Кстати, Google опять раздает бесплатные годовые Pro-аккаунты Gemini студентам. Акция действует до 06.10.2025. Как снова «стать студентом» читайте в комментариях к этому посту.

А если не хочется заморачиваться, то всегда можно купить годовую подписку Perplexity за несколько баксов.

Google выпустил гайд для стартапов о том, как создавать ИИ-агентов, — «Startup technical guide to AI agents» — и я залип.

Весь день его читаю, насколько же доступно они всё объясняют. Да, на английском, но сейчас это не проблема: закиньте PDF в NotebookLM или Perplexity, хотя я рекомендую посмотреть его глазами — там много схем.

Вот, допустим, как рассказывается про заземление (Grounding) ответов агента:

Заземление — это процесс, который обеспечивает точность и достоверность ответов агента, связывая их с проверяемыми фактами из внешних источников данных. Это критически важный механизм для борьбы с «галлюцинациями» (неверной или выдуманной информацией) и повышения доверия пользователей к системе. Техники заземления эволюционировали от простых к более сложным.

Retrieval-Augmented Generation (RAG): фундаментальный паттерн, который дополняет знания модели информацией из внешней базы данных. Перед генерацией ответа агент выполняет семантический поиск по базе знаний (например, по внутренней документации), чтобы найти релевантные факты, и передаёт их модели в качестве контекста. Это позволяет агенту давать более точные и актуальные ответы.

GraphRAG: этот подход обогащает заземление, используя граф знаний. Вместо того чтобы рассматривать факты как изолированные фрагменты текста, GraphRAG позволяет агенту понимать явные связи между данными (например, «симптом А вызывает болезнь Б, которая лечится препаратом В»). Это обеспечивает более глубокое контекстуальное понимание.

Agentic RAG: наиболее продвинутый подход, где агент становится активным участником процесса поиска информации. Вместо одного простого поиска агент может анализировать сложный запрос, разрабатывать многошаговую стратегию поиска, выполнять несколько вызовов к различным инструментам и синтезировать информацию из разных источников для нахождения наилучшего ответа.

Это я вам ещё кратко перевёл, в оригинале там значительно подробнее, со схемами и кейсами. Да, Google там через абзац свои продукты пиарит, но они у него реально хорошие. В общем, если вы создаёте своих ИИ-агентов или пытаетесь разобраться, что это вообще такое, — рекомендую ознакомиться с документом. Выложу его в первом комментарии к этому посту, чтобы вам не пришлось заполнять кучу форм на сайте Google.

Что-то у нас уже весь чат @prompt_chat кипит от вопросов, как получить годовой Pro-аккаунт Gemini от Google.
Если вы не студент и не хотите погружаться во все эти тонкости и проходить сложные квесты, просто купите активированный аккаунт у тех, кто смог зарегистрировать. Цена вопроса — 10 баксов. Я покупал у этого продавца несколько месяцев назад на ggsel — работает.
После оплаты вам сразу прилетает «портянка»: логин, пароль, 2FA и инструкция, по которой надо всё сделать. Не забудьте поменять пароль, ну и помните, что, в отличие от Perplexity, Google не даст вам пользоваться своими продуктами, если увидит, что регион неправильный.

Perplexity только что анонсировала свое поисковое API. Теперь можно обращаться к тому поиску, который они сами используют, с сотнями миллионов страниц в индексе.

После того, как поделился гайдом от Google, мне написали в личку интересный вопрос: «А как изучать ИИ структурно?» Ну вот общаемся мы с ChatGPT или Perplexity, решаем какие-то свои домашние дела. Да, есть те, кто освоил конструкторы типа N8N или Make и решают свои рабочие дела. Но это все не дотягивает до уровня создания своего ИИ-стартапа, на что и рассчитан этот гайд. Как пройти путь от новичка до профи в ИИ?

Я не претендую, что это можно считать полноценным учебным планом, конечно нет. Ну как шпаргалку откуда и куда двигаться, вполне: https://teletype.in/@prompt_design/7_Core_Stages_of_Learning_AI

Сегодня осознал, насколько же сильно я привык к Perplexity: на нём завязано столько ежедневной рутины, что сложно представить, как раньше без него обходился.

Наверное, самый базовый функционал — это куча «Tasks», которые собирают для меня новости по разным источникам и отправляют к определённому времени (например, я отслеживаю с их помощью тематические сабреддиты). А ещё есть десяток настроенных «Spaces» под разные задачи: от заказа еды по меню до фактчека для YouTube-роликов.

Про использование Perplexity на телефоне я, наверное, напишу отдельный пост, но физическая кнопка быстрого вызова всегда закреплена за этим приложением. Про основной функционал поиска писать не буду, хотя всё больше и больше ищу информацию через Perplexity.

Поэтому, когда мне задают вопрос, чем отличается Perplexity от ChatGPT (или любой другой LLM), я отвечаю, что это совершенно разные истории. Perplexity — это незаметный труженик, который прикрывает мои тылы и всегда под рукой, а ChatGPT — это для души.

А годовой Pro-аккаунт Perplexity за $9 снимает все остальные аргументы.

В одном проекте по автоматизации была задача: забирать PDF‑сканы из сетевого хранилища NAS, распознавать их и переводить в JSON для дальнейшей обработки. Но есть нюанс: нельзя отправлять их на внешние серверы LLM’ок, всё нужно делать локально.

Уже начал вайбкодить своё решение, но тут наткнулся на DocStrange. Это бесплатное open‑source‑решение, которое превращает PDF, отсканированные документы в структурированные данные (Markdown, CSV, HTML, JSON и т. п.) с поддержкой таблиц, полей, OCR и прочего. Можно запускать локально или в облаке (в облаке дают до 10 000 документов в месяц бесплатно).

Так что, если вы ищете решение для извлечения данных из бухгалтерских и других документов, присмотритесь.
Github: https://github.com/NanoNets/docstrange