Объяснение температуры LLM и Top-p: Как модели ИИ выбирают свое следующее слово
Температура и top-p — это два параметра, которые определяют, насколько предсказуемы или разнообразны ответы модели ИИ. Мы смоделировали лежащие в их основе математические задачи на игрушечном примере, чтобы вы могли точно увидеть, как каждая настройка влияет на выбор модели.
- Модель вычисляет вероятность для каждого возможного следующего токена, а затем выбирает один из них.
- Температура меняет форму этих вероятностей: низкие значения делают их более резкими, а высокие — сглаживают.
- Top-p сохраняет только наиболее вероятные токены, которые вместе достигают порога вероятности.
- Используйте низкую температуру для извлечения и кода, умеренную для чата и меняйте одну настройку за раз.
Задайте модели ИИ один и тот же вопрос дважды, и вы можете получить два разных ответа. Попросите его извлечь дату из счета-фактуры, и вы каждый раз будете получать один и тот же ответ. Попросите у него десять идей для слоганов, и вам захочется разнообразия. Настройки, управляющие этим компромиссом, — это температура и top-p, и они являются одними из наиболее неправильно понимаемых параметров в любом AI API.
Мы не могли проверить внутренние вероятности коммерческой модели, поэтому создали небольшую симуляцию стандартных математических вычислений на языке Python, используя вымышленные оценки для четырех слов-кандидатов. Все цифры ниже взяты из этой симуляции. Реальные модели выбирают среди десятков тысяч токенов, и поставщики могут реализовывать детали по-разному, но в принципе поведение такое же.
Как модель выбирает следующее слово
На каждом этапе большая языковая модель выводит оценку, называемую логитом, для каждого токена в ее словаре. Функция softmax преобразует эти оценки в вероятности, сумма которых равна 1. Затем модель отбирает один токен в соответствии с этими вероятностями, добавляет его к тексту и повторяет действия. Температура и top-p изменяют вероятности перед этапом выборки.
Наш игрушечный пример
Представьте себе подсказку «Столица Франции». Мы дали четырем следующим словам кандидата следующие оценки:
logits = {"Paris": 5.0, "Lyon": 3.0, "London": 2.5, "banana": 0.0}
Париж явно предпочтителен, Лион и Лондон — это правдоподобные ошибки, а банан — это нонсенс. Реальная модель также присвоила бы некоторую вероятность тысячам других токенов.
Температура: заточка или сплющивание
Температура делит все оценки перед применением softmax. Деление на небольшое число увеличивает разрыв между оценками; деление на большое число уменьшает их. Вот вероятности, которые выдала наша симуляция:
| Температура | Париж | Лион | Лондон | банан |
|---|---|---|---|---|
| 0.2 | 1.000 | 0.000 | 0.000 | 0.000 |
| 0.7 | 0.921 | 0.053 | 0.026 | 0.001 |
| 1.0 | 0.817 | 0.111 | 0.067 | 0.006 |
| 1.5 | 0.672 | 0.177 | 0.127 | 0.024 |
| 2.0 | 0.576 | 0.212 | 0.165 | 0.047 |
В версии 1.0 собственное распределение модели используется без изменений. При значении 0,2 Пэрис получает практически всю вероятность. При 2,0 доля Парижа падает до 58%, а даже банана поднимается почти до 5%. Температура не добавляет знаний или творчества в каком-либо глубоком смысле. Это лишь меняет готовность модели выбирать менее вероятные варианты, что может означать более свежие формулировки или просто больше ошибок.
Как выглядит выборка
Вероятности абстрактны, поэтому мы отобрали 1000 образцов при трех температурах, используя фиксированное случайное начальное значение:
T=0.2 {'Paris': 1000, 'Lyon': 0, 'London': 0, 'banana': 0}
T=1.0 {'Paris': 810, 'Lyon': 117, 'London': 70, 'banana': 3}
T=2.0 {'Paris': 607, 'Lyon': 202, 'London': 146, 'banana': 45}
При температуре 2,0 примерно 4 ответа из 10 назвали неправильный город, а 45 из 1000 ответили «банан». Теперь помните, что реальный ответ состоит из сотен токенов. Небольшая вероятность неправильного выбора на каждом этапе складывается, и один неверный токен в начале предложения может направить остальную часть ответа в неправильном направлении. Это одна из причин, по которой высокие температуры повышают вероятность галлюцинаций.
Температура 0 и детерминизм
При температуре 0 математические вычисления будут делить на ноль, поэтому API рассматривают это как «всегда выбирать наиболее вероятный токен», что называется жадным декодированием. Это делает вывод гораздо более повторяемым, но на практике он не всегда абсолютно идентичен. Размещенные модели могут незначительно отличаться из-за того, как вычисления группируются и распараллеливаются на оборудовании поставщика, а модели со временем обновляются. Некоторые API предлагают начальный параметр для лучшей повторяемости. Считайте температуру 0 «высоко стабильной», а не гарантией.
Совет. Жадное декодирование не всегда является лучшим решением, даже для фактических задач. Он может застрять при повторении фраз в длинных выходных данных. Для длинного текста низкая, но ненулевая температура, например от 0,2 до 0,4, часто читается более естественно, сохраняя при этом концентрацию.
Топ-п (отбор проб ядра)
Top-p использует другой подход. Он сортирует токены от наиболее вероятных к наименее вероятным, сохраняет наименьшую группу, сумма вероятностей которой равна как минимум p, отбрасывает остальные и перенормирует. Применительно к нашим вероятностям температуры-1,0:
top_p=0.5 {'Paris': 1.0}
top_p=0.9 {'Paris': 0.881, 'Lyon': 0.119}
top_p=0.99 {'Paris': 0.821, 'Lyon': 0.111, 'London': 0.067}
При значении 0,5 один лишь Париж уже покрывал более половины вероятности, так что это был единственный вариант. В 0,9 присоединился Лион. Даже на 0,99 банан обрезался. В этом сила top-p: он удаляет длинный хвост маловероятных токенов, вызывающих бессмыслицу, и при этом адаптируется к ситуации. Когда модель надежна, выживают немногие токены; когда многие продолжения разумны, выживает больше.
Топ-к и мин-п
- Top-k сохраняет фиксированное количество наиболее вероятных токенов, например 40, независимо от их вероятностей. Это просто, но не адаптируется: 40 может быть слишком много, если модель надежна, и слишком мало, когда это не так.
- В Min-p сохраняются токены, вероятность которых составляет не менее доли вероятности верхнего токена. Он популярен в инструментах моделирования с открытым исходным кодом и, как утверждается, хорошо работает при более высоких температурах, хотя исследования появились недавно.
Не каждый API предоставляет все возможности. Проверьте документацию вашего провайдера, чтобы узнать, какие параметры доступны и каковы их значения по умолчанию.
Использование температуры и top-p вместе
Обе настройки формируют одно и то же распределение, поэтому изменение обеих одновременно затрудняет прогнозирование поведения. Некоторые провайдеры рекомендуют настроить один и оставить для другого значение по умолчанию. Разумный подход — сначала настроить температуру, поскольку об этом легче рассуждать, и использовать top-p только в том случае, если вам нужно отсечь редкие странности при более высокой температуре.
Рекомендуемые настройки по задачам
| Задача | Температура | Почему |
|---|---|---|
| Извлечение данных, классификация | от 0 до 0,2 | Один правильный ответ; последовательность имеет значение |
| Генерация кода | от 0 до 0,3 | Небольшие отклонения нарушают код |
| Ответ на вопрос с источниками | от 0,1 до 0,4 | Следуйте предоставленному тексту |
| Общий чат, сводки | от 0,5 до 0,8 | Естественный тон с разумным фокусом |
| Мозговой штурм, творческое письмо | от 0,8 до 1,2 | Разнообразие – это цель |
Это отправные точки, взятые из общепринятой практики, а не из правил. Семейства моделей различаются, значения по умолчанию различаются в зависимости от поставщика, а некоторые новые модели рассуждений исправляют или полностью игнорируют эти настройки. Проверьте свои собственные подсказки. Четкие инструкции, приведенные в нашем кратком руководстве по проектированию, обычно имеют большее значение, чем точная настройка этих цифр.
Распространенные мифы
- «Более высокая температура делает модель умнее и креативнее». Это лишь повышает вероятность появления менее вероятных токенов. Иногда это приветствуется разнообразие; часто это просто шум.
- «Температура 0 означает, что ответ правильный». Это означает наиболее вероятный ответ. Если модель заведомо неверна, температура 0 делает ее постоянно неверной.
- «Длина контролируется температурой». Длина определяется настройкой подсказки и максимального количества жетонов, а не температурой.
- «Меньше всегда безопаснее». Очень низкие настройки могут привести к появлению повторяющегося или неестественного текста в длинных выходных данных.
Тестирование функций ИИ
Выборка делает функции ИИ недетерминированными, что меняет способ их тестирования:
- Запустите каждый тестовый пример несколько раз и измерьте скорость прохождения, а не полагайтесь на один прогон.
- Проверяйте свойства, а не точные строки: действительный JSON, присутствуют обязательные поля, числа соответствуют источнику, нет запрещенного контента. Это та же идея, что и тестирование на основе свойств.
- Зафиксируйте температуру в тестах, чтобы она соответствовала производственной, и запишите ее вместе с результатами.
- Повторно запускайте оценочный набор каждый раз, когда вы меняете модель, приглашение или настройки выборки.
Установка его в вызове API
Большинство API чата принимают эти настройки в виде полей в теле запроса. Типичный запрос задачи извлечения выглядит примерно так (иллюстрация не используется для этой статьи, имена полей различаются в зависимости от поставщика):
{
"model": "your-model-name",
"temperature": 0.1,
"max_tokens": 300,
"messages": [
{"role": "user", "content": "Extract the invoice date and total as JSON: ..."}
]
}
Сохраняйте эти значения в конфигурации, а не разбросайте их по коду, и регистрируйте их при каждом запросе вместе с именем модели. Когда спустя несколько недель ответ выглядит странным, знание точных настроек, которые его породили, избавляет от лишних догадок. Если вы обслуживаете несколько функций из одной модели, задайте для каждой функции свои настройки: сумматору и помощнику по коду редко нужна одинаковая температура.
Итоги
Температура и top-p не меняют того, что знает модель; они меняют степень авантюрности при выборе каждого следующего жетона. Наша игрушечная симуляция показала, что температура в Париже упала с определенного уровня до 58%, а top-p обрезал бессмысленный хвост. Начинайте с низкого уровня для задач с одним правильным ответом, повышайте температуру только тогда, когда хотите разнообразия, настраивайте одну настройку за раз и проверяйте повторными запусками.
Часто задаваемые вопросы
Что делает температура в LLM?
Он изменяет масштаб вероятностей модели перед выборкой. Низкая температура заставляет доминировать наиболее вероятный токен; высокая температура распространяет вероятность на менее вероятные токены, увеличивая разнообразие и риск.
Что такое выборка top-p?
Top-p сохраняет наименьший набор наиболее вероятных токенов, чья совокупная вероятность достигает p, например 0,9, и производит выборку только из них. Он удаляет маловероятный хвост.
Дает ли температура 0 каждый раз один и тот же ответ?
Обычно очень похожие ответы, но не гарантированы. Размещенные модели могут незначительно отличаться в зависимости от того, как они работают, и модели со временем обновляются.
Стоит ли менять температуру и топ-п вместе?
Вообще нет. Оба изменяют один и тот же дистрибутив, поэтому многие провайдеры рекомендуют настроить один и оставить для другого значение по умолчанию.
Какую температуру следует использовать для кода?
Низкое значение, обычно от 0 до 0,3, поскольку небольшие случайные отклонения могут привести к поломке кода. Всегда проверяйте сгенерированный код независимо от настроек.
Продолжайте учиться
Нужна помощь с тестированием, WordPress или SEO?
Мы помогаем командам выпускать лучшее программное обеспечение и развивать свои сайты. Расскажите нам, над чем вы работаете, и мы предложим четкий следующий шаг.
Больше руководств по тестирование, искусственный интеллект и современные разработки
Понравилась эта статья? Выберите тему и сразу приступайте к нашим новейшим руководствам.
Объяснение BM25: как ранжируется результат поиска по ключевым словам с помощью кода Python и гибридного поиска
BM25 объяснил на примере чистой реализации Python, которую мы использовали: формулу, IDF, насыщенность терминов, параметры k1 и b, почему она превос…
Читать статью →Разработка ПООбъяснение методов HTTP: GET, POST, PUT, PATCH, DELETE, протестировано на реальном сервере
Методы HTTP, объясненные на небольшом сервере, который мы запускали: GET, POST, PUT, PATCH, DELETE, HEAD и OPTIONS, безопасный и идемпотентный, PUT …
Читать статью →DevOpsОбъяснение Git Bisect: найдите коммит, который сломал ваш код, вручную или автоматически
Git bisect объясняет на примере проверенного репозитория: найдите один плохой коммит среди 41 из 5 тестовых запусков, автоматизируйте его с помощью …
Читать статью →Автоматизация тестированияОбъяснение маркеров pytest: пользовательские метки, фильтры пропуска, пропуска, xfail и -m
Маркеры pytest объяснены с помощью протестированного набора: регистрируйте пользовательские метки, запускайте только дымовые тесты с -m, комбинируйт…
Читать статью →Тестирование ПОПозитивное и негативное тестирование: различия, 24 реальных тестовых примера и контрольный список
Положительное и отрицательное тестирование объяснено с помощью реальной формы регистрации: 6 положительных и 18 отрицательных тестовых случаев, выпо…
Читать статью →Базы данных и SQLSQL ORDER BY по нескольким столбцам: ASC, DESC, NULLS LAST, регистр и пользовательский порядок.
SQL ORDER BY с несколькими столбцами, объясненными с помощью проверенных запросов: смешанные ASC и DESC, средства разрешения конфликтов, NULLS FIRST…
Читать статью →Базы данных и SQLПромежуточный итог SQL: SUM OVER, итоги по группам, скользящие суммы и ловушка RANGE
Как вычислить промежуточную сумму SQL с помощью SUM() OVER: итоги по группам, ежедневные накопительные суммы, скользящие суммы, проценты от суммы, л…
Читать статью →Разработка ПОСортировка массива в JavaScript: числа, объекты, строки и почему 10 предшествует 5
Как правильно сортировать массив в JavaScript: числа с функцией сравнения, объекты по одному или нескольким полям, строки с localeCompare, даты, ест…
Читать статью →Искусственный интеллектОбъяснение стратегий разделения RAG: фиксированное, перекрытие, предложение, рекурсивное и заголовки, измеренное
Стратегии фрагментирования RAG в одном документе с tiktoken 0,14: фиксированный размер, перекрытие, упаковка предложений, рекурсивное разделение и ф…
Читать статью →Разработка ПООбъяснение идемпотентности API: проверенные ключи идемпотентности и безопасные повторы
Идемпотентность API, объясненная на примере сервера и клиента Python, которые мы запускали: потеря ответа вызывала двойную оплату без ключа и единст…
Читать статью →DevOpsОбъяснение Git Stash: сохранение, применение, удаление и неотслеживаемые файлы, протестировано
Git stash объясняется с помощью команд, которые мы запускали в Git 2.56: push с сообщением, неотслеживаемые файлы, список и отображение, применение …
Читать статью →Тестирование ПООбъяснение парного тестирования: как все пары сокращают 216 тестов до 13, протестированных
Попарное тестирование объясняется с помощью генератора, который мы запускали в Python 3.13: проверка с 216 комбинациями, охватываемыми 13 тестами, п…
Читать статью →Автоматизация тестированияОбъяснение тестовых двойников: манекен, заглушка, шпион, макет и подделка, с протестированным кодом Python
Двойные тесты объяснены на одном примере Python, запущенном в pytest 9.2: манекен, заглушка, шпион, макет и подделка, когда использовать каждый из н…
Читать статью →Базы данных и SQLОбъяснение SQL COALESCE: значения по умолчанию, NULLIF, IFNULL против ISNULL и ловушки, протестировано
SQL COALESCE объясняется с помощью запросов, которые мы выполняли в SQLite 3.50: первые ненулевые значения, пустые строки, NULL в математике, NULLIF…
Читать статью →Базы данных и SQLОбъяснение самосоединения SQL: сотрудник-менеджер, сравнение пар и строк, протестировано
Самосоединение SQL объясняется с помощью запросов, которые мы выполняли в SQLite 3.50: сотрудник и менеджер, заработок больше, чем менеджер, уникаль…
Читать статью →Разработка ПООбъяснение оператора расширения JavaScript: распространение против остальных, копии и ошибки, протестировано
Оператор расширения JavaScript, объясненный с помощью кода, который мы запускали на узле 24: массивы, объекты, мелкие копии, остальные параметры, ог…
Читать статью →Разработка ПООбъяснение модуля коллекций Python: счетчик, defaultdict, deque и многое другое, протестировано
Коллекции Python объяснены с помощью кода, который мы запускали в Python 3.13: Counter, defaultdict, deque, Nametuple, OrderedDict и ChainMap, а так…
Читать статью →Искусственный интеллектОбъяснение контекстного окна LLM: токены, ограничения и способы вместить больше, измеренное
Контекстное окно LLM поясняется количеством токенов, которые мы измеряли с помощью tiktoken: слова и токены для прозы, кода и хинди, входные и выход…
Читать статью →Разработка ПООбъяснение вебхуков: как они работают и как безопасно их получать
Веб-хуки объясняются с помощью получателя и отправителя, которые мы запускали на Python: push и опрос, подписи HMAC-SHA256, отклонение подделанных и…
Читать статью →DevOpsОбъяснение Git Cherry-Pick: скопируйте нужный вам коммит, безопасно и протестировано
Git Cherry-Pick объяснил это командами, которые мы запускали в Git 2.56: копирование исправления в ветку выпуска, новые хэши и идентификаторы патчей…
Читать статью →Автоматизация тестированияОбъяснение моментального тестирования: как оно работает, когда помогает, а когда вредит
Тестирование снимков объясняется с помощью pytest и сладкой демонстрации, которую мы запускали: создание снимков, чтение различий после изменения ко…
Читать статью →Тестирование ПООбъяснение мутационного тестирования: почему при 100% покрытии все еще не обнаружена наша ошибка
Тестирование мутаций объясняется с помощью небольшого инструмента мутаций, который мы создали и запустили: 14 мутантов, набор тестов со 100%-ным пок…
Читать статью →Искусственный интеллектОбъяснение быстрого внедрения: как обманывают приложения искусственного интеллекта и как их защитить
Быстрое внедрение, объясненное для разработчиков: прямые и косвенные атаки, почему фильтры ключевых слов не работают (наш тест заблокировал 1 из 4),…
Читать статью →DevOpsОбъяснение DNS-записей: A, AAAA, CNAME, MX, TXT и TTL с реальным поиском
Записи DNS объяснены с помощью выполненных нами поисков: как работает разрешение, A и AAAA, правила CNAME, MX и нулевой MX, TXT для SPF и проверки, …
Читать статью →DevOpsОбъяснение флагов функций: безопасные выпуски, постепенное развертывание и гигиена флагов
Флаги функций объяснены с помощью моделирования развертывания, которое мы провели: типы флагов, процентное развертывание со стабильным хешированием,…
Читать статью →Автоматизация тестированияГенерация тестовых данных с помощью Python Faker: реалистичные, повторяемые и безопасные данные
Генерация тестовых данных с помощью Python Faker, запуск и измерение: заполнение повторяющихся данных, локали, уникальные значения, записи в форме д…
Читать статью →Тестирование ПООбъяснение тестирования с помощью Shift-Left: находите ошибки раньше, не замедляя работу команды
Сдвиг влево при тестировании объяснил: что это значит, почему ранние дефекты обходятся дешевле, практики от проверки требований до CI-проверок, меня…
Читать статью →Базы данных и SQLОбъяснение строковых функций SQL: TRIM, SUBSTR, REPLACE, CONCAT и очистка данных
Строковые функции SQL, объясненные с помощью выполненных нами запросов: конкатенация и NULL, TRIM, UPPER и LOWER, SUBSTR и INSTR, REPLACE, заполнени…
Читать статью →Базы данных и SQLОбъяснение триггеров SQL: триггеры ДО и ПОСЛЕ, журналы аудита и подводные камни
Триггеры SQL объяснены с помощью триггеров, которые мы запускали: ДО и ПОСЛЕ, СТАРЫЙ и НОВЫЙ, журналы аудита, проверка, обновления запасов, условия …
Читать статью →Разработка ПООбъяснение модуля Python JSON: дампы, загрузки, пользовательские типы и распространенные ошибки
Модуль Python JSON, объясненный с помощью кода, который мы выполнили: дампы и загрузки, файлы, преобразования типов, даты и десятичные дроби, пользо…
Читать статью →Разработка ПОМодули ES против CommonJS: как работает импорт JavaScript в Node.js, протестировано
Модули ES и CommonJS объяснены с помощью кода, который мы запускали в Node.js: синтаксис импорта и экспорта, требование, живые привязки, кэширование…
Читать статью →Разработка ПООбъяснение регулярных выражений Python: шаблоны, группы, предварительные просмотры и подводные камни, протестировано
Регулярное выражение Python объясняется с помощью шаблонов, которые мы использовали: поиск против совпадения, поиск, группы и именованные группы, жа…
Читать статью →Искусственный интеллектОбъяснение структурированного вывода LLM: получение надежного JSON из моделей искусственного интеллекта
Структурированный вывод LLM объясняется проверкой, которую мы проводили в Pydantic: режим и схемы JSON, ограниченное декодирование, способы моделиро…
Читать статью →DevOpsОбъяснение ключей SSH: как они работают, ssh-keygen, Ed25519 и безопасные привычки
Ключи SSH объяснены ключами, которые мы сгенерировали: открытые и закрытые ключи, ssh-keygen, Ed25519 и RSA, отпечатки пальцев, парольные фразы, ssh…
Читать статью →DevOpsОбъяснение HTTP-кэширования: Cache-Control, ETag и ответы 304, с живым тестом
Объяснение HTTP-кеширования на небольшом сервере, который мы запускали: директивы Cache-Control, максимальный возраст, отсутствие кэша и отсутствие …
Читать статью →Автоматизация тестированияОбъяснение тестирования контрактов API: уловите критические изменения до их выпуска
Тестирование контрактов API объясняется с помощью проведенной нами проверки схемы: что такое контракт, контракты, управляемые потребителем, Pact, Op…
Читать статью →Тестирование ПООбъяснение тестирования на основе рисков: оцените риски, постройте матрицу и протестируйте то, что имеет значение
Тестирование на основе рисков объясняется шаг за шагом: выявление рисков, оценка вероятности и воздействия, построение матрицы рисков, сопоставление…
Читать статью →Базы данных и SQLОбъяснение ограничений SQL: NOT NULL, UNIQUE, CHECK и FOREIGN KEY, протестировано
Ограничения SQL объяснены с помощью проведенных нами тестов: NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY и FOREIGN KEY, лазейки NULL, настройка внешне…
Читать статью →Базы данных и SQLОбъяснение функций даты SQL: добавление, сравнение и группировка дат без ошибок
Функции даты SQL, объясненные с помощью запросов, которые мы выполняли: добавление интервалов, сюрпризы в конце месяца, различия в датах, ловушка МЕ…
Читать статью →Разработка ПООбъяснение Python asyncio: асинхронность, ожидание, сбор и группа задач с реальным временем
Python asyncio объяснен с помощью кода, который мы запланировали: сопрограммы, ожидание, сбор, TaskGroup, обработка ошибок, тайм-ауты, ограничение п…
Читать статью →Разработка ПОDebounce против Throttle в JavaScript: как они работают, когда использовать каждый, протестировано
Сравнение Debounce и Throttle в JavaScript объясняется с помощью таймингов, которые мы измеряли в Node.js: как каждый из них работает, простые реали…
Читать статью →Разработка ПООбъяснение менеджеров контекста Python: оператор with, contextlib и реальное использование
Контекстные менеджеры Python объяснили с помощью кода, который мы запускали: как работает, __enter__ и __exit__, contextlib.contextmanager, подавлен…
Читать статью →Искусственный интеллектОбъяснение температуры LLM и Top-p: как модели ИИ выбирают свое следующее слово
Температура LLM и top-p объяснены с помощью моделирования, которое мы провели: как изменяются вероятности, что сохраняет top-p, рекомендуемые настро…
Читать статью →DevOpsОбъяснение YAML: синтаксис, проблема Норвегии и другие ловушки, которые мы тестировали
YAML объясняется с помощью теста парсера: базовый синтаксис, списки и карты, проблема Норвегии, версии, превращающиеся в числа с плавающей запятой, …
Читать статью →DevOpsОбъяснение Cron Jobs: синтаксис, реальные расписания и ошибки, которые их нарушают
Задания Cron объясняются графиками, которые мы проверили: пять полей, операторы, реальные примеры, ловушка дня месяца ИЛИ дня недели, проблемы окруж…
Читать статью →Искусственный интеллектОбъяснение галлюцинаций искусственного интеллекта: почему языковые модели все выдумывают и как их уменьшить
Галлюцинации ИИ объяснили: что это такое, почему языковые модели их создают, распространенные типы, как уменьшить их с помощью заземления и подсказо…
Читать статью →DevOpsОбъяснение переменных среды: файлы .env, секреты и правильно выполненная конфигурация
Переменные среды объясняются на примерах Python, которые мы запускали: их чтение и установка, почему каждое значение является строкой, файлы .env, н…
Читать статью →Разработка ПООбъяснение ограничения скорости API: алгоритмы, заголовки и обработка ошибок 429
Ограничение скорости API объясняется с помощью проведенного нами моделирования: сегмент токенов, фиксированное окно, скользящее окно, 429 ответов, з…
Читать статью →Автоматизация тестированияИздевательство в Python: unittest.mock, патч и ошибки, из-за которых тесты лгут
Издевательство на Python с помощью unittest.mock, протестировано: Mock и return_value, Side_effect, исправление использования имени, спецификация и …
Читать статью →Тестирование ПООбъяснение покрытия кода: покрытие линий или ветвей и что на самом деле означает 100%
Покрытие кода объяснено с помощью реального запуска покрытия.py: покрытие строк, ветвей и условий, чтение отчета, почему 100%-ное покрытие все еще м…
Читать статью →Базы данных и SQLDELETE, TRUNCATE и DROP в SQL: различия, откат и когда использовать каждый из них
Объяснение DELETE, TRUNCATE и DROP на примере протестированного SQL: что каждый из них удаляет, откат, триггеры, сброс идентификаторов, скорость и ч…
Читать статью →Базы данных и SQLОбъяснение представлений SQL: создавайте, используйте и избегайте ловушек, с примерами
Представления SQL, объясненные с помощью запросов, которые мы выполняли: создание представления, результаты в реальном времени, скрытие столбцов, пр…
Читать статью →Разработка ПОИнтерфейс TypeScript и тип: реальные различия, протестированные с помощью компилятора
Интерфейс TypeScript против типа, проверенный реальным компилятором: что могут делать оба, что может делать только один, слияние объявлений, расшире…
Читать статью →Разработка ПООбъяснение Python *args и **kwargs: гибкие функции с понятными примерами
Python *args и **kwargs, объясненные с помощью кода, который мы запускали: упаковка и распаковка, порядок параметров, аргументы только по ключевым с…
Читать статью →Разработка ПОЛямбда-функции Python: синтаксис, реальное использование и когда их не следует использовать
Лямбда-функции Python, объясненные с помощью кода, который мы запускали: синтаксис, сортировка с помощью ключа, карты и фильтра, замыкания, ловушка …
Читать статью →Искусственный интеллектЧто такое ИИ-агенты? Как они работают: можно запустить простой цикл агента
Что такое агенты ИИ? Простое руководство по циклу агента, инструментам, памяти и ограничениям, с небольшим циклом Python, который мы запустили, реал…
Читать статью →DevOpsМониторинг и наблюдаемость: реальная разница с журналами, метриками и трассировками
Объяснение мониторинга и наблюдаемости: известные и неизвестные сбои, журналы, метрики и трассировки, пошаговое руководство по инцидентам при оформл…
Читать статью →DevOpsDocker Volumes против Bind Mounts: правильное сохранение данных контейнера
Объяснение томов Docker и монтирования привязки: почему исчезают данные контейнера, именованные тома, монтирование привязки, tmpfs, примеры создания…
Читать статью →Автоматизация тестированияTDD против BDD: ключевые различия, одна функция, созданная для обоих способов, и когда использовать каждый
TDD и BDD объясняются с помощью одной функции скидки, созданной в обоих направлениях: красно-зеленый рефакторинг с кодом, который мы запускали, сцен…
Читать статью →Тестирование ПОПользовательское приемочное тестирование (UAT): процесс, контрольный список и реальные примеры
Приемочное тестирование пользователей объяснило: кто его проводит, чем оно отличается от контроля качества, семиэтапный процесс, шаблон тестового сц…
Читать статью →Базы данных и SQLОбъяснение значений NULL в SQL: IS NULL, COALESCE, NULLIF и ловушки, которых следует избегать
Значения SQL NULL объяснены с помощью запросов, которые мы выполнили: трехзначная логика, IS NULL, COALESCE, NULLIF, как агрегаты, соединения и сорт…
Читать статью →Базы данных и SQLОператор SQL CASE WHEN: синтаксис, реальные примеры и распространенные ошибки
SQL CASE WHEN объяснен с помощью запросов, которые мы выполняли: простые формы и формы для поиска, порядок условий, повороты с помощью SUM, трюки CO…
Читать статью →Разработка ПОЧто такое JWT? Веб-токены JSON, объясненные на рабочем примере
Что такое JWT? Объяснение JSON Web Tokens: три части: токен, созданный и измененный в коде, который мы запускали, JWT и сеансы, хранилище, токены об…
Читать статью →Разработка ПООбъяснение цикла событий JavaScript: стек вызовов, микрозадачи и таймеры с примерами
Цикл событий JavaScript объясняется с помощью кода, который мы запускали: стек вызовов, очереди задач и микрозадач, почему setTimeout 0 не является …
Читать статью →Разработка ПОГенераторы Python и объяснение доходности: экономьте память с помощью реальных примеров
Генераторы Python и доходность, объясненные с помощью кода, который мы запускали: как они приостанавливаются и возобновляются, измеряют экономию пам…
Читать статью →Искусственный интеллектЧто такое вложения? Простое объяснение векторов и косинусного сходства
Что такое вложения? Простое руководство по векторам, косинусному подобию и семантическому поиску с небольшим примером, который мы использовали, общи…
Читать статью →DevOpsСине-зеленое и канареечное развертывание: различия, компромиссы и как выбрать
Объяснение сине-зеленого и канареечного развертывания: как каждый из них работает, стоимость, риски и откат, стабильное группирование пользователей,…
Читать статью →Автоматизация тестированияНенадежные тесты: что их вызывает и как их исправить навсегда
Ненадежные тесты объясняются на демонстрациях, которые мы запускали: основные причины, способы подтверждения и диагностики, правильные исправления в…
Читать статью →Тестирование ПОНагрузочное тестирование и стресс-тестирование: различия, метрики и примеры k6
Объяснение нагрузочного и стресс-тестирования: что доказывает каждое из них, тесты на всплески и выдержки, важные метрики, почему средние значения в…
Читать статью →Тестирование ПОТестовый пример и тестовый сценарий: ключевые различия, примеры и когда использовать каждый
Объяснение тестового случая и тестового сценария: четкие определения, параллельная таблица, одна функция сброса пароля, взятая из сценариев в случаи…
Читать статью →Базы данных и SQLОптимизация SQL-запросов: чтение планов выполнения и исправление медленных запросов с указанием времени
Оптимизация SQL-запросов проверена на миллионе строк: читайте планы выполнения, добавляйте правильные индексы, исправляйте неразмещаемые фильтры, ис…
Читать статью →Базы данных и SQLSQL UNION против UNION ALL: различия, примеры и проверка производительности
SQL UNION и UNION ALL объяснены с помощью запросов, которые мы выполнили: дубликаты, правила, которым следуют оба, реальная ошибка данных, измеренна…
Читать статью →Разработка ПОУчебное пособие по API JavaScript Fetch: GET, POST, обработка ошибок и тайм-ауты
Учебное пособие по API JavaScript Fetch, протестированное на локальном сервере: GET и POST, почему не выдается ошибка 404, многоразовый помощник, ст…
Читать статью →Разработка ПООбработка файлов Python: чтение, запись, CSV, JSON и pathlib с примерами
Обработка файлов Python объясняется с помощью кода, который мы запускали: открытые режимы, чтение больших файлов, CSV, JSON, pathlib, двоичные файлы…
Читать статью →Разработка ПОКлассы и объекты Python: учебник ООП с реальными примерами
Классы и объекты Python, объясненные с помощью кода, который мы запускали: __init__, методы, атрибуты класса и экземпляра, наследование, свойства, м…
Читать статью →Искусственный интеллектЧто такое большая языковая модель? Как работают LLM, объяснено без шумихи
Что такое большая языковая модель? LLM объясняется простым языком: токены, встраивания, внимание, обучение, температурные и контекстные окна, крошеч…
Читать статью →DevOpsКоманды Linux для начинающих: основное руководство по терминалу с примерами
Команды Linux для начинающих, сгруппированные по задачам: навигация, файлы, просмотр журналов, grep, каналы, разрешения, процессы и архивы, с практи…
Читать статью →Автоматизация тестированияSelenium vs Playwright: ключевые различия, сравнение кода и что выбрать
Сравнение Selenium и Playwright: архитектура, ожидание, поддержка браузера и языка, отладка, одинаковый тест в обоих инструментах, советы по миграци…
Читать статью →Тестирование ПОРазделение эквивалентности: метод проектирования тестов, объясненный на рабочих примерах
Объяснение эквивалентного разделения: как найти действительные и недействительные разделы, рабочие примеры для возрастов, паролей и купонов, проведе…
Читать статью →Тестирование ПОСерьезность и приоритет в тестировании программного обеспечения: различия, матрица и реальные примеры
Объяснение серьезности и приоритета при тестировании программного обеспечения: четкие определения, четырехсторонняя матрица с примерами, шкалы уровн…
Читать статью →Базы данных и SQLУчебное пособие по подзапросам SQL: типы, коррелирующие подзапросы и EXISTS с примерами
Руководство по подзапросам SQL с выполненными нами запросами: скалярные подзапросы, IN, FROM и SELECT, коррелированные подзапросы, EXISTS, ловушка N…
Читать статью →Базы данных и SQLОбъяснение транзакций SQL и ACID: COMMIT, ROLLBACK и уровни изоляции
Транзакции SQL и ACID, объясненные с помощью банковского перевода, который мы выполнили: COMMIT, ROLLBACK, точки сохранения, блокировки, уровни изол…
Читать статью →Разработка ПОGit Commands Cheat Sheet: The Commands You Actually Use, With Examples
Шпаргалка по командам Git, сгруппированная по задачам: настройка, промежуточный этап, ветки, удаленные устройства, тайник, история и исправление оши…
Читать статью →Разработка ПООбъяснение промисов в JavaScript: then, catch, Promise.all и распространенные ошибки
Обещания JavaScript, объясненные с помощью кода, который мы запускали: состояния, цепочки then и catch, обработка ошибок, Promise.all, allSettled, R…
Читать статью →Разработка ПОУчебное пособие по словарю Python: методы, примеры и общие шаблоны
Учебное пособие по словарю Python с кодом, который мы выполнили: создание, чтение и обновление словарей, ключевые методы, слияние, понимание, шаблон…
Читать статью →Искусственный интеллектЧто такое РАГ? Генерация с расширенным поиском, объясненная на рабочем примере
Что такое РАГ? Retrieval-augmented generation explained step by step: indexing, chunking, embeddings, retrieval, a small working Python example, eva…
Читать статью →DevOpsУчебное пособие по Terraform для начинающих: инфраструктура как код от первого файла до модулей
Учебное пособие по Terraform для начинающих: начните без облачной учетной записи, изучите инициализацию, планирование и применение, затем переменные…
Читать статью →DevOpsDocker и Kubernetes: ключевые различия, как они работают вместе и что вам нужно
Объяснение Docker и Kubernetes: что делает каждый из них, одно и то же приложение работает с обоими, сравнение Docker Compose и Swarm, изменение doc…
Читать статью →Автоматизация тестированияУчебное пособие по Pytest для начинающих: фикстуры, параметризация и реальные примеры
Учебное пособие по pytest для начинающих с тестами, которые мы запускали на pytest 9.2: утверждения, фикстуры, параметризация, conftest, маркеры, tm…
Читать статью →Тестирование ПОЖизненный цикл тестирования программного обеспечения (STLC): 6 этапов, критерии входа и выхода, пример
Объясняется жизненный цикл тестирования программного обеспечения: шесть этапов STLC с критериями входа и выхода, результаты, пример проработанной фу…
Читать статью →Разработка ПОGit merge vs rebase: отличия, примеры и когда что использовать
Git merge vs rebase с реальным выводом log, сравнительной таблицей, золотым правилом rebase и безопасным рабочим процессом для команды.
Читать статью →Разработка ПОГенераторы списков в Python: синтаксис, примеры и когда их избегать
Генераторы списков в Python: синтаксис, фильтры, if-else, вложенные циклы, измеренное время и случаи, когда обычный цикл for лучше.
Читать статью →Базы данных и SQLSQL JOIN: объяснение с примерами (Inner, Left, Right, Full)
Разберите SQL JOIN шаг за шагом на примерах таблиц и запросов: INNER, LEFT, RIGHT, FULL, CROSS и SELF, а также частые ошибки и советы по производите…
Читать статью →