#вкопилкуэрудита
Скорость света и расширение Вселенной связаны, но по-разному: скорость света ограничивает движение объектов в пространстве, а расширение Вселенной происходит независимо от этой скорости.
Согласно специальной теории относительности Эйнштейна, ничто не может двигаться быстрее света. Однако сама ткань пространства может расширяться с любой скоростью. Галактики не «летят» сквозь пространство, а, скорее, «движутся» вместе с ним.
Это объясняет, почему некоторые галактики могут удаляться от нас быстрее скорости света. Они не нарушают законов физики, поскольку не движутся в пространстве быстрее света, а «несутся» вместе с расширяющимся пространством.
Со временем большая часть Вселенной может стать недоступной для наблюдения, потому что пространство между нами и удалёнными галактиками будет расширяться быстрее, чем успевает распространяться свет.

#пытаюсьпонять
Как MCP может или уже усиливает агентные RAG-системы

Современные RAG-системы (Retrieval-Augmented Generation), которые сочетают поиск данных и генерацию текста, уже активно используются в реальных проектах. Большинство из них в той или иной степени "агентные" — то есть способны самостоятельно принимать решения, например, о том, какие источники данных задействовать. Конкретная реализация этой агентности зависит от задачи, но если вы работаете с множеством источников, то выбор данных для извлечения уже требует агентного подхода.

Здесь на сцену выходит MCP — инструмент, который значительно улучшает развитие таких систем. Как это может работать:

1. Анализ запроса пользователя.
Запрос отправляется агенту на базе большой языковой модели (LLM). Агент:
- Может переформулировать запрос (иногда несколько раз), создавая один или несколько уточненных запросов для дальнейшей обработки.
- Определяет, нужны ли дополнительные данные для ответа.

2. Извлечение данных.
Если данные требуются, запускается этап поиска. Источники могут быть разными:
- Пользовательские данные в реальном времени.
- Внутренние документы компании.
- Информация из интернета и другие.
MCP играет ключевую роль:
- Каждый источник данных управляет своим MCP-сервером, задавая правила использования информации.
- Безопасность и соответствие требованиям обеспечиваются на уровне серверов.
- Новые источники легко добавляются в пул MCP-серверов по стандартизированному протоколу, не требуя изменений в логике агента. Это поддерживает независимое развитие системы в плане процедурной, эпизодической и семантической памяти.
- Платформы могут предоставлять свои данные внешним пользователям в удобном формате.
- Инженеры AI сосредотачиваются на архитектуре агента, а не на управлении данными.

3. Формирование ответа.
Если дополнительные данные не нужны, LLM сразу генерирует ответ — это может быть текст, несколько вариантов или даже набор действий.

4. Оценка и доработка.
Ответ анализируется и проверяется на точность и релевантность:
- Если он устраивает агента, его отправляют пользователю.
- Если нет — запрос переписывается, и процесс повторяется.

MCP делает агентные RAG-системы более гибкими, безопасными и масштабируемыми, упрощая интеграцию данных.

В эту среду 9 апреля буду выступать очно на мероприятии в МАРХИ и рассказывать про наши эксперименты с применением нейронных сетей в задачах проектирования

Тема: Конференция МАРХИ Перспективы цифровой трансформации градостроительного проектирования и управления
Время: 9 апр. 2025 10:30 AM Москва