AI / ML
GEO, MCP и WebMCP: как ChatGPT, Claude и Gemini намират, четат и използват сайтове
GEO на практика: как ИИ асистентите намират сайта, какво да настроите в robots.txt, маркирането и съдържанието, как да свържете MCP и WebMCP и какво трябва на онлайн магазина за покупки чрез ИИ.
Двигатели за инференс на LLM: vLLM, llama.cpp, LiteRT-LM и други – скорост, хардуер, мащабиране
С какво да стартираме езикови модели в края на 2026 г.: vLLM, SGLang, TensorRT-LLM, llama.cpp, MLX, LiteRT-LM, Ollama и LM Studio – скорост, хардуер, мащабиране, със замервания.
Сравнение на 41 AI харнеса – от Claude Code до OpenClaw
Агенти за програмиране и универсални агенти: Claude Code, Codex, Cursor, Copilot, OpenCode, OpenClaw, Hermes – лицензи, модели, настройка, пясъчник, бенчмаркове, обучение върху вашия код и течове.
Claude Code – команди, настройки, флагове
Справочник за Claude Code: слеш команди с аргументи и примери, ключове на settings.json, правила за достъп, подкоманди, флагове и променливи на средата. Актуално към август 2026.
Claude Code – Best Practices
Как да организирате работата с Claude Code: инструкции на проекта, правила и скилове, тракер на задачи и бъгове в хранилището, план преди кода, субагенти, контекст, разрешения и разход на бюджета.
Хукове в Claude Code
Разбор на хуковете в Claude Code: всички събития, кодове на изход и JSON решения, matcher и if, пет вида обработчици и три работещи хука – звук, контрол на лимитите на абонамента и журнал на работата.
LangChain и LangGraph – агенти, графи и цялата инфраструктура около тях
Как е устроен стекът LangChain 1.x и LangGraph 1.x: models и messages, tools, create_agent и middleware, StateGraph с reducers, checkpointers и store, streaming, human-in-the-loop, LangSmith, Agent Server и langgraph CLI, миграция от 0.x.
Техники за промпт инженеринг при големите езикови модели
Регулаторът на усилието при reasoning моделите, строги схеми на отговора, промптове за агенти, разделители, XML тагове и few-shot: как да формулирате промптове за ChatGPT, Claude и Gemini.
DSPy – Автоматично генериране на промптове
DSPy 3.4 на примера на агент за поддръжка: сигнатури вместо текст на промпта, инструменти, метрика, оптимизаторите MIPROv2 и GEPA, запазване на резултата и какво ще се промени в DSPy 3.5.
RAG (Retrieval-Augmented Generation), Function / Tools Calling, CAG (Cache-Augmented Generation) за LLM модели
RAG, Function Calling и CAG за локални LLM модели: как работи векторната база данни, с примери на Kotlin, DSPy, LangChain, LangChain4j и llama.cpp.
Векторни бази данни
Векторни бази на практика: с какво се различават Milvus, Qdrant и Weaviate, как се изчисляват ембедингите, как работят индексите HNSW и търсенето по близост.
Offline AI Launcher – стартиране на AI LLM невронни мрежи на смартфон
Приложението Offline AI Launcher: как да стартирате LLM Gemma, DeepSeek, Llama и Qwen направо на Android от модели .gguf, без интернет и абонамент.
LoRA – Дообучаване на AI LLM модели
Дообучаване на LLM с LoRA: кога е по-добро от RAG и кога не, как са устроени адаптерите, и два пълни примера за Gemma 4 E2B с Unsloth и PEFT с експорт в GGUF.
llama.cpp AI LLM Engine – Как работи
Как е устроен инференсът в llama.cpp: зареждане на GGUF, токенизация, изграждане на изчислителния граф, KV-cache и семплиране на следващия токен.
Локално стартиране на LLM модели на Android смартфон
С какво да стартирате езиков модел на Android: LiteRT-LM, llama.cpp, MediaPipe, MLC LLM и ONNX Runtime GenAI – какво да изберете, как да подготвите модела и Kotlin код, който спира генерирането.
Невронните мрежи с прости думи
Как е устроен LLM: токенизация, embedding, attention в трансформъра, квантуване и семплери, които определят избора на следващия токен.