Найти материал

Поиск по опубликованным материалам, разборам и форматам работы. После согласия на аналитику запросы помогают улучшать поиск. ⌘K / Ctrl+K — поиск · ↑↓ — выбор · Enter — открыть

Поиск по полным текстам на отдельной странице →

Все темы

Поиск

Находить сведения и помогать аудитории обнаруживать материалы, включая поиск по сайту и SEO.

Начало темы: подборка и разборы

Все материалы по теме

Сначала новые публикации. Статьи, руководства и записи блога — в одном списке.

Найдено 31 из 62 · показаны 13–24

Руководство

Контентный граф — методология управления контентом через связи, а не рубрики

Контентный граф — методология, в которой материалы связаны не тегами, а ролями в системе. Пять сигналов: пробелы, мосты, сироты, маршруты, обновления.

Руководство

Semantic snapshot и TF-IDF — как искать смысловые связи без LLM и embeddings

Простыми словами про TF-IDF и semantic snapshot: как построить «kарту смыслов» для корпуса текстов без LLM и векторных embeddings, и как это живёт рядом с ручными тегами и графом сайта.

Руководство

EmbeddingGemma (Gemma 3) — компактная embedding-модель от Google для on-device RAG

Открытая embedding-модель от Google на базе Gemma 3: 308M параметров, 100+ языков, контекст 2048 токенов, 768-мерные векторы с MRL-усечением до 128. Работает на 200 МБ RAM, считает эмбеддинг на CPU за десятки миллисекунд. Когда брать вместо BGE-M3, как поднять локально и во что упереться.

Руководство

BAAI/bge-m3 — мультиязычная embedding-модель для self-hosted RAG

Open-source embedding-модель от BAAI для поиска, RAG и семантического сравнения текстов. Контекст 8192 токена, 100+ языков, MIT-лицензия, работает на CPU. Разбор возможностей, сравнение с альтернативами и эталонная сборка сервера на FastAPI.

Страница 2 из 3

Хотите применить прочитанное к своей задаче?

Разберём вашу задачу и определим ближайший шаг.