К содержимому

Аудитория

DevOps и команды разработки

28 статей

Все статьи

Команде нужна не демонстрация, а повторяемость. Ревью модели должно запускаться на каждый pull request одинаково, расходы по сервисам должны считаться раздельно, а утечка одного ключа не должна останавливать остальное. Для этого в блоге лежат материалы про агентов в CI, автоматическое ревью, оценку качества, логи и шлюзы.

Основа проста. Заведите ключ на каждый сервис или окружение, поставьте лимит расходов и меняйте ключи без простоя. Порядок замены и проверку командой GET /v1/key описывает страница об аутентификации. Остальное строится вокруг журнала запросов с request_id: как он устроен, показано на странице про наблюдаемость.

Агрегатор нейросетей по API: как устроен шлюз и когда он нужен

Объясняем, что такое агрегатор нейросетей по API, чем шлюз отличается от прямого ключа вендора и самохоста, и что спросить у сервиса до пополнения баланса.

Аналог OpenRouter в России: как перейти на API Relay

Проверьте Relay как аналог OpenRouter в России: сопоставьте модели, настройте адрес и ключ, уточните оплату и перенесите приложение с проверкой.

Агрегаторы нейросетей в России: как выбрать API

Выберите агрегатор нейросетей в России для приложения: проверьте каталог, протоколы, условия оплаты, лимиты ключей и стоимость рабочего запроса.

LangChain и LangGraph: выбор для цепочек и агентов

Сравните LangChain и LangGraph по задаче: когда достаточно последовательных вызовов, когда нужно состояние, как подключить API и ограничить шаги.

Агенты Claude Code: задачи, права и расходы через API

Настройте агентов Claude Code через API Relay безопасно: разделите задачи, ограничьте доступ к проекту, задайте бюджет ключа и проверяйте каждый патч.

Лучшие агрегаторы нейросетей: критерии выбора API

Выберите агрегатор нейросетей через проверяемый пилот: сравните протоколы, каталог, цены, ключи, журнал и оплату, а не рекламный рейтинг.

Создание AI-агентов: модель, инструменты и бюджет API

Создайте AI-агента с одной проверяемой задачей: выберите модель, ограничьте инструменты и расходы, проверьте остановку и журнал запросов.

Как оплатить Claude API из России: что проверить до оплаты

Разбираем, как оценить способ оплаты Claude API из России до перевода денег: условия сервиса, статус счёта, комиссии, документы и действия при отказе.

Доступ к LLM API из России: варианты и риски

Как выбрать доступ к LLM API из России без ложных обещаний: подписка или API, правила региона, владелец аккаунта, защита ключа, данные и план на случай отказа.

Альтернативы OpenRouter: как выбрать шлюз

Сравниваем не витрину обещаний, а критерии выбора LLM-шлюза: каталог, правила маршрута, наблюдаемость, ключи и условия пилота.

Свой LiteLLM или готовый LLM-шлюз для команды

Как посчитать стоимость владения шлюзом без выдуманных тарифов: инфраструктура, дежурства, доступ, журнал и границы контроля данных.

Helicone, Portkey и журнал LLM-запросов

Как разделить наблюдаемость, маршрутизацию и доступ к моделям, а затем проверить журнал LLM-вызовов на реальном инциденте.

Claude через AWS Bedrock и Google Vertex

Как выбрать облачный путь к Claude: контроль доступа, сеть, закупки, региональные требования и стоимость интеграции без ложных обещаний.

Что такое LLM-шлюз и когда он нужен

Разбираем, где LLM-шлюз стоит в запросе, чем отличается от прямого API и какие проверки провести до переноса рабочего трафика.

Безопасность LLM API: ПДн, логи и секреты

Как определить допустимые данные для LLM API, защитить ключи и логи, разделить автоматическую обработку и ручную проверку без обещаний юридического соответствия.

Промпты для AI-агентов: цель, ограничения и остановка

Как написать промпт для AI-агента: задать проверяемую цель, границы доступа, правила инструментов и условие остановки без расплывчатых инструкций.

Почему команде трудно доверять AI-коду и как с этим работать

Практическая заметка о доверии к коду от AI-агентов: откуда берётся сомнение, какие правила помогают команде и что проверять в pull request.

Как ревьюить код агента: шесть проверок до слияния

Чеклист ревью кода, написанного AI-агентом: границы изменения, опасные действия, тесты, размер diff и признаки уверенного вымысла.

Computer use: как автоматизировать браузер через LLM

Разбираем browser automation с LLM: цикл скриншот-действие, песочница, условия остановки, проверка результата и случаи, когда нужен обычный API.

Бот для ревью PR на LLM: код и GitHub Actions

Разбираем каркас бота для ревью pull request: как ограничить diff, вызвать LLM, проверить ответ и опубликовать полезный комментарий.