обрабатывается явно, а не попадает в продукт.
  • Собираю набор проверочных примеровВ наборе есть обычные случаи, отказы и неожиданный ввод.

Куда дальше

AI Engineer

Вбок из роли

Навыки, ошибки и учебные материалы

Что на ступени спрашивают

  • Проверяю структурированный ответСхема и обработка отказов проверены на примерах.
  • Сравниваю качество на фиксированном набореСохраняю вход, ожидаемый результат и ответ модели.
  • Объясняю ограничения контекста и токенизацииУчитываю усечение контекста и не обещаю модели память без хранения.

Обычные ошибки

  • Принимать красивый ответ за верный: ошибка попадает к пользователю.
  • Менять промпт без повторной проверки: исправление ломает другие примеры.

Что учить

  1. LLM-разработчик
  2. AI Engineer
  3. Senior / Staff AI Engineer

AI Engineer

Отметить навыки

Предмет работы расширяется с одного ответа до надёжности всей цепочки.

Сделать сейчас

  • Отдельно проверяю поиск и генерациюМогу показать, где потерялся нужный документ и где исказился ответ.
  • Ограничиваю права и вызовы инструментовОпасное действие требует явного разрешения вне ответа модели.
  • Измеряю стоимость и задержку запросаПо трассировке видны модель, контекст, вызовы, ошибки и расходы.

Куда дальше

Senior / Staff AI Engineer

Вбок из роли

Навыки, ошибки и учебные материалы

Что на ступени спрашивают

  • Строю поиск с проверяемыми источникамиОтвет связывается с документом, а качество поиска проверяется отдельно.
  • Проектирую ограниченный цикл агентаЕсть лимиты, обработка отказов и передача управления человеку.
  • Проверяю prompt injection и границы данныхНедоверенные документы не получают прав системных инструкций.

Обычные ошибки

  • Считать найденный документ инструкцией: внедрённый текст меняет поведение агента.
  • Давать агенту неограниченные повторы: растут расходы и побочные действия.

Что учить

  1. LLM-разработчик
  2. AI Engineer
  3. Senior / Staff AI Engineer

Senior / Staff AI Engineer

Отметить навыки

Результатом становится система, с которой другие команды безопасно выпускают свои функции.

Сделать сейчас

  • Выбираю между поиском, дообучением и обычным кодомРешение опирается на данные, качество, стоимость и эксплуатационные ограничения.
  • Ввожу общие проверки перед выпускомКоманды воспроизводят проверки и видят регрессии до развёртывания.
  • Планирую деградацию и смену моделиПри отказе провайдера продукт сохраняет управляемое поведение.

Куда дальше

Дальше не ступень, а развилка

Вбок из роли

Навыки, ошибки и учебные материалы

Что на ступени спрашивают

  • Проектирую эксплуатацию LLM-системыОпределены наблюдаемость, бюджеты, откат и поведение при отказе.
  • Обосновываю необходимость дообученияСравниваю с базовой моделью и поиском на том же наборе задач.
  • Организую воспроизводимую оценку системыКоманды используют версии наборов и разбирают ошибки по категориям.

Обычные ошибки

  • Строить платформу до потребности команд: поддержка дороже полезного результата.
  • Выбирать модель по одному бенчмарку: поведение на продуктовых данных остаётся неизвестным.

Что учить

Исходники IT Tools · GPL-3.0 Исходники Digitable Chat · GPL-2.0-or-later Документы