1
00:00:00,000 --> 00:00:28,180
 Всем привет, дорогие друзья! Мы рады всех вас видеть на нашем сегодняшнем вебинаре. Он

2
00:00:28,180 --> 00:00:33,180
 называется «Как научить Агентов искать информацию в интернете и проводить исследования».

3
00:00:34,960 --> 00:00:41,040
 С вами сегодня буду я, как Авина Анна, ML Tech Product, да, и Сережа Нарбут.

4
00:00:41,340 --> 00:00:44,620
 Да, который является руководителем группы разработки EA Studio.

5
00:00:45,340 --> 00:00:56,000
 Все так. А я ML Tech Product Manager в Яндексе EA Studio. Мы с вами двигаемся дальше. Давайте с вами поговорим о том, что мы сегодня расскажем.

6
00:00:56,360 --> 00:01:10,240
 Первая часть вебинара будет такая. Для нашего всеобщего понимания контекста я немного расскажу о сценариях, которые реализуют пользователи EA Studio совместно с поисковыми сценариями в своих EA агентах.

7
00:01:10,240 --> 00:01:19,800
 Еще я расскажу про продукты, которые есть в Яндекс.Б2Б для поиска и поисковых сценариев. В основном, конечно, для EA агентов, но не только.

8
00:01:20,480 --> 00:01:31,740
 И вторая часть вебинара будет по-настоящему про уровня. На ней Сережа расскажет про подходы к Deep Research, архитектуру и то, как мы реализовывали Deep Research в наших инструментах.

9
00:01:32,120 --> 00:01:32,660
 Все верно.

10
00:01:32,660 --> 00:01:42,980
 Давайте стартовать, начинать. Мне кажется, самое время поговорим, как я уже сказала, о сценариях, которые реализуют пользователи в Яндекс.Ей Студио.

11
00:01:43,760 --> 00:01:51,940
 Конечно, самый частый кейс – это клиентская поддержка. Клиентская поддержка нужна большим клиентам, B2B клиентам, собственно, интерпрайз-компаниям.

12
00:01:51,940 --> 00:02:01,920
 Но также клиентская поддержка нужна и небольшим компаниям. Все ее хотят автоматизировать, потому что, как правило, это самый финансово выгодный кейс внедрения AI и автоматизации.

13
00:02:02,620 --> 00:02:13,300
 Но если мы с вами подумаем внимательно и посидим, поразмышляем, что такое автоматизация клиентской поддержки, то поймем, что это либо работа с пользователями в чате,

14
00:02:13,300 --> 00:02:16,360
 соответственно, нужно очень хорошо управлять контекстом.

15
00:02:16,880 --> 00:02:23,820
 Если мы автоматизируем эту часть работы, наш агент должен отвечать на вопросы пользователей, о нашем сервисе, о нашем продукте,

16
00:02:24,340 --> 00:02:29,600
 а еще, может быть, мы хотим сделать какой-то помощник для уже существующего сотрудника клиентской поддержки.

17
00:02:30,120 --> 00:02:39,100
 Ну и в таком случае, соответственно, он поможет этому сотруднику отвечать быстрее, тоже сможет искать по внутренней базе знаний и разбирать обращения.

18
00:02:39,100 --> 00:02:54,020
 Еще часто наши клиенты реализуют корпоративных ассистентов. Это такие ассистенты внутри компании, которые помогают не только сотрудникам клиентской поддержки, но и в целом сотрудникам компании быстрее реализовать свои задачи и комфортнее работать.

19
00:02:54,020 --> 00:03:12,260
 Искать по внутренним регламентам, например, искать, как корректно взять отпуск, как поступить в той или иной ситуации по регламентам компании. И также координируют по внутренним процессам, помогают им и выступают некоторыми такими персональными помощниками, например, по календарю сотрудника.

20
00:03:13,000 --> 00:03:30,200
 Еще, наверное, частый кейс — это работа с документами. На самом деле, вообще, это топ-2 кейс после кариенской поддержки. Автоматизация документа оборота — это, кажется, такая очень понятная для автоматизации, для применения AI-сферы. И здесь тоже нам помогают поисковые сценарии. Без них вообще никак.

21
00:03:30,720 --> 00:03:42,560
 Например, у вас есть большая стопка документов, PDF, каких-то сложных, может быть, какой-то невероятной строительной документации. И вот по ней вам нужно найти, как конкретно должен быть реализован тот или иной проект.

22
00:03:42,560 --> 00:03:53,800
 Ну и, соответственно, здесь, конечно, вам нужен поиск, либо вы хотите автоматизировать подготовку писем, каких-то отчетов. Ну и, соответственно, здесь тоже есть место поисковым сценариям.

23
00:03:53,920 --> 00:04:09,520
 Ну и еще один интересный кейс, который на самом деле более массово стал применяться у клиентов EA Studio только недавно, это B2C-консультанты. Это так называемые EA-агенты, которые общаются с клиентами нашего B2B-клиента.

24
00:04:10,120 --> 00:04:25,600
 В качестве примера можно привести, пожалуй, ритейл. Вот представляете, когда вы приходите в магазин техники и выбираете себе пылесос, хотите вы пылесос себе выбрать, да? Вы смотрите на разные модели, может быть, общаетесь с сотрудником, сравниваете две модели и, собственно, принимаете решение.

25
00:04:25,680 --> 00:04:41,220
 В нашу цифровую эпоху ИИ эту задачу может выполнить ИИ-ассистент, конечно, если у него есть хороший поиск под капотом, он должен понять, а что за модель пылесоса вы хотите купить, сравнить с какой-то еще другой, например, найти отзывы на нее в интернете и вас проконсультировать.

26
00:04:41,880 --> 00:04:56,260
 Собственно, это такие core сценарии, в которых нужен поиск. Ну и тут я, конечно, не называю различных и ассистентов, которые заточены под поисковый сценарий, кажется, это совершенно понятно, которые реализуют разные маркетинговые исследования или мониторинг конкурентов.

27
00:04:57,400 --> 00:05:12,860
 Мы с вами двигаемся дальше. Вот мы с вами на самом деле какое-то время назад все хотели быть промт-инженерами, а потом поняли, что промт-инженеринг — это не так круто и важнее вообще конфигурировать контекст.

28
00:05:12,860 --> 00:05:34,100
 И вообще в работе над AI-аппликейшнами какими-то важна не только сама модель, которая, собственно, пережует наш промт и выдаст какой-то результат, но и важно то, что мы даем этой модели на вход помимо просто текстовой инструкции, какую еще информацию мы ей подаем.

29
00:05:34,100 --> 00:05:52,320
 Сейчас в эпоху коммодизации AI, когда там точка конкуренции смещается от того, насколько большая у вас модель к некоторому харнесу и созданию контекста для этой модели, как будто бы как раз поисковый сценарий, способы создания этого контекста наиболее актуальными становятся.

30
00:05:52,320 --> 00:06:04,420
 Контексты можем избирать откуда? Из внутренних знаний, можем из интернета, еще можем собирать какую-то информацию о пользователе, если хотим, персонализированное общение, либо какие-то внутренние процессы и инструкции.

31
00:06:06,300 --> 00:06:21,420
 Ну, то есть, о чем я говорю? Вот да, если модели комодизируются, то раньше, что мы делали? Мы выбирали большую модель, были такими некоторыми промт-инженерами и думали, а где находится нужная информация, чтобы вот классно ее в промт добавить и чтобы у нас хороший результат получился.

32
00:06:22,320 --> 00:06:37,080
 Сейчас мы уже больше доверяем AI и, соответственно, больше задачи и более сложные задачи делегируем AI. Ну и, соответственно, сейчас стоит задуматься уже, а вообще какая информация нашей AI-системе в теории может понадобиться, чтобы классно решать наш запрос.

33
00:06:37,080 --> 00:06:48,180
 То есть не мы вручную ее подбираем и добавляем в промт и просто условно просим модель на основании этого промта что-то сгенерировать, а мы уже строим систему, которая автоматически умеет собирать хорошо контекст.

34
00:06:48,480 --> 00:06:53,800
 Это такой важный смысловой переход, про который мне хотелось вам подсветить и рассказать.

35
00:06:55,380 --> 00:07:08,400
 Ну и, соответственно, современный AI-серч, то есть поисковый контекст, он помогает получать актуальный контекст под запрос клиента, какую-то, может быть, реал-тайм-информацию, которая не была на этапе обучения модели.

36
00:07:08,400 --> 00:07:14,380
 И, ну, по-настоящему, наверное, один из столпов создания хорошего контекста. Это хороший поиск.

37
00:07:15,760 --> 00:07:29,360
 Мы с вами немножко поболтали про сценарии, в которых, собственно, наши пользователи применяют поисковые сценарии, поговорили про некоторое изменение паттерна взаимодействия с ее системами.

38
00:07:29,840 --> 00:07:33,560
 Сейчас настало время нам с вами поговорить о продуктах e-search.

39
00:07:34,000 --> 00:07:43,820
 Собственно, о B2B поисковых продуктах, которые у нас есть. Я сейчас по ним пройдусь, расскажу вам немного контекста, и, собственно, сможем продолжить.

40
00:07:45,040 --> 00:07:50,220
 На самом деле, если мы, собственно, смотрим на e-search, то у нас есть такие воображаемые две ветки.

41
00:07:50,760 --> 00:07:57,100
 Поиск в локальной базе знаний и поиск в интернете. Я поговорю про обе, но сначала про поиск в локальной базе знаний.

42
00:07:57,960 --> 00:08:03,760
 У нас вебинары в правом уровне, поэтому я думаю, что вы все уже догадались, что на самом деле это рак.

43
00:08:04,220 --> 00:08:09,380
 Но давайте я потрачу буквально минуту времени для того, чтобы мы с вами все были в одном контексте.

44
00:08:09,960 --> 00:08:13,560
 Я думаю, что у нас сегодня разного уровня зрители на этом вебинаре.

45
00:08:14,320 --> 00:08:15,640
 Собственно, что такое рак?

46
00:08:15,820 --> 00:08:21,960
 По сути, это такой архитектурный подход, который реализует сначала поиск информации

47
00:08:21,960 --> 00:08:26,840
 в какой-то базе данных, которую вы заранее загрузили по вашей локальной базе знаний,

48
00:08:27,300 --> 00:08:32,100
 и дополнение этой информации к промпту, ну и, соответственно, генерацию на основе всей этой истории.

49
00:08:32,720 --> 00:08:35,240
 Ну и технически можно разделить его на две части.

50
00:08:35,400 --> 00:08:36,980
 Это, по сути, подготовка данных.

51
00:08:37,440 --> 00:08:43,100
 Это такая область довольно сложная и трудоемкая, и довольно неочевидная для людей,

52
00:08:43,100 --> 00:08:45,740
 которые впервые сложатся в таком архитектурном подходе.

53
00:08:45,940 --> 00:08:47,860
 Ну и, собственно, сам поиск релевантной информации,

54
00:08:47,980 --> 00:08:50,500
 которая, на самом деле, оказывается даже, я бы сказала,

55
00:08:50,600 --> 00:08:53,200
 чуть более простой задачей, чем подготовка сложных данных.

56
00:08:53,940 --> 00:08:54,600
 Все так, да.

57
00:08:55,460 --> 00:08:57,120
 Да, давайте я покажу вам схему.

58
00:08:57,420 --> 00:09:01,160
 Важно не пугаться, она простая и буквально иллюстрирует то,

59
00:09:01,200 --> 00:09:02,840
 что я вам сейчас рассказала.

60
00:09:03,360 --> 00:09:05,520
 Представим, берем нашу базу знаний какую-то,

61
00:09:05,680 --> 00:09:09,340
 суперсекретная документация, берем наши данные,

62
00:09:09,640 --> 00:09:11,760
 извлекаем, может быть, из сложных форматов,

63
00:09:11,760 --> 00:09:14,600
 из видео, из аудио, а может быть, у нас какая-то документация

64
00:09:14,600 --> 00:09:17,440
 лежит в PDF-ках, оттуда нужно забрать контекст

65
00:09:17,440 --> 00:09:19,260
 и перевести его, собственно, в текст.

66
00:09:19,740 --> 00:09:21,940
 Потом мы берем этот текст, режем его на кусочки.

67
00:09:22,140 --> 00:09:25,500
 Как показывает практика, поиск по кусочкам информации

68
00:09:25,500 --> 00:09:28,380
 работает лучше, чем поиск по целому файлу и более точно.

69
00:09:28,940 --> 00:09:31,840
 Потом переводим текст в вектора, эти вектора загружаем

70
00:09:31,840 --> 00:09:33,820
 в специальную векторную базу данных.

71
00:09:34,500 --> 00:09:37,560
 Все, мы готовы к тому, чтобы отвечать на вопросы пользователей.

72
00:09:38,300 --> 00:09:40,540
 Принимаем, собственно, вопрос пользователя,

73
00:09:40,540 --> 00:09:42,820
 модель его, может быть, как-то переформулирует

74
00:09:42,820 --> 00:09:47,080
 и идет в базу данных искать ответ на этот вопрос.

75
00:09:47,580 --> 00:09:49,580
 Ищет, ну, как правило, гибридным поиском,

76
00:09:49,700 --> 00:09:54,860
 это векторный поиск плюс, ну, обычный, полнотекстовый, да,

77
00:09:55,340 --> 00:09:58,560
 и добавляет к себе в prompt нужную информацию

78
00:09:58,560 --> 00:10:00,460
 и корректно отвечает на ваш вопрос.

79
00:10:02,700 --> 00:10:05,040
 Как вообще работает подготовка данных?

80
00:10:05,120 --> 00:10:07,780
 И тут я хотела бы на пару минут остановиться

81
00:10:07,780 --> 00:10:11,380
 и поговорить конкретно про наш инструмент, собственно, рага.

82
00:10:11,720 --> 00:10:14,160
 На самом деле, архитектурно мы реализуем внутри себя

83
00:10:14,160 --> 00:10:16,880
 такой довольно классический прямой пайплайн рага.

84
00:10:18,160 --> 00:10:20,340
 Основное УТП, про которое хочется рассказать,

85
00:10:20,460 --> 00:10:22,960
 это именно подготовка данных.

86
00:10:23,480 --> 00:10:26,620
 Как правило, все, кто пытался завести какие-то раг-системы,

87
00:10:26,620 --> 00:10:30,180
 понимают, что в целом это не какая-то rocket science задача,

88
00:10:30,220 --> 00:10:33,100
 в целом сделать какой-нибудь раг у себя на коленке.

89
00:10:33,860 --> 00:10:37,000
 Основная сложность в том, чтобы мощь хорошо,

90
00:10:37,000 --> 00:10:39,000
 чтобы хорошо предобрабатывать информацию.

91
00:10:39,000 --> 00:10:42,000
 Если с текстом плюс-минус все понятно,

92
00:10:42,000 --> 00:10:44,000
 может быть, ты его берешь и режешь на кусочки,

93
00:10:44,000 --> 00:10:46,000
 может быть, у тебя какая-то markdown-разметка,

94
00:10:46,000 --> 00:10:49,000
 и ты режешь как бы по спецсимволам,

95
00:10:49,000 --> 00:10:53,000
 то с другими типами информации все не так очевидно.

96
00:10:53,000 --> 00:10:56,000
 Конкретно наш инструмент поиска по локальной базе знаний

97
00:10:56,000 --> 00:11:00,000
 умеет работать с таблицами, это CSV и Excel.

98
00:11:00,000 --> 00:11:03,000
 Мы специальным образом их обрабатываем,

99
00:11:03,000 --> 00:11:06,000
 собственно, проводим сериализацию таблиц.

100
00:11:06,000 --> 00:11:08,000
 Интересно, что такое сериализация.

101
00:11:08,000 --> 00:11:09,000
 Пожалуйста, ребята, загуглите.

102
00:11:09,000 --> 00:11:10,000
 Там вот такая статья.

103
00:11:10,000 --> 00:11:13,000
 Просто вам чтиво на целый вечер.

104
00:11:13,000 --> 00:11:16,000
 Еще мы работаем с PDF и PPTX.

105
00:11:16,000 --> 00:11:19,000
 Это ваши любимые PDF-презентации, соответственно.

106
00:11:19,000 --> 00:11:21,000
 Мы не просто забираем оттуда текст,

107
00:11:21,000 --> 00:11:23,000
 но забираем еще и картинки.

108
00:11:23,000 --> 00:11:24,000
 Их тоже обрабатываем.

109
00:11:24,000 --> 00:11:26,000
 Работаем, соответственно, с изображениями,

110
00:11:26,000 --> 00:11:28,000
 как мы можем игнорировать изображения.

111
00:11:28,000 --> 00:11:31,000
 Особенно, если мы говорим про какую-то инструкцию со скриншотами.

112
00:11:31,000 --> 00:11:35,000
 Это очень важная часть контекста, которую не нужно терять,

113
00:11:35,000 --> 00:11:39,000
 которые, как правило, в каких-то простых опенсорсных решениях рага

114
00:11:39,000 --> 00:11:42,000
 часто просто скипают, из-за этого падает качество.

115
00:11:42,000 --> 00:11:44,000
 А еще мы работаем с видео и аудио.

116
00:11:44,000 --> 00:11:47,000
 Ну, вдруг вам нужно загрузить какую-то видеоинструкцию.

117
00:11:47,000 --> 00:11:52,000
 Например, такой кейс был на моей памяти у сотрудников Пятерочки.

118
00:11:52,000 --> 00:11:56,000
 Они делали ассистента для своих сотрудников,

119
00:11:56,000 --> 00:11:58,000
 которые пекут булочки и хлеб.

120
00:11:58,000 --> 00:12:00,000
 Я думаю, все пробовали булочки из Пятерочки.

121
00:12:00,000 --> 00:12:04,000
 Но вот там есть видеоинструкция, и они долго мучились тем,

122
00:12:04,000 --> 00:12:06,000
 чтобы научиться добавлять этот контекст в рак.

123
00:12:06,000 --> 00:12:09,000
 А у нас уже есть готовый инструмент для этого.

124
00:12:09,000 --> 00:12:11,000
 Поэтому вы не будете мучиться.

125
00:12:11,000 --> 00:12:13,000
 Предлагаю вам протестировать этот функционал.

126
00:12:13,000 --> 00:12:16,000
 У аудио мы берем текстовую дорожку.

127
00:12:16,000 --> 00:12:18,000
 Собственно, достаем текст и его викторизуем.

128
00:12:18,000 --> 00:12:22,000
 У видео мы берем и текст, собственно, звук, и видеоряд.

129
00:12:22,000 --> 00:12:23,000
 Его тоже мы обрабатываем.

130
00:12:23,000 --> 00:12:25,000
 Это тоже важная часть контекста.

131
00:12:25,000 --> 00:12:28,000
 Что ж, я тут надолго с вами остановилась.

132
00:12:28,000 --> 00:12:30,000
 Просто хотела вас привести к мысли о том,

133
00:12:30,000 --> 00:12:32,000
 что вообще большая часть качества результата

134
00:12:32,000 --> 00:12:35,000
 определяется тем, насколько хорошо подготовлены данные.

135
00:12:35,000 --> 00:12:38,000
 И это вообще важная мысль для людей,

136
00:12:38,000 --> 00:12:40,000
 которые делают такие системы.

137
00:12:40,000 --> 00:12:44,000
 И, конечно, важно, как они используются в LLM

138
00:12:44,000 --> 00:12:45,000
 и как они добавляются в контекст,

139
00:12:45,000 --> 00:12:48,000
 но подготовка данных — это вообще кора успеха.

140
00:12:48,000 --> 00:12:50,000
 Когда использовать трек?

141
00:12:50,000 --> 00:12:52,000
 Я думаю, что вы все уже догадались,

142
00:12:52,000 --> 00:12:54,000
 я не буду подробно устанавливаться.

143
00:12:54,000 --> 00:12:56,000
 Главный тут принцип — это история,

144
00:12:56,000 --> 00:12:59,000
 когда у вас есть какая-то локальная база знаний,

145
00:12:59,000 --> 00:13:01,000
 которой нет нигде в интернете,

146
00:13:01,000 --> 00:13:03,000
 и, может быть, вы не хотели бы ее шарить в интернет,

147
00:13:03,000 --> 00:13:05,000
 вот тогда хорошо помогает рак.

148
00:13:05,000 --> 00:13:07,000
 Либо вам нужно, ну, очень сильно как-то кастомизировать

149
00:13:07,000 --> 00:13:11,000
 ваш поиск, у вас совсем разнородная информация.

150
00:13:11,000 --> 00:13:14,000
 Дальше, переходим к второй большой части —

151
00:13:14,000 --> 00:13:16,000
 это поиск во внешних ресурсах.

152
00:13:16,000 --> 00:13:18,000
 Я вам немножко заспойлерил,

153
00:13:18,000 --> 00:13:19,000
 мы сегодня будем с вами говорить

154
00:13:19,000 --> 00:13:21,000
 про такие четыре интересных продукта.

155
00:13:21,000 --> 00:13:24,000
 Собственно, давайте по ним двигаться чуть подробнее.

156
00:13:24,000 --> 00:13:26,000
 Первое — это GenSearch.

157
00:13:26,000 --> 00:13:28,000
 Это такой продукт, собственно,

158
00:13:28,000 --> 00:13:31,000
 для наших клиентов,

159
00:13:31,000 --> 00:13:33,000
 которые не хотят заморачиваться

160
00:13:33,000 --> 00:13:35,000
 и просто хотят получить классный

161
00:13:35,000 --> 00:13:37,000
 генеративный ответ по поиску в интернете.

162
00:13:37,000 --> 00:13:39,000
 Фактически, что он делает?

163
00:13:39,000 --> 00:13:41,000
 Он принимает ваш запрос,

164
00:13:41,000 --> 00:13:43,000
 анализирует его

165
00:13:43,000 --> 00:13:46,000
 и, собственно, делает поиск на технологиях Яндекса,

166
00:13:46,000 --> 00:13:48,000
 берет поисковую выдачу

167
00:13:48,000 --> 00:13:50,000
 и генерирует ответ с цитатами.

168
00:13:50,000 --> 00:13:52,000
 Давайте, наверное, где-нибудь здесь посмотрим,

169
00:13:52,000 --> 00:13:54,000
 вообще, как это работает.

170
00:13:54,000 --> 00:13:56,000
 Кстати, на экране перед вами плейграунд,

171
00:13:56,000 --> 00:13:58,000
 в котором вы можете посмотреть,

172
00:13:58,000 --> 00:14:00,000
 как отрабатывают ваши запросы.

173
00:14:00,000 --> 00:14:02,000
 А еще взять себе код,

174
00:14:02,000 --> 00:14:04,000
 которым можно Ctrl+C, Ctrl+V вставить,

175
00:14:04,000 --> 00:14:06,000
 добавить API-ключ и буквально

176
00:14:06,000 --> 00:14:08,000
 все, у вас работающий функционал.

177
00:14:08,000 --> 00:14:10,000
 Это я вот задавалась интересным вопросом,

178
00:14:10,000 --> 00:14:12,000
 как зимуют рыбы.

179
00:14:12,000 --> 00:14:14,000
 Кстати, правда интересно.

180
00:14:14,000 --> 00:14:16,000
 Советую погуглить такие простые вопросы.

181
00:14:16,000 --> 00:14:18,000
 Собственно, у нас есть генеративный ответ, цитаты,

182
00:14:18,000 --> 00:14:20,000
 ссылки на эти цитаты, просто берем и используем.

183
00:14:20,000 --> 00:14:22,000
 И супер, и работает.

184
00:14:22,000 --> 00:14:24,000
 Когда такую историю стоит использовать?

185
00:14:24,000 --> 00:14:29,000
 Собственно, чат-боты, где поисковый сценарий - это вообще не core-функциональность,

186
00:14:29,000 --> 00:14:34,000
 где нужен просто какой-то поиск, и где хочется минимально

187
00:14:34,000 --> 00:14:37,000
 заморачиваться, типа супер-мвп какую-то историю делать,

188
00:14:37,000 --> 00:14:40,000
 и хочется вот куда-то делегировать все эти сложные штуки с тем,

189
00:14:40,000 --> 00:14:42,000
 чтобы настраивать поиск.

190
00:14:42,000 --> 00:14:45,000
 Но важно понимать, что мы здесь не можем влиять

191
00:14:45,000 --> 00:14:47,000
 на промпт итоговой генерации.

192
00:14:47,000 --> 00:14:50,000
 Мы вот получаем, собственно, какой-то генеративный ответ.

193
00:14:50,000 --> 00:14:52,000
 Если у вас очень специализированные ассистенты,

194
00:14:52,000 --> 00:14:54,000
 то такая история будет работать чуть хуже.

195
00:14:54,000 --> 00:14:56,000
 Ну и, соответственно, какой-то deep research

196
00:14:56,000 --> 00:15:00,000
 сложновато на такой истории построить.

197
00:15:00,000 --> 00:15:04,000
 Подробнее про сами API можно почитать в документации.

198
00:15:04,000 --> 00:15:06,000
 Еще одна интересная штука – image search.

199
00:15:06,000 --> 00:15:08,000
 Что я под этим подразумеваю?

200
00:15:08,000 --> 00:15:10,000
 Давайте смотреть.

201
00:15:10,000 --> 00:15:14,000
 Это такой же playground в нашей консоли Яндекса и студио.

202
00:15:14,000 --> 00:15:17,000
 Вот я тут какой-то другой вопрос задаю, да?

203
00:15:17,000 --> 00:15:19,000
 Да, ты задаешь, как котики.

204
00:15:19,000 --> 00:15:22,000
 Да, да, да. Люблю котиков.

205
00:15:22,000 --> 00:15:25,000
 Ну, давайте признаем честно, а кто не любит котиков, да?

206
00:15:25,000 --> 00:15:26,000
 Из нас с вами.

207
00:15:26,000 --> 00:15:29,000
 Здесь вот видно, что можно настроить разные параметры.

208
00:15:29,000 --> 00:15:32,000
 Например, понять, какие картинки конкретно мы ищем.

209
00:15:32,000 --> 00:15:35,000
 Скопировать уже сразу код с этими параметрами.

210
00:15:35,000 --> 00:15:37,000
 Вот у меня нашлись котики на подоконнике.

211
00:15:37,000 --> 00:15:42,000
 Собственно, это отображение картинок и ру-респонс.

212
00:15:42,000 --> 00:15:43,000
 Супер.

213
00:15:43,000 --> 00:15:45,000
 А еще можно искать по картинке.

214
00:15:45,000 --> 00:15:48,000
 Вот этот цветок, который стоит у меня на столе, на работе.

215
00:15:48,000 --> 00:15:49,000
 И я не знаю, как он называется.

216
00:15:49,000 --> 00:15:51,000
 Я решила посмотреть.

217
00:15:51,000 --> 00:15:52,000
 В общем, да.

218
00:15:52,000 --> 00:15:53,000
 Теперь знаешь.

219
00:15:53,000 --> 00:15:54,000
 Теперь знаю.

220
00:15:54,000 --> 00:15:55,000
 Да, да.

221
00:15:55,000 --> 00:15:57,000
 Вот, собственно, тут уже есть спойлеры в ответах.

222
00:15:57,000 --> 00:15:58,000
 Можно перейти на сайт.

223
00:15:58,000 --> 00:16:00,000
 Он найдет сразу сайт, где есть этот цветок.

224
00:16:00,000 --> 00:16:03,000
 Вот продают с потифилом такой же.

225
00:16:03,000 --> 00:16:05,000
 Более, ну ты даже теперь его цену знаешь.

226
00:16:05,000 --> 00:16:06,000
 Да, да.

227
00:16:06,000 --> 00:16:09,000
 Не, ну у меня, конечно, цветочек поскромнее, я бы сказала, по размеру.

228
00:16:09,000 --> 00:16:10,000
 Но примерно да.

229
00:16:10,000 --> 00:16:14,000
 Можно найти картинку и сайт, откуда эта картинка была взята.

230
00:16:14,000 --> 00:16:21,000
 Так, мы уже переходим к другому продукту, а я вдогонку замечу,

231
00:16:21,000 --> 00:16:26,000
 что такой функционал можно применять в различных, собственно, AI-агентах,

232
00:16:26,000 --> 00:16:28,000
 например, в том же, может быть, шоппинг-ассистенте,

233
00:16:28,000 --> 00:16:32,000
 когда мы ищем что-то похожее, либо там для других кейсов.

234
00:16:32,000 --> 00:16:34,000
 Я, кстати, использую часто такую историю,

235
00:16:34,000 --> 00:16:38,000
 когда, например, вижу какую-то классную блузку в интернете

236
00:16:38,000 --> 00:16:40,000
 и понятия не имею, где мне что-то похожее купить.

237
00:16:40,000 --> 00:16:43,000
 Честно, со мной всегда работает, меня это очень радует.

238
00:16:43,000 --> 00:16:48,000
 Следующий продукт, о котором мы сегодня поговорим – это Wordstat.

239
00:16:48,000 --> 00:16:51,000
 Наверное, из названия понятно, что это такое,

240
00:16:51,000 --> 00:16:53,000
 но давайте поговорим подробнее.

241
00:16:53,000 --> 00:16:55,000
 Это такой автоматический инструмент,

242
00:16:55,000 --> 00:17:00,000
 который помогает не просто искать информацию в интернете.

243
00:17:00,000 --> 00:17:03,000
 Предположим, что мы с вами хотим провести какое-то исследование,

244
00:17:03,000 --> 00:17:07,000
 а как часто ищут все или иные фразы в интернете.

245
00:17:07,000 --> 00:17:10,000
 И, может быть, как-то оптимизировать наш сайт,

246
00:17:10,000 --> 00:17:12,000
 наш бизнес под эту задачу.

247
00:17:12,000 --> 00:17:15,000
 Для этого есть, конечно, SEO-оптимизаторы специальные.

248
00:17:15,000 --> 00:17:17,000
 Ну и как бы нам с вами, как людям,

249
00:17:17,000 --> 00:17:19,000
 которые могут провести маркетинговое такое исследование,

250
00:17:19,000 --> 00:17:21,000
 это тоже интересно.

251
00:17:21,000 --> 00:17:24,000
 Собственно, он позволяет анализировать интерес к различным темам,

252
00:17:24,000 --> 00:17:27,000
 смотреть, а что еще ищут по похожей теме,

253
00:17:27,000 --> 00:17:29,000
 показывает статистику поведения

254
00:17:29,000 --> 00:17:33,000
 и как бы позволяет оценивать частотность запросов.

255
00:17:33,000 --> 00:17:37,000
 Меньше слов, больше, наверное, скринкастов для вас, да?

256
00:17:37,000 --> 00:17:38,000
 Давайте так.

257
00:17:38,000 --> 00:17:44,000
 Что самое интересное, в AI-студио мы прямо недавно добавили шаблон MCP-сервера

258
00:17:44,000 --> 00:17:48,000
 и теперь не обязательно что-то кодить невероятное, по API вызывать.

259
00:17:48,000 --> 00:17:53,000
 Можно просто зайти в интерфейс, добавить себе шаблон MCP-сервера к Wordstat

260
00:17:53,000 --> 00:17:56,000
 и на естественном языке общаться с своим AI-ассистентом,

261
00:17:56,000 --> 00:17:58,000
 который будет для вас проводить исследование.

262
00:17:58,000 --> 00:18:02,000
 Но, важно сказать, добавляйте, пожалуйста, инструмент веб-поиска

263
00:18:02,000 --> 00:18:08,000
 вместе с шаблоном MCP к Wordstatу так работать будет лучше.

264
00:18:08,000 --> 00:18:11,000
 Я думаю, что надо попробовать и потестировать, и оценить.

265
00:18:11,000 --> 00:18:13,000
 Мне, например, понравилось.

266
00:18:13,000 --> 00:18:16,000
 Действительно, классно работает, я согласен.

267
00:18:17,000 --> 00:18:20,000
 Итак, мы с вами подбираемся к, наверное,

268
00:18:20,000 --> 00:18:23,000
 такому самому интересному большому продукту,

269
00:18:23,000 --> 00:18:26,000
 на базе которого строится еще ряд других продуктов.

270
00:18:26,000 --> 00:18:28,000
 Это Яндекс.Серк.Чапи.

271
00:18:28,000 --> 00:18:31,000
 Это классический текстовый поиск на технологиях Яндекса,

272
00:18:31,000 --> 00:18:33,000
 что важно обговорить.

273
00:18:33,000 --> 00:18:36,000
 Мы сейчас говорим больше про поиск российский,

274
00:18:36,000 --> 00:18:38,000
 но есть и международная часть.

275
00:18:38,000 --> 00:18:41,000
 Если будет интересно, после вебинара в вопросах

276
00:18:41,000 --> 00:18:45,000
 либо в документации можно будет про это подробнее узнать.

277
00:18:45,000 --> 00:18:48,000
 Собственно, это классический поиск.

278
00:18:48,000 --> 00:18:52,000
 Вы задаете свой вопрос, конфигурируете API,

279
00:18:52,000 --> 00:18:54,000
 там довольно большое количество различных фильтров,

280
00:18:54,000 --> 00:18:57,000
 и на выход получаете, собственно, уру.

281
00:18:57,000 --> 00:19:01,000
 Топ 10, например, вы задали глубину.

282
00:19:01,000 --> 00:19:03,000
 И сниппет. Что такое сниппет?

283
00:19:03,000 --> 00:19:08,000
 Сниппет - это 2-3 предложения о том, что вообще есть на этом сайте, на этом урле.

284
00:19:08,000 --> 00:19:10,000
 Буквально вот в классическом веб-поиске,

285
00:19:10,000 --> 00:19:14,000
 когда вы ищете вот эти вот небольшие строчки под каждым урлом,

286
00:19:14,000 --> 00:19:15,000
 это и есть сниппет.

287
00:19:15,000 --> 00:19:19,000
 Важно сказать, большое количество действительно параметров.

288
00:19:19,000 --> 00:19:22,000
 Так, скорее всего, я даже записала скринкаст.

289
00:19:22,000 --> 00:19:23,000
 Да.

290
00:19:23,000 --> 00:19:28,000
 Важно сказать, можно настроить себе какой-то family mode, фильтр,

291
00:19:28,000 --> 00:19:31,000
 или управлять форматом выдачи.

292
00:19:31,000 --> 00:19:34,000
 Можно еще, например, сужать область поиска.

293
00:19:34,000 --> 00:19:36,000
 Например, вы хотите на конкретном домене искать.

294
00:19:36,000 --> 00:19:38,000
 Вот делаете вы, может быть, шопинг-ассистентой себе,

295
00:19:38,000 --> 00:19:41,000
 и хотите, чтобы он искал на конкретном маркетплейсе.

296
00:19:41,000 --> 00:19:44,000
 Это тоже можно сделать абсолютно просто через Playground.

297
00:19:44,000 --> 00:19:47,000
 Это я тут показываю разные форматы выдачи.

298
00:19:47,000 --> 00:19:50,000
 Да, все фильтры уже у вас готовые будут в коде.

299
00:19:50,000 --> 00:19:52,000
 Просто копирую, вставляю и использую.

300
00:19:52,000 --> 00:19:59,000
 А еще можно делать специализированный поиск в каком-либо регионе России

301
00:19:59,000 --> 00:20:02,000
 для того, чтобы максимально точные результаты получать.

302
00:20:02,000 --> 00:20:07,000
 Я немножко вздохну, и мы с вами будем шагать дальше.

303
00:20:07,000 --> 00:20:13,000
 Да, тут я уже вам все рассказала, когда нужен такой поиск в России,

304
00:20:13,000 --> 00:20:17,000
 очень качественный, собственно, с возможностью сузить область поиска,

305
00:20:17,000 --> 00:20:25,000
 когда нужно искать довольно быстро и находить углы ресурсов.

306
00:20:25,000 --> 00:20:30,000
 Далее мы приходим, наверное, к самому интересному, буквально подбираемся,

307
00:20:30,000 --> 00:20:33,000
 поговорим про Web Search Tool в Яндекс.Ей Студио.

308
00:20:33,000 --> 00:20:38,000
 И на этом прекрасном моменте мы с вами завершаем болтологическую часть,

309
00:20:38,000 --> 00:20:42,000
 мы все с вами в одном контексте, и я передаю слово Сереже Нарбуту,

310
00:20:42,000 --> 00:20:45,000
 для того чтобы он рассказал вам действительно про версию, вы же все этого ждали.

311
00:20:45,000 --> 00:20:51,000
 Да, более того, наша болтологическая часть здесь будет, потому что я же вам буду рассказывать.

312
00:20:51,000 --> 00:20:54,000
 Что ж, давайте начнем.

313
00:20:54,000 --> 00:20:57,000
 Всем сейчас пользуются активно агентами.

314
00:20:57,000 --> 00:21:01,000
 А мы сейчас говорили про конкретные инструменты, про конкретные API,

315
00:21:01,000 --> 00:21:05,000
 немножко потрогали генеративный поиск, но, наверное, вы хотите спросить,

316
00:21:05,000 --> 00:21:10,000
 а как мне в агента добавить, собственно, возможность искать, отвечать по контенту страниц.

317
00:21:10,000 --> 00:21:17,000
 Это можно делать при помощи нашего инструмента WebSearch Tool в Яндекс.AI.Studio.

318
00:21:17,000 --> 00:21:23,000
 Мы предоставляем нашим пользователям режим совместимости с OpenAI API.

319
00:21:23,000 --> 00:21:27,000
 И есть такой API, который называется Responses API.

320
00:21:27,000 --> 00:21:33,000
 Вот в нем существует встроенный Tool WebSearch, который можно по-разному настраивать.

321
00:21:33,000 --> 00:21:38,000
 Во-первых, у него точно так же, как у обычных API-поисков в интернете,

322
00:21:38,000 --> 00:21:40,000
 которые мы рассматривали чуть раньше.

323
00:21:40,000 --> 00:21:45,000
 Можно настраивать регион, конкретные сайты, язык можно настраивать, поиск.

324
00:21:45,000 --> 00:21:48,000
 Но есть ключевое отличие.

325
00:21:48,000 --> 00:21:52,000
 Во-первых, у него можно настраивать режим потребления контекста,

326
00:21:52,000 --> 00:21:55,000
 который кардинально меняет режим работы нашего агента.

327
00:21:55,000 --> 00:21:57,000
 Что происходит?

328
00:21:57,000 --> 00:21:59,000
 То есть, какие существуют всего три режима их?

329
00:21:59,000 --> 00:22:00,000
 Есть режим Low.

330
00:22:00,000 --> 00:22:03,000
 Это специальный режим с коротким ответом.

331
00:22:03,000 --> 00:22:06,000
 Он очень сильно экономит токены.

332
00:22:06,000 --> 00:22:08,000
 Он позволяет отвечать на короткие ответы.

333
00:22:08,000 --> 00:22:11,000
 Это, по сути, формат запроса-ответа.

334
00:22:11,000 --> 00:22:14,000
 Он прекрасно подойдет на примерах:

335
00:22:14,000 --> 00:22:17,000
 какая сейчас погода, сколько что-то стоит.

336
00:22:17,000 --> 00:22:21,000
 Что-то такое простое, не требующее глубокого исследования.

337
00:22:21,000 --> 00:22:23,000
 Затем есть режим Medium.

338
00:22:23,000 --> 00:22:27,000
 Он уже может потреблять существенно больше контекста модели.

339
00:22:27,000 --> 00:22:29,000
 Он выполняет агентский поиск.

340
00:22:29,000 --> 00:22:31,000
 То есть, это теперь мультихоп-поиск,

341
00:22:31,000 --> 00:22:34,000
 где не обязательно один запрос равен одному поиску,

342
00:22:34,000 --> 00:22:38,000
 где может быть целая серия запросов в поиск,

343
00:22:38,000 --> 00:22:43,000
 получение контента по этим страницам, изучение их и дополнение.

344
00:22:43,000 --> 00:22:48,000
 Здесь мы пытаемся соблюдать баланс между сложностью вызова толову моделей

345
00:22:48,000 --> 00:22:51,000
 и количеством контента, который он получает.

346
00:22:51,000 --> 00:22:55,000
 Мы стараемся здесь экономить токены, чтобы пользователям было дешевле

347
00:22:55,000 --> 00:22:59,000
 и модели с маленькими контекстными окнами лучше справлялись.

348
00:22:59,000 --> 00:23:02,000
 И, наконец, есть самый продвинутый хай-режим.

349
00:23:02,000 --> 00:23:06,000
 Это, по сути, уже полноценный ресерч,

350
00:23:06,000 --> 00:23:08,000
 глубокий агентский ресерч,

351
00:23:08,000 --> 00:23:12,000
 многократные вызовы инструментов поиска, сравнения их,

352
00:23:12,000 --> 00:23:15,000
 возможность моделей искать не только в интернете,

353
00:23:15,000 --> 00:23:18,000
 но и прямо по конкретным частям страниц,

354
00:23:18,000 --> 00:23:21,000
 изучать их подробно и дополнять себя.

355
00:23:21,000 --> 00:23:23,000
 Когда он применяется?

356
00:23:23,000 --> 00:23:26,000
 Когда мы действительно хотим делать всяческие мультихоп-запросы,

357
00:23:26,000 --> 00:23:28,000
 давать сложные сценарии?

358
00:23:28,000 --> 00:23:30,000
 Чуть позже покажу, как это все работает.

359
00:23:30,000 --> 00:23:33,000
 По сути, HIGH - это готовый harness для Deep Research.

360
00:23:33,000 --> 00:23:36,000
 Вы можете добавить туда дополнительных инструментов,

361
00:23:36,000 --> 00:23:39,000
 например, добавить туда MCP-квордстату,

362
00:23:39,000 --> 00:23:42,000
 можете добавить туда еще наш tool-код-интерпретатор,

363
00:23:42,000 --> 00:23:45,000
 чтобы получить какие-нибудь графики и сформировать отчет,

364
00:23:45,000 --> 00:23:47,000
 например, в PDF.

365
00:23:47,000 --> 00:23:50,000
 А можете и RAC туда подключить и вообще будет офигенно искать по всему.

366
00:23:50,000 --> 00:23:53,000
 Будет мега-такой ассистент, который ищет и по интернету,

367
00:23:53,000 --> 00:23:55,000
 и по вашим внутренним знаниям,

368
00:23:55,000 --> 00:23:58,000
 и готовит по-настоящему развернутые исследования

369
00:23:58,000 --> 00:24:00,000
 в нужном вам формате и в готовом PDF.

370
00:24:00,000 --> 00:24:03,000
 Да, и более того, сможет всякое сравнить.

371
00:24:03,000 --> 00:24:06,000
 Давайте теперь посмотрим на примеры.

372
00:24:06,000 --> 00:24:10,000
 Сейчас мы посмотрим на режим Low и его демонстрация.

373
00:24:10,000 --> 00:24:14,000
 Я спрашиваю агента, специально взял быструю модель

374
00:24:14,000 --> 00:24:17,000
 и спрашиваю, какая погода в Москве.

375
00:24:17,000 --> 00:24:21,000
 Мы видим, что модель ответила очень быстро,

376
00:24:21,000 --> 00:24:23,000
 мы получили информацию, какая сейчас погода,

377
00:24:23,000 --> 00:24:26,000
 и мы потратили всего около 1000 токенов.

378
00:24:26,000 --> 00:24:29,000
 Все работает быстро, и этот сценарий действительно подходит,

379
00:24:29,000 --> 00:24:33,000
 когда вам нужно что-то такое понятное и простое спросить.

380
00:24:33,000 --> 00:24:36,000
 Но давайте теперь перейдем к более интересному режиму,

381
00:24:36,000 --> 00:24:38,000
 это Medium поиск.

382
00:24:38,000 --> 00:24:41,000
 Здесь я уже выбрал более сложную модель,

383
00:24:41,000 --> 00:24:45,000
 это QN36 с глубоким оризонингом,

384
00:24:45,000 --> 00:24:50,000
 и задаю ей вопрос найти самую дешевую синюю зимнюю шапку.

385
00:24:50,000 --> 00:24:53,000
 Это уже не просто поиск в интернете,

386
00:24:53,000 --> 00:24:55,000
 здесь нужно провести ей некоторые исследования.

387
00:24:55,000 --> 00:25:01,000
 Вот мы видим, какой запрос она послала в поиск.

388
00:25:01,000 --> 00:25:03,000
 И модель пошла рассуждать.

389
00:25:03,000 --> 00:25:05,000
 Да, Quentry 6 очень любит рассуждать,

390
00:25:05,000 --> 00:25:07,000
 он достаточно многословный,

391
00:25:07,000 --> 00:25:09,000
 поэтому мы можем уже предположить,

392
00:25:09,000 --> 00:25:11,000
 что токенов мы потратим порядком.

393
00:25:11,000 --> 00:25:14,000
 Вот мы видим, что модель еще пошла что-то изучить.

394
00:25:14,000 --> 00:25:17,000
 А, вот теперь она решила открыть конкретный сайт.

395
00:25:17,000 --> 00:25:19,000
 Видимо, ей там шапки понравились, да?

396
00:25:19,000 --> 00:25:21,000
 Да, но она же действительно по нашему запросу,

397
00:25:21,000 --> 00:25:24,000
 я не уточнял, где искать, что за шапки,

398
00:25:24,000 --> 00:25:29,000
 какие шапки, просто спросила, какая у нас шапка самая дешевая.

399
00:25:29,000 --> 00:25:34,000
 Она пошла думать, выбирать такие запросы и такие страницы,

400
00:25:34,000 --> 00:25:37,000
 которые ей позволяют ответить на мой вопрос.

401
00:25:37,000 --> 00:25:40,000
 Да, это действительно непростой вопрос для модели,

402
00:25:40,000 --> 00:25:45,000
 тем более для маленькой модели QN36 на 35 миллиардов параметров.

403
00:25:45,000 --> 00:25:48,000
 Вот мы видим, что она пошла еще одну страничку открывать

404
00:25:48,000 --> 00:25:50,000
 и очень много думать.

405
00:25:50,000 --> 00:25:53,000
 QN36 действительно любит думать.

406
00:25:53,000 --> 00:25:56,000
 Важно сказать, что если вы хотите, чтобы все работало

407
00:25:56,000 --> 00:25:58,000
 побыстрее, вы можете взять модель с другим ризонингом

408
00:25:58,000 --> 00:26:02,000
 или вообще без ризонинга.

409
00:26:02,000 --> 00:26:06,000
 Важно отметить, что основная ценность в том,

410
00:26:06,000 --> 00:26:09,000
 что вы можете кастомизировать поиск под ваш конкретный

411
00:26:09,000 --> 00:26:10,000
 бизнес-кейс и бизнес-задачу.

412
00:26:10,000 --> 00:26:13,000
 Нужны быстрые ответы, берем быструю маленькую модель

413
00:26:13,000 --> 00:26:17,000
 и, собственно, простой маленький поиск в параметре low.

414
00:26:17,000 --> 00:26:22,000
 Или берем medium или high-контекст, и мы понимаем, что ответить

415
00:26:22,000 --> 00:26:24,000
 какие-то вопросы, например, выбрать шапку, сколько

416
00:26:24,000 --> 00:26:26,000
 мы залипаем на маркетплейсов, с другой стороны.

417
00:26:26,000 --> 00:26:29,000
 Мы понимаем, что вот такой поиск сильно сократит нам

418
00:26:29,000 --> 00:26:31,500
 время, и у нас на самом деле нет такого пользовательского

419
00:26:31,500 --> 00:26:35,000
 большого ожидания, что этот работает совсем быстро.

420
00:26:35,000 --> 00:26:40,000
 Часто именно в ресерч-сценариях скорость не основное требование

421
00:26:40,000 --> 00:26:43,000
 и не является блокером для пользователей.

422
00:26:43,000 --> 00:26:47,000
 Да, тем временем модель все еще размышляет.

423
00:26:47,000 --> 00:26:51,000
 Более того, опять же, поговоря про настраиваемость, вы можете

424
00:26:51,000 --> 00:26:54,000
 взять конкретное поведение модели через системный

425
00:26:54,000 --> 00:26:57,000
 промпт, как мы, например, видим в следующем режиме.

426
00:26:57,000 --> 00:27:01,000
 И да, действительно, Quantry 6, как я уже сказал, очень

427
00:27:01,000 --> 00:27:03,000
 любит хорошенько поразмыслить над вашей задачей.

428
00:27:03,000 --> 00:27:06,000
 Так что, если вы хотите взять модель, которая хорошенько

429
00:27:06,000 --> 00:27:08,000
 размышляет, вот Quantry 6 как раз…

430
00:27:08,000 --> 00:27:09,000
 Используем ее, да.

431
00:27:09,000 --> 00:27:10,000
 Да, используем ее.

432
00:27:10,000 --> 00:27:13,000
 Хорошо, что вы можете повлиять на системный промпт,

433
00:27:13,000 --> 00:27:15,000
 который влияет напрямую на результат.

434
00:27:15,000 --> 00:27:18,000
 Мы со своей стороны экспертно подобрали хорошие промпты

435
00:27:18,000 --> 00:27:20,000
 для того, чтобы агентский поиск работал хорошо.

436
00:27:20,000 --> 00:27:22,000
 И вам не нужно об этом заботиться.

437
00:27:22,000 --> 00:27:26,000
 Да, и как мы видим, здесь агент нам выдал итоговый результат.

438
00:27:26,000 --> 00:27:31,000
 Он показал разброс цен, сказал, на каких маркетплейсах можно их поискать.

439
00:27:31,000 --> 00:27:34,000
 В принципе, можно дальше попросить его предоставить конкретные ссылки

440
00:27:34,000 --> 00:27:38,000
 и пойти купить уже эту самую дешевую синюю-зимнюю шапку.

441
00:27:38,000 --> 00:27:41,000
 Это было достаточно небыстро, но, опять же,

442
00:27:41,000 --> 00:27:44,000
 потому что мы выбрали такую модель специально для демонстрации.

443
00:27:44,000 --> 00:27:47,000
 И как мы видим, то, что токенов мы потратили здесь достаточно много.

444
00:27:47,000 --> 00:27:51,000
 Но важное отличие, то, что это токены тулов,

445
00:27:51,000 --> 00:27:56,000
 а для некоторых моделей мы придаем их с достаточно большой скидкой.

446
00:27:56,000 --> 00:27:58,000
 Подробнее вы можете ознакомиться в документации.

447
00:27:58,000 --> 00:28:02,000
 Наша большая цель в том, чтобы вы собирали качественные агенты,

448
00:28:02,000 --> 00:28:04,000
 которые хорошо отрабатывают на ваших сценариях,

449
00:28:04,000 --> 00:28:06,000
 и для вас это было комфортно.

450
00:28:06,000 --> 00:28:08,000
 Поэтому мы приняли такое решение.

451
00:28:08,000 --> 00:28:12,000
 Я думаю, что после этого вебинара вы зайдете в документацию

452
00:28:12,000 --> 00:28:14,000
 и посчитаете, посмотрите.

453
00:28:14,000 --> 00:28:19,000
 Да, более того, кроме документации, еще было обучающее видео про токены тулов.

454
00:28:19,000 --> 00:28:20,000
 Все так.

455
00:28:20,000 --> 00:28:23,000
 И теперь мы посмотрим, наверное, самый интересный режим.

456
00:28:23,000 --> 00:28:26,000
 Это хай-режим размышлений поиска.

457
00:28:26,000 --> 00:28:29,000
 Я здесь уже прописал некоторую инструкцию для модели

458
00:28:29,000 --> 00:28:37,000
 и спрашиваю ее провести исследование стоимости квартиры в Саратове в 2026 году

459
00:28:37,000 --> 00:28:40,000
 и предоставить мне мало того, что просто чекстовый отчет,

460
00:28:40,000 --> 00:28:43,000
 но еще отчет в виде HTML-странички, которую я смогу посмотреть.

461
00:28:43,000 --> 00:28:49,000
 Для этого я, кроме веб-серча в режиме хай, подключил еще и наш инструмент «код-интерпретатор»

462
00:28:49,000 --> 00:28:52,000
 и выбрал модель «Dipsick 4 Flash».

463
00:28:52,000 --> 00:28:55,000
 Как мы видим, то, что думает, он существенно быстрее,

464
00:28:55,000 --> 00:28:58,000
 он не такой прожорливый в размышлениях.

465
00:28:58,000 --> 00:29:00,000
 Здесь мы видим, какие он странички открывает,

466
00:29:00,000 --> 00:29:03,000
 как он подобрал план исследований,

467
00:29:03,000 --> 00:29:07,000
 он уже целый список, большой такой список ссылок нашел,

468
00:29:07,000 --> 00:29:09,000
 и теперь он идет их изучать.

469
00:29:09,000 --> 00:29:12,000
 Он открывает, опять же, странички,

470
00:29:12,000 --> 00:29:16,000
 в каких-то местах он начинает читать конкретные кусочки страниц,

471
00:29:16,000 --> 00:29:20,000
 не пытаясь, например, прочитать всю информацию со страницы.

472
00:29:20,000 --> 00:29:23,000
 И, наконец-то, мы видим, что поиск он уже выполнил намного быстрее.

473
00:29:23,000 --> 00:29:27,000
 Вот как влияет, например, выбор конкретной модели на поиск.

474
00:29:27,000 --> 00:29:30,000
 Модель просто резонит гораздо эффективнее,

475
00:29:30,000 --> 00:29:32,000
 потому что модель больше, она более умная,

476
00:29:32,000 --> 00:29:33,000
 она лучше вызывает тулы.

477
00:29:33,000 --> 00:29:37,000
 И в итоге мы видим, что поиск закончился существенно быстрее,

478
00:29:37,000 --> 00:29:38,000
 хотя это поиск в хай-режиме.

479
00:29:38,000 --> 00:29:41,000
 И теперь, что дальше?

480
00:29:41,000 --> 00:29:45,000
 Модель начинает генерировать мне HTML-страничку

481
00:29:45,000 --> 00:29:48,000
 при помощи нашего инструмента код-интерпретатора.

482
00:29:48,000 --> 00:29:52,000
 То есть она сейчас буквально сидит и пишет мне код

483
00:29:52,000 --> 00:29:54,000
 с красивой страницей и отчетом.

484
00:29:54,000 --> 00:29:56,000
 Я специально никак не конкретизировал,

485
00:29:56,000 --> 00:29:58,000
 что именно модель должна построить,

486
00:29:58,000 --> 00:30:03,000
 поэтому у нее полная свобода в реализации этого итогового отчета.

487
00:30:03,000 --> 00:30:05,000
 Да, и интересно, что у нее получится.

488
00:30:05,000 --> 00:30:09,000
 Но, на самом деле, хай-контекст очень удобный,

489
00:30:09,000 --> 00:30:11,000
 я бы сказала, даже в таких бытовых вопросах

490
00:30:11,000 --> 00:30:13,000
 не только выбор недвижимости,

491
00:30:13,000 --> 00:30:15,000
 но и, может быть, выбор чего-то еще.

492
00:30:15,000 --> 00:30:17,000
 Например, я тестировала этот инструмент,

493
00:30:17,000 --> 00:30:19,000
 а за этим стоят, на самом деле, месяцы экспериментов

494
00:30:19,000 --> 00:30:23,000
 со всем, что вы видите, на горнолыжном оборудовании.

495
00:30:23,000 --> 00:30:26,000
 Я выбирала себе через хай-контекст горнолыжное оборудование.

496
00:30:26,000 --> 00:30:27,000
 Успешно?

497
00:30:27,000 --> 00:30:29,000
 Вполне успешно, мне понравилось.

498
00:30:29,000 --> 00:30:33,000
 Я не эксперт в области, поэтому для меня это было очень ценно.

499
00:30:33,000 --> 00:30:40,000
 Тем временем модель продолжает генерировать мне код для написания самой странички.

500
00:30:40,000 --> 00:30:42,000
 Мы немножко за этим понаблюдаем.

501
00:30:42,000 --> 00:30:45,000
 Очень надеемся, что она скоро закончит.

502
00:30:45,000 --> 00:30:52,000
 И можно опять же рассказать про ключевую особенность встраивания поиска в агентской системе.

503
00:30:52,000 --> 00:30:56,000
 Это то, что вы действительно можете его кастомизировать всячески.

504
00:30:56,000 --> 00:31:02,000
 Вы можете писать промт, вы можете советовать модели чаще или наоборот реже вызывать конкретные тулы поиска.

505
00:31:02,000 --> 00:31:05,000
 Наконец-то она это сделала.

506
00:31:05,000 --> 00:31:13,000
 Во-первых, она предоставила мне итоговый отчет по исследованию и, как мы видим, приложила файлик с HTML-страничкой.

507
00:31:13,000 --> 00:31:20,000
 Отчет можно почитать и можно открыть саму страничку.

508
00:31:20,000 --> 00:31:22,000
 Вот эта страничка.

509
00:31:22,000 --> 00:31:31,000
 Что ж, мы видим, красивый отчет в оригинальном варианте цветового исполнения, но я ничего у нее не просил.

510
00:31:31,000 --> 00:31:38,000
 Она привела все ссылки, привела мне таблицы, показала мне цены по районам, тренды посчитала.

511
00:31:38,000 --> 00:31:41,000
 Я же не спрашивал, что именно, какой отчет мне нужен.

512
00:31:41,000 --> 00:31:43,000
 Вот она выдала все, что захочет.

513
00:31:43,000 --> 00:31:50,000
 Естественно, вы в промте могли попросить ее сделать что-то более простое, более понятное.

514
00:31:53,000 --> 00:31:57,000
 Соответственно, модель выполнила, по сути, здесь уже Deep Research.

515
00:31:57,000 --> 00:32:01,000
 Мы вам какие-то сложные вещи тут про Deep Research рассказываем.

516
00:32:01,000 --> 00:32:06,000
 Давайте буквально на минуту отвлечемся и поймем вообще, как мы пришли от поиска к Deep Research.

517
00:32:06,000 --> 00:32:09,000
 А точно ли это штука, которая всем нужна?

518
00:32:09,000 --> 00:32:13,000
 Предположим, как вообще строился поиск раньше?

519
00:32:13,000 --> 00:32:18,000
 Как правило, это поиск где-то в браузере, какие-то буквально небольшие вопросы по кейвардам,

520
00:32:18,000 --> 00:32:20,000
 такие одношаговые вопросы, найти факт.

521
00:32:20,000 --> 00:32:26,000
 Как показывал и рассказывал Сережа, это, собственно, такие запросы для режима работы tool.

522
00:32:26,000 --> 00:32:29,000
 Собственно, один проход поиска и ответ.

523
00:32:29,000 --> 00:32:33,000
 Нам ответ не нравится, мы снова задаем вопрос, как-то вручную переформулируем.

524
00:32:33,000 --> 00:32:38,000
 Ну и, собственно, такой паттерн поведения пользователей с поисковыми системами был таким же.

525
00:32:38,000 --> 00:32:42,000
 Фактически, пишем короткие вопросы, кейварды, как привыкли в браузере,

526
00:32:42,000 --> 00:32:47,000
 ну и, собственно, не расстраиваемся, если что-то не сработало и просто спрашиваем еще раз.

527
00:32:47,000 --> 00:32:50,000
 Но по мере того, как в целом AI интегрируется в нашу жизнь,

528
00:32:50,000 --> 00:32:55,000
 у нас становится гораздо больше доверия к системам на базе искусственного интеллекта,

529
00:32:55,000 --> 00:32:59,000
 и мы теперь не просто задаем какие-то вопросы, не знаю, недвижимость Саратов,

530
00:32:59,000 --> 00:33:02,000
 если мы вспоминаем предыдущий кейс,

531
00:33:02,000 --> 00:33:07,000
 мы сейчас уже спрашиваем в поиске и спрашиваем у агентов целые задачи,

532
00:33:07,000 --> 00:33:12,000
 такие многоходовые, многошаговые задания для наших агентов и вопросы.

533
00:33:12,000 --> 00:33:14,000
 Они называются мультихоп.

534
00:33:14,000 --> 00:33:17,000
 Собственно, сегодня ожидание пользователей от системы,

535
00:33:17,000 --> 00:33:20,000
 что они зададут такой мультихоп-вопрос сложный,

536
00:33:20,000 --> 00:33:24,000
 проведется некоторый анализ, запрос разложится на несколько шагов,

537
00:33:24,000 --> 00:33:26,000
 и выполнится.

538
00:33:26,000 --> 00:33:29,000
 Именно поэтому мы сейчас с вами беседуем про DeepResearch,

539
00:33:29,000 --> 00:33:31,000
 потому что, по мере развития технологий,

540
00:33:31,000 --> 00:33:33,000
 ожидания пользователей от системы меняются,

541
00:33:33,000 --> 00:33:35,000
 и для того, чтобы их не разочаровывать,

542
00:33:35,000 --> 00:33:38,000
 нам нужно строить чуть более сложные системы

543
00:33:38,000 --> 00:33:41,000
 и, собственно, управлять ценой ошибки.

544
00:33:41,000 --> 00:33:43,000
 Например, вот, пример мультихоп-запроса.

545
00:33:43,000 --> 00:33:45,000
 Сейчас на экране:

546
00:33:45,000 --> 00:33:48,000
 «Ну, мне нравится что-то вроде, там, я не знаю,

547
00:33:48,000 --> 00:33:51,000
 какая команда победила на чемпионате мира,

548
00:33:51,000 --> 00:33:53,000
 когда в Москве была гроза».

549
00:33:53,000 --> 00:33:55,000
 Вполне себе такой мультихоп-сложный запрос,

550
00:33:55,000 --> 00:33:59,000
 который пользователь может задать в вашу систему.

551
00:33:59,000 --> 00:34:01,000
 Я передаю слово снова Сереже.

552
00:34:01,000 --> 00:34:03,000
 У нас продвинутая часть.

553
00:34:03,000 --> 00:34:06,000
 Да, я сейчас расскажу чуть больше

554
00:34:06,000 --> 00:34:10,000
 про основные архитектуры построения Deep Research.

555
00:34:10,000 --> 00:34:11,000
 Их не так много.

556
00:34:11,000 --> 00:34:14,000
 Поверх этих архитектур существует

557
00:34:14,000 --> 00:34:16,000
 большое, бесчисленное, наверное, количество реализаций,

558
00:34:16,000 --> 00:34:18,000
 но мы рассмотрим основные.

559
00:34:18,000 --> 00:34:21,000
 Во-первых, подход номер один — это, по сути,

560
00:34:21,000 --> 00:34:24,000
 подход с отдельным планером и экзекьютором.

561
00:34:24,000 --> 00:34:26,000
 Что же это, собственно, такое?

562
00:34:26,000 --> 00:34:31,000
 Значит, у нас существует некоторый агент с планировщиком,

563
00:34:31,000 --> 00:34:34,000
 который пишет план исследования, уточняет детали у пользователя,

564
00:34:34,000 --> 00:34:38,000
 задает ему вопросы и составляет, так называемый,

565
00:34:38,000 --> 00:34:40,000
 контекст того, что нужно поискать.

566
00:34:40,000 --> 00:34:44,000
 Потому что, зачастую, пользователь не всегда даже

567
00:34:44,000 --> 00:34:47,000
 конкретно спрашивает, что он хочет найти.

568
00:34:47,000 --> 00:34:53,000
 Потом агент-планер разбивает задачу на части и передает

569
00:34:53,000 --> 00:34:55,000
 это экзекьютору, который подхватывает и выполняет

570
00:34:55,000 --> 00:34:56,000
 задачи.

571
00:34:56,000 --> 00:34:59,000
 Экзекьютор, когда уже нашел некоторые результаты,

572
00:34:59,000 --> 00:35:04,000
 возвращает их снова в агент, и тот их оценивает и говорит,

573
00:35:04,000 --> 00:35:07,000
 хороший ли это ответ, подходит или нужно еще что-то доуточнить

574
00:35:07,000 --> 00:35:09,000
 и продолжить поиск.

575
00:35:09,000 --> 00:35:10,000
 Здесь мы видим схему.

576
00:35:10,000 --> 00:35:13,000
 Важно понимать то, что планеры-экзекьютор могут

577
00:35:13,000 --> 00:35:16,000
 быть даже разными агентами, работающими поверх разных

578
00:35:16,000 --> 00:35:17,000
 пользователей.

579
00:35:17,000 --> 00:35:20,000
 Например, что-то более дешевое и более простое

580
00:35:20,000 --> 00:35:24,000
 для самого поиска исполнения и более сложное, более дорогое,

581
00:35:24,000 --> 00:35:28,000
 пытающиеся активнее мыслить в виде планировщика, который

582
00:35:28,000 --> 00:35:31,000
 задает вопросы и собирает итоговый контекст.

583
00:35:31,000 --> 00:35:34,000
 Важно понимать то, что это все происходит в цикле.

584
00:35:34,000 --> 00:35:37,000
 Планер и экзекьютор могут выполняться достаточно

585
00:35:37,000 --> 00:35:41,000
 большое количество раз, пока пользователь не будет

586
00:35:41,000 --> 00:35:42,000
 удовлетворен.

587
00:35:42,000 --> 00:35:45,000
 Планировщик строит план запроса, он декомпозирует

588
00:35:45,000 --> 00:35:48,000
 на шаги, а экзекьютор их исполняет.

589
00:35:48,000 --> 00:35:50,000
 Он ищет информацию в интернете, читает источники,

590
00:35:50,000 --> 00:35:53,000
 извлекает ключевые данные, возвращает промежуточные

591
00:35:53,000 --> 00:35:56,000
 результаты, чтобы планировщик принял решение, идти ему

592
00:35:56,000 --> 00:35:57,000
 дальше или нет.

593
00:35:57,000 --> 00:35:59,000
 То есть, соответственно, именно экзекьютор делает

594
00:35:59,000 --> 00:36:02,000
 запросы в поисковые системы, веб-поис, тот же самый

595
00:36:02,000 --> 00:36:07,000
 RAC, и вычитывает оттуда информацию.

596
00:36:07,000 --> 00:36:09,000
 Но если вы думаете, что это позволит вам сэкономить

597
00:36:09,000 --> 00:36:12,000
 токены в контексте, на самом деле нет.

598
00:36:12,000 --> 00:36:17,000
 Он разобьет просто один большой контекст на много

599
00:36:17,000 --> 00:36:18,000
 контекстов поменьше.

600
00:36:18,000 --> 00:36:21,000
 Оптимизировать можно за счет как раз выбора модели.

601
00:36:21,000 --> 00:36:24,000
 Обычно так и поступают, такую чуть более тяжеловесную

602
00:36:24,000 --> 00:36:27,000
 модель с обработкой большого контекста делают

603
00:36:27,000 --> 00:36:29,000
 планером и чуть более маленькую, но с хорошим

604
00:36:29,000 --> 00:36:31,000
 тулколингом, экзекьютором.

605
00:36:31,000 --> 00:36:34,000
 Или наоборот, зависит от вашей задачи конкретной.

606
00:36:34,000 --> 00:36:35,000
 Все правда.

607
00:36:35,000 --> 00:36:38,000
 Это досвольно распространенный подход, и что же в нем хорошего,

608
00:36:38,000 --> 00:36:41,000
 какие у него будут ограничения и как его использовать.

609
00:36:41,000 --> 00:36:46,000
 Хорошо, во-первых, в нем то, что поверх него можно строить абсолютно любой поиск.

610
00:36:46,000 --> 00:36:51,000
 Он умеет искать информацию на любой запрос пользователя.

611
00:36:51,000 --> 00:36:56,000
 Он очень гибкий, потому что он мультихоп запросы умеет легко исполнять,

612
00:36:56,000 --> 00:37:00,000
 и более того, даже в процессе спрашивать пользователя что-нибудь доуточнить.

613
00:37:00,000 --> 00:37:04,000
 Потому что это не только мультихоп запросы, но еще и мультитерн запросы,

614
00:37:04,000 --> 00:37:08,000
 когда у вас несколько итераций взаимодействия с пользователем.

615
00:37:08,000 --> 00:37:15,000
 Важно понимать, что из плюсов это то, что это очень многопрофильный, широкий инструмент.

616
00:37:15,000 --> 00:37:17,000
 А какие же у него основные ограничения?

617
00:37:17,000 --> 00:37:19,000
 Во-первых, он может быть достаточно дорогой.

618
00:37:19,000 --> 00:37:22,000
 Особенно если вы хотите делать высококачественный план,

619
00:37:22,000 --> 00:37:30,000
 вы захотите использовать дорогую модель, которая будет хорошо резонить и генерировать хороший план.

620
00:37:30,000 --> 00:37:33,000
 У этого нестабильное качество может быть.

621
00:37:33,000 --> 00:37:34,000
 А что здесь значит?

622
00:37:34,000 --> 00:37:42,000
 То, что если планировщик начинает ошибаться, то весь этот план начинает постепенно накапливать ошибку.

623
00:37:42,000 --> 00:37:45,000
 Модель может уходить не туда, задавать не те вопросы.

624
00:37:45,000 --> 00:37:48,000
 И в итоге вы можете получить не совсем качественный результат.

625
00:37:48,000 --> 00:37:52,000
 Или в принципе не качественный, если модель буквально не поняла вас.

626
00:37:52,000 --> 00:37:54,000
 И еще сложно тестировать и воспроизводить.

627
00:37:54,000 --> 00:37:55,000
 Почему так?

628
00:37:55,000 --> 00:37:57,000
 Потому что модель может построить другой план.

629
00:37:57,000 --> 00:38:00,000
 Вы взяли другую модель, она вообще сделала другой план.

630
00:38:00,000 --> 00:38:03,000
 Вы взяли другого экзекьютора, он пошел по-другому поискал.

631
00:38:03,000 --> 00:38:06,000
 Это достаточно сложно тестировать.

632
00:38:06,000 --> 00:38:10,000
 Но тем не менее, если вам нужен универсальный research-агент,

633
00:38:10,000 --> 00:38:15,000
 который решает любые вопросы, это прекрасный архитектурный подход.

634
00:38:15,000 --> 00:38:19,000
 Он будет работать, он будет выдавать довольно качественные результаты,

635
00:38:19,000 --> 00:38:21,000
 и он достаточно несложно реализуется.

636
00:38:21,000 --> 00:38:24,000
 Естественно, поверх этого архитектурного подхода

637
00:38:24,000 --> 00:38:29,000
 есть огромное количество разных вариаций с набором агентов,

638
00:38:29,000 --> 00:38:32,000
 с делением на подзадачи, с иерархией.

639
00:38:32,000 --> 00:38:35,000
 То есть, его расширять можно достаточно много.

640
00:38:35,000 --> 00:38:38,000
 И есть в том числе и готовые фреймворки.

641
00:38:38,000 --> 00:38:41,000
 Вы тоже можете посмотреть в интернете,

642
00:38:41,000 --> 00:38:45,000
 как такой агент можно собрать, в том числе, например, и поверх нашего API.

643
00:38:45,000 --> 00:38:48,000
 Теперь мы подойдем к следующему подходу.

644
00:38:48,000 --> 00:38:50,000
 Это жестко-многошаговый пайплайн.

645
00:38:50,000 --> 00:38:53,000
 Почему он, в принципе, появился?

646
00:38:53,000 --> 00:38:56,000
 Потому что из прошлого пайплайна я сказал то,

647
00:38:56,000 --> 00:38:59,000
 что есть проблемы с воспроизводимостью и точностью результата.

648
00:38:59,000 --> 00:39:01,000
 Это не всегда применимо.

649
00:39:01,000 --> 00:39:04,000
 Что же такое жесткий пайплайн?

650
00:39:04,000 --> 00:39:08,000
 Он нам нужен, если у нас очень высока цена ошибки.

651
00:39:08,000 --> 00:39:13,000
 Например, медицина, что-то связанное с фармакологией,

652
00:39:13,000 --> 00:39:15,000
 с ириспруденцией.

653
00:39:15,000 --> 00:39:20,000
 И здесь специалист, человек, часто лучше знает,

654
00:39:20,000 --> 00:39:24,000
 как именно искать, какие лучше делать запросы, что улучшать.

655
00:39:24,000 --> 00:39:26,000
 Что же здесь делают?

656
00:39:26,000 --> 00:39:31,000
 На самом деле, изначально при помощи разработки,

657
00:39:31,000 --> 00:39:34,000
 может быть, ML-инженеров и специалистов из области

658
00:39:34,000 --> 00:39:37,000
 собирают специальный жесткий пайплайн,

659
00:39:37,000 --> 00:39:40,000
 который в определенном порядке умеет искать,

660
00:39:40,000 --> 00:39:42,000
 умеет задавать правильные вопросы.

661
00:39:42,000 --> 00:39:46,000
 По сути, это поиск, который жестко заточен

662
00:39:46,000 --> 00:39:49,000
 под конкретную специализацию.

663
00:39:49,000 --> 00:39:52,000
 Как правило, это одношаговый поход,

664
00:39:52,000 --> 00:39:55,000
 реже проход поиском, реже мультишаговый.

665
00:39:55,000 --> 00:39:58,000
 Здесь обычно не задают вопросов в поиске,

666
00:39:58,000 --> 00:40:01,000
 если это не предусмотрено изначально пайплайном.

667
00:40:01,000 --> 00:40:04,000
 И он обычно состоит из нескольких шагов.

668
00:40:04,000 --> 00:40:06,000
 Сейчас я их покажу подробнее.

669
00:40:06,000 --> 00:40:08,000
 У нас есть пользовательский запрос.

670
00:40:08,000 --> 00:40:12,000
 Пользователь его посылает, но его перехватывает рефрайзер,

671
00:40:12,000 --> 00:40:16,000
 специальная модель, которая переформулирует запрос пользователя

672
00:40:16,000 --> 00:40:20,000
 и из него делает что-то более информативное.

673
00:40:20,000 --> 00:40:24,000
 После этого происходит обогащение контекста модели,

674
00:40:24,000 --> 00:40:28,000
 всяческой информации, в том числе и запроса пользователя.

675
00:40:28,000 --> 00:40:31,000
 После этого уже происходит поиск в различных системах.

676
00:40:31,000 --> 00:40:34,000
 Это тоже может быть либо отдельная модель, либо эта модель.

677
00:40:34,000 --> 00:40:37,000
 Дальше происходит фильтрация результатов.

678
00:40:37,000 --> 00:40:44,000
 И после фильтрации результатов итоговая модель пайплайна оценивает качество.

679
00:40:44,000 --> 00:40:46,000
 Кстати, это даже может быть не только модели,

680
00:40:46,000 --> 00:40:52,000
 а какие-нибудь более математически строгие тесты.

681
00:40:52,000 --> 00:40:55,000
 После этого уже возвращается результат.

682
00:40:55,000 --> 00:40:57,000
 Или пользователь получает ошибку, что ничего не нашел.

683
00:40:57,000 --> 00:40:59,000
 Такое тоже бывает.

684
00:40:59,000 --> 00:41:02,000
 Это типовой пайплайн, но с точки зрения архитектуры,

685
00:41:02,000 --> 00:41:06,000
 вот как вы пайплайн свой запрограммироваете, таким он и будет.

686
00:41:06,000 --> 00:41:08,000
 Какие же здесь плюсы и минусы?

687
00:41:08,000 --> 00:41:11,000
 Во-первых, что же в нем хорошего?

688
00:41:11,000 --> 00:41:13,000
 У него есть высокая предсказуемость,

689
00:41:13,000 --> 00:41:16,000
 потому что сам пайплайн собран руками человека,

690
00:41:16,000 --> 00:41:19,000
 руками разработки, и вы можете все это протестировать,

691
00:41:19,000 --> 00:41:21,000
 валидировать каждый этап.

692
00:41:21,000 --> 00:41:27,000
 Вы можете проверять результаты входа и выхода каждого этапа.

693
00:41:27,000 --> 00:41:32,000
 Так как это пайплайн, который спроектирован под конкретную задачу,

694
00:41:32,000 --> 00:41:34,000
 решает ее достаточно хорошо.

695
00:41:34,000 --> 00:41:36,000
 Отсюда же следуют ограничения.

696
00:41:36,000 --> 00:41:42,000
 Если вы поиску, который был спроектирован для поиска по медицине,

697
00:41:42,000 --> 00:41:44,000
 зададите вопрос про астрономию,

698
00:41:44,000 --> 00:41:48,000
 результаты будут, скорее всего, не очень качественные.

699
00:41:48,000 --> 00:41:52,000
 Более того, вам здесь нужны специалисты в доменной области для того,

700
00:41:52,000 --> 00:41:53,000
 чтобы такой pipeline собрать.

701
00:41:53,000 --> 00:41:55,000
 Ну и опять же, где применимо?

702
00:41:55,000 --> 00:41:58,000
 Это всякая фармакология, врачебные отделы, медицина,

703
00:41:58,000 --> 00:42:01,000
 юридическая аналитика, финансовые исследования.

704
00:42:01,000 --> 00:42:06,000
 Но важно понимать, что изменение этого pipeline будет требовать разработки.

705
00:42:06,000 --> 00:42:09,000
 И теперь мы перейдем к третьему режиму.

706
00:42:09,000 --> 00:42:13,000
 Это, по сути, такой агентский и цикл.

707
00:42:13,000 --> 00:42:17,000
 Есть умное слово, по-моему, React, как это называется.

708
00:42:17,000 --> 00:42:23,000
 По сути, мы даем модели некоторый набор инструментов,

709
00:42:23,000 --> 00:42:25,000
 при помощи которого она может искать.

710
00:42:25,000 --> 00:42:26,000
 Причем искать иерархически.

711
00:42:26,000 --> 00:42:29,000
 Мы даем ей инструмент поиска в интернете,

712
00:42:29,000 --> 00:42:33,000
 по которому она сможет найти ссылки с тем же самым описанием,

713
00:42:33,000 --> 00:42:35,000
 о чем может быть страница.

714
00:42:35,000 --> 00:42:38,000
 Мы не даем никакого жесткого плана.

715
00:42:38,000 --> 00:42:41,000
 Модель на основании запроса пользователя

716
00:42:41,000 --> 00:42:45,000
 сама сделает его refresh, потому что ей сказали так сделать.

717
00:42:45,000 --> 00:42:48,000
 Она найдет нужную информацию в интернете, а потом,

718
00:42:48,000 --> 00:42:50,000
 смотря на инструменты, которые у нее есть,

719
00:42:50,000 --> 00:42:53,000
 будет пытаться понять, как лучше их использовать

720
00:42:53,000 --> 00:42:55,000
 для того, чтобы решить задачи пользователя.

721
00:42:55,000 --> 00:42:57,000
 Например, у моделей могут быть инструменты

722
00:42:57,000 --> 00:42:59,000
 "поискать что-то на конкретной странице".

723
00:42:59,000 --> 00:43:01,000
 А может быть, и есть инструмент "отдай мне, пожалуйста,

724
00:43:01,000 --> 00:43:03,000
 весь текст на странице".

725
00:43:03,000 --> 00:43:05,000
 Или "найди что-нибудь по ключевым словам".

726
00:43:05,000 --> 00:43:09,000
 По сути, здесь ваша фантазия безгранична.

727
00:43:09,000 --> 00:43:12,000
 Недавно у Perplexity было целое исследование

728
00:43:12,000 --> 00:43:16,000
 про то, какие инструменты они используют в моделях.

729
00:43:16,000 --> 00:43:19,000
 Они дают им целый большой набор инструментов поиска в интернете,

730
00:43:19,000 --> 00:43:22,000
 и модели сами из них собирают пайплайн под каждый запрос.

731
00:43:22,000 --> 00:43:23,000
 Вот это важно.

732
00:43:23,000 --> 00:43:25,000
 Модель может собрать пайплайн под каждый запрос.

733
00:43:25,000 --> 00:43:28,000
 Но какие же здесь минусы такого подхода?

734
00:43:28,000 --> 00:43:31,000
 А минусы достаточно понятные.

735
00:43:31,000 --> 00:43:34,000
 Во-первых, нужен очень хороший системный промпт.

736
00:43:34,000 --> 00:43:37,000
 Чем лучше вы модели объясните, как пользоваться инструментами,

737
00:43:37,000 --> 00:43:39,000
 именно инструментами,

738
00:43:39,000 --> 00:43:42,000
 тем лучше она сможет их использовать.

739
00:43:42,000 --> 00:43:44,000
 Но из плюсов, на самом деле,

740
00:43:44,000 --> 00:43:46,000
 то, что можно легко управлять этой стоимостью,

741
00:43:46,000 --> 00:43:49,000
 давая модели разные тулы и разные описания.

742
00:43:49,000 --> 00:43:53,000
 Можно менять модель саму, можно менять описание тулов.

743
00:43:53,000 --> 00:43:57,000
 И, более того, еще можно и системный промпт модели менять.

744
00:43:57,000 --> 00:44:01,000
 Соответственно, ее основные плюсы - это гибкость и естественность.

745
00:44:01,000 --> 00:44:04,000
 Модель сама будет собирать себе из специальных,

746
00:44:04,000 --> 00:44:07,000
 условно говоря, скиллов поиска по интернету,

747
00:44:07,000 --> 00:44:10,000
 пайплайн для вашего запроса.

748
00:44:10,000 --> 00:44:13,000
 Это очень легко расширять, потому что вы добавляете новый инструмент,

749
00:44:13,000 --> 00:44:16,000
 и модель сама учится его использовать.

750
00:44:16,000 --> 00:44:18,000
 Опять же, у этого высокая наблюдаемость,

751
00:44:18,000 --> 00:44:22,000
 так как вы можете проверять результаты входа и выхода каждого тула

752
00:44:22,000 --> 00:44:25,000
 и наблюдать, как все это работает.

753
00:44:25,000 --> 00:44:31,000
 Этот подход прекрасно ложится на модели с сильным использованием тулов.

754
00:44:31,000 --> 00:44:33,000
 И более того, то, что при помощи этого подхода

755
00:44:33,000 --> 00:44:36,000
 вы можете легко оптимизировать стоимость на простых запросах.

756
00:44:36,000 --> 00:44:40,000
 Как мы видели, когда я спросил у модели, какая сейчас погода,

757
00:44:40,000 --> 00:44:42,000
 она просто мгновенно ответила:

758
00:44:42,000 --> 00:44:46,000
 «Да, в качестве спойлера мы используем именно этот подход у нас в веб-поиске».

759
00:44:46,000 --> 00:44:48,000
 Но какие же ограничения?

760
00:44:48,000 --> 00:44:50,000
 Нужна модель с сильным пошаговым рассуждением.

761
00:44:50,000 --> 00:44:55,000
 При этом вам важно выбирать баланс между рассуждением модели и временем работы,

762
00:44:55,000 --> 00:44:56,000
 если вам это важно.

763
00:44:56,000 --> 00:44:59,000
 Как мы видели, Quantry 6 работал достаточно медленно,

764
00:44:59,000 --> 00:45:02,000
 потому что он очень много размышлял.

765
00:45:02,000 --> 00:45:05,000
 Сложнее гарантировать полноту исследования,

766
00:45:05,000 --> 00:45:07,000
 потому что, когда модель решит остановиться,

767
00:45:07,000 --> 00:45:09,000
 тогда она и остановится.

768
00:45:09,000 --> 00:45:11,000
 Но, конечно, вы можете попросить ее исследовать дальше.

769
00:45:11,000 --> 00:45:14,000
 Более того, на самом деле, вы можете модели попросить

770
00:45:14,000 --> 00:45:16,000
 в ходе исследования задавать вам вопросы,

771
00:45:16,000 --> 00:45:17,000
 для того, чтобы уточнять.

772
00:45:17,000 --> 00:45:20,000
 То есть, вы вольны настраивать все, как хотите.

773
00:45:20,000 --> 00:45:24,000
 И расход токенов и времени очень сильно зависит от числа шагов.

774
00:45:24,000 --> 00:45:28,000
 И, соответственно, от тех ограничений, которые вы наложите сверху.

775
00:45:28,000 --> 00:45:31,000
 Модель может завершить поиск за, условно говоря,

776
00:45:31,000 --> 00:45:34,000
 10 поисков по интернету, а может и за 50.

777
00:45:34,000 --> 00:45:39,000
 Тут зависит от того, насколько четко она поняла задачу.

778
00:45:39,000 --> 00:45:44,000
 Соответственно, мы рассмотрели сейчас три основных подхода.

779
00:45:44,000 --> 00:45:47,000
 И какие же из этого есть выводы.

780
00:45:47,000 --> 00:45:53,000
 Во-первых, то, что все агенты решают, по сути, одну и ту же задачу.

781
00:45:53,000 --> 00:45:56,000
 Они хотят получить доступ к нужным знаниям.

782
00:45:56,000 --> 00:45:57,000
 Опять же, почему так?

783
00:45:57,000 --> 00:46:00,000
 Потому что агенты были обучены на каком-то наборе знаний,

784
00:46:00,000 --> 00:46:02,000
 и современные знания они могут не знать.

785
00:46:02,000 --> 00:46:06,000
 Например, тот же QN36 очень часто думает, что сейчас не

786
00:46:06,000 --> 00:46:09,000
 2026 год, и ему пришлось специально объяснять это

787
00:46:09,000 --> 00:46:10,000
 в промтах.

788
00:46:10,000 --> 00:46:15,000
 Это краткое происследование, которое мы делали.

789
00:46:15,000 --> 00:46:19,000
 Опять же, важно понимать то, что у Deep Research существует

790
00:46:19,000 --> 00:46:22,000
 три основных архитектурных подхода, и вы можете выбирать

791
00:46:22,000 --> 00:46:24,000
 под конкретные задачи.

792
00:46:24,000 --> 00:46:26,000
 На самом деле, любой из них можно построить поверх

793
00:46:26,000 --> 00:46:27,000
 нас.

794
00:46:27,000 --> 00:46:31,000
 И теперь я еще тоже передам основные итоги.

795
00:46:31,000 --> 00:46:36,000
 Да, из первой части нашего прекрасного вебинара

796
00:46:36,000 --> 00:46:39,000
 мы, наверное, все поняли, пришли к мысли о том, что

797
00:46:39,000 --> 00:46:41,000
 мы двигаемся от простых запросов, которые можно

798
00:46:41,000 --> 00:46:44,000
 просто поискать в интернете, чуть более сложным таким

799
00:46:44,000 --> 00:46:47,000
 мультихоп запросам, буквально задачам пользователя, с

800
00:46:47,000 --> 00:46:52,000
 которыми им может помочь их агент, который специально

801
00:46:52,000 --> 00:46:54,000
 профессионально занимается поиском, ресерчер.

802
00:46:54,000 --> 00:46:57,000
 Или у него просто есть, собственно, такая возможность

803
00:46:57,000 --> 00:47:00,000
 и такая функция.

804
00:47:00,000 --> 00:47:05,000
 Весь поиск переходит из стадии, собственно, когда

805
00:47:05,000 --> 00:47:07,000
 человек просто дает промпт и происходит генерация

806
00:47:07,000 --> 00:47:11,000
 в процесс интеллектуального создания контекста для

807
00:47:11,000 --> 00:47:12,000
 AI-агента.

808
00:47:12,000 --> 00:47:14,000
 В этом помогает как раз Deep Research.

809
00:47:14,000 --> 00:47:17,000
 А мы с вами будем двигаться дальше.

810
00:47:17,000 --> 00:47:19,000
 Что ж, я вас порадую.

811
00:47:19,000 --> 00:47:20,000
 На этом все.

812
00:47:20,000 --> 00:47:23,000
 У нас осталось время на ваши вопросы.

813
00:47:23,000 --> 00:47:25,000
 Я воспользуюсь минуткой PR.

814
00:47:25,000 --> 00:47:27,000
 Вот тут есть QR-код на мой Telegram-канал.

815
00:47:27,000 --> 00:47:31,000
 Там выйдет весь этот контент в виде статьи.

816
00:47:31,000 --> 00:47:34,000
 Ну и просто я пишу про всякие интересные LLM-штуки.

817
00:47:34,000 --> 00:47:36,000
 Если вам интересно, можно подписаться.

818
00:47:36,000 --> 00:47:39,000
 А мы будем потихонечку переходить к вопросам.

819
00:47:39,000 --> 00:47:42,000
 И, наверное, я зачитаю первый вопрос.

820
00:47:42,000 --> 00:47:45,000
 И, пожалуй, делегирую его Сереже.

821
00:47:45,000 --> 00:47:48,000
 Вообще, при использовании веб-серч в хай-режиме,

822
00:47:48,000 --> 00:47:50,000
 вот в максимальном,

823
00:47:50,000 --> 00:47:53,000
 задаются ли для исследования уточняющие вопросы?

824
00:47:53,000 --> 00:47:56,000
 В общем, может ли модель задавать их пользователю?

825
00:47:56,000 --> 00:48:00,000
 Да, смотри, здесь довольно интересная ситуация.

826
00:48:00,000 --> 00:48:03,000
 То, что модель действительно может задавать их пользователю,

827
00:48:03,000 --> 00:48:05,000
 но, как мы видели на демонстрации,

828
00:48:05,000 --> 00:48:10,000
 цикл всего поиска – это, по сути, один запрос к модели.

829
00:48:10,000 --> 00:48:14,000
 По ходу дела вам некогда вставить вопрос,

830
00:48:14,000 --> 00:48:18,000
 но модель может решить то, что ей необходима для вас информация,

831
00:48:18,000 --> 00:48:20,000
 вывести вам вопрос, прерывать цикл,

832
00:48:20,000 --> 00:48:25,000
 вы можете ответить, и модель может продолжить его сама дальше.

833
00:48:25,000 --> 00:48:29,000
 То есть, соответственно, если вы попросите модель в стенном промте

834
00:48:29,000 --> 00:48:32,000
 собирать такую информацию, по сути, реализовывая планер как раз,

835
00:48:32,000 --> 00:48:34,000
 она будет так делать.

836
00:48:34,000 --> 00:48:36,000
 Но именно в рамках одного поиска,

837
00:48:36,000 --> 00:48:38,000
 когда вот она начала искать в интернете,

838
00:48:38,000 --> 00:48:43,000
 здесь она в процессе работы, это уже называется мультитерн,

839
00:48:43,000 --> 00:48:44,000
 вот она делает один терн,

840
00:48:44,000 --> 00:48:46,000
 в рамках одного терна она не задаст вам вопрос.

841
00:48:46,000 --> 00:48:49,000
 На самом деле и другие системы задают вам вопросы в рамках мультитерна,

842
00:48:49,000 --> 00:48:52,000
 и мультитерн, по-первых, нас реализовать можно.

843
00:48:52,000 --> 00:48:55,000
 Супер, спасибо. Теперь, наверное, вопрос для меня.

844
00:48:55,000 --> 00:48:59,000
 Вообще, а можно ли ограничивать поиск по интернету?

845
00:48:59,000 --> 00:49:04,000
 Смотрите, вот большая особенность нашего инструмента в том,

846
00:49:04,000 --> 00:49:07,000
 что, как и в стандартном API текстового поиска,

847
00:49:07,000 --> 00:49:10,000
 вы можете выбрать именно те домены, на которых вы хотите,

848
00:49:10,000 --> 00:49:13,000
 чтобы, собственно, поиск производился.

849
00:49:13,000 --> 00:49:15,000
 Например, домен конкретного маркетплейса

850
00:49:15,000 --> 00:49:18,000
 или, может быть, какой-то площадки с экспертными статьями

851
00:49:18,000 --> 00:49:21,000
 или нескольких таких площадок и нескольких доменов, соответственно.

852
00:49:21,000 --> 00:49:25,600
 Так и в туле, собственно, поиска в интернете,

853
00:49:25,740 --> 00:49:27,380
 который можно добавить с IMEA-агентом,

854
00:49:27,700 --> 00:49:31,280
 вы тоже можете ограничить область поиска по конкретным доменам.

855
00:49:31,480 --> 00:49:34,280
 А еще можно искать в конкретных регионах России

856
00:49:34,280 --> 00:49:36,760
 для того, чтобы максимально точный поиск у себя делать.

857
00:49:37,100 --> 00:49:40,600
 Да, вы можете это делать как в API отдельного поиска,

858
00:49:40,700 --> 00:49:44,160
 так и в Web Search Tool в настройках прямо в интерфейсе

859
00:49:44,160 --> 00:49:48,160
 или в коде, если вы хотите писать код.

860
00:49:48,160 --> 00:49:52,040
 Можно взять Open SDK, указать, соответственно, там ограничения,

861
00:49:52,440 --> 00:49:55,880
 и запрос будет находиться по такому-то сайту

862
00:49:55,880 --> 00:49:59,360
 или по такой-то стране, даже по такому-то региону.

863
00:50:00,020 --> 00:50:03,500
 Сереж, всех очень интересует наш Тула веб-серча.

864
00:50:04,060 --> 00:50:08,240
 У меня к тебе вопросы, собственно, которые нам написали наши зрители.

865
00:50:08,800 --> 00:50:12,340
 Вообще вот несколько походов в веб-серч.

866
00:50:12,700 --> 00:50:16,940
 Такая стратегия, такая история работает только в ВХ-режиме

867
00:50:16,940 --> 00:50:20,840
 или может работать на всех режимах.

868
00:50:21,360 --> 00:50:26,140
 Да, здесь смотрите, три режима достаточно сильно разделены.

869
00:50:26,660 --> 00:50:29,420
 По сути, в каждом из них мы используем третий подход,

870
00:50:29,640 --> 00:50:33,040
 но даем разный набор инструментов для модели,

871
00:50:33,740 --> 00:50:39,620
 потому что мы хотим ограничить то, как глубоко модель может использовать.

872
00:50:39,920 --> 00:50:41,920
 Если короткий ответ, то он работает на всех трех.

873
00:50:41,920 --> 00:50:47,200
 Если более точный ответ, то high использует весь набор инструментов,

874
00:50:47,320 --> 00:50:51,780
 которые доступны модели, medium использует более ограниченный набор

875
00:50:51,780 --> 00:50:54,040
 и low режим — еще более ограниченный набор.

876
00:50:55,060 --> 00:50:56,080
 Супер, спасибо.

877
00:50:56,660 --> 00:50:58,540
 Теперь вот такой интересный вопрос.

878
00:50:59,640 --> 00:51:04,720
 Сравнивали ли мы качество ответов в веб-серч-тул с нейроответами других поисковиков?

879
00:51:05,200 --> 00:51:07,500
 Давайте тут с вами разбираться вместе.

880
00:51:08,980 --> 00:51:18,100
 Смотрите, нейроответ, который дают поисковики вообще в браузере, он предоставляет готовый генеративный ответ.

881
00:51:18,440 --> 00:51:19,500
 Это, по сути, генсерч.

882
00:51:19,500 --> 00:51:25,460
 Да, это на самом деле генсерч, который просто дает вам генеративный ответ, вы не можете вообще никак влиять на промпт.

883
00:51:25,860 --> 00:51:27,700
 И какую задачу он выполняет?

884
00:51:27,800 --> 00:51:30,580
 Он светится, собственно, в браузере для B2C-пользователей.

885
00:51:30,920 --> 00:51:35,320
 То есть он помогает им собирать контекст для их конкретного запроса, который они пишут в браузере.

886
00:51:36,060 --> 00:51:41,760
 И наш близкий продукт — это генсерч, это такой же генеративный ответ, который появляется в браузере.

887
00:51:42,280 --> 00:51:47,360
 Честного СБСа между ответом Гугла и Яндексом мы не проведили.

888
00:51:47,780 --> 00:51:50,740
 Ну, в первую очередь, потому что честный СБС на самом деле сделать не получится.

889
00:51:51,140 --> 00:51:56,380
 Потому что мы понимаем, что Гугл — это очень такая мультинациональная поисковая сеть.

890
00:51:56,380 --> 00:51:59,120
 И, конечно, база Гугла и Яндекса разные.

891
00:51:59,240 --> 00:52:01,720
 Яндекс лучше всего, конечно, делает поиск в России.

892
00:52:02,240 --> 00:52:09,100
 И тут, наверное, сравнивать будет не совсем честно, потому что состав поисковой базы сильно влияет на такое сравнение.

893
00:52:10,780 --> 00:52:12,320
 Что еще хочется сказать?

894
00:52:13,080 --> 00:52:20,600
 Собственно, то, что WebSearch Tool — это скорее агентский поиск, который вы можете адаптировать под свой запрос и добавлять агенту.

895
00:52:20,600 --> 00:52:25,100
 Это не совсем такой же продукт, как условный BTC генеративный ответ.

896
00:52:25,220 --> 00:52:31,280
 На самом деле, если вы хотите построить собственный нейроответ, как бы вы называли, как в браузере,

897
00:52:31,600 --> 00:52:32,720
 вы можете использовать.

898
00:52:32,720 --> 00:52:36,820
 И на самом деле, если вы хотите поэкспериментировать, то скорее можно взять лоу-режим,

899
00:52:37,140 --> 00:52:41,300
 покрутить параметры модели, выдать ей какое-нибудь ограничение количества тулов,

900
00:52:41,420 --> 00:52:43,360
 добавить информацию про пользователя.

901
00:52:43,740 --> 00:52:46,780
 Я уверен, что Google, например, добавляет информацию про пользователя.

902
00:52:47,320 --> 00:52:48,160
 Ну, предположу так.

903
00:52:48,260 --> 00:52:49,580
 Да, все так, ты прав.

904
00:52:49,780 --> 00:52:54,840
 Все эти нейроответы, они персонализированы вообще у всех провайдеров интернета и поиск.

905
00:52:55,120 --> 00:53:01,120
 Да, соответственно, вы можете попробовать поверх нашего API собрать такой же режим,

906
00:53:01,120 --> 00:53:05,120
 и на самом деле сравнивать качество поиска – это достаточно сложная задача,

907
00:53:05,180 --> 00:53:11,780
 мы занимались этим достаточно много, особенно когда подбирали всяческие системные промты и наборы инструментов.

908
00:53:13,200 --> 00:53:16,200
 Более того, приходится сравнивать на разных наборах моделей,

909
00:53:16,300 --> 00:53:18,120
 потому что поведение у них может быть отличаться.

910
00:53:18,760 --> 00:53:22,200
 Как мы видели, то, что QN36 ведет себя совсем не так, как дипсик.

911
00:53:22,740 --> 00:53:27,100
 Более того, тому же самому QN36 пришлось объяснять, какой сейчас год, и то он не всегда верит.

912
00:53:28,140 --> 00:53:32,240
 Ну, чтобы поделать разные модели, да, очень много факторов в таком сравнении.

913
00:53:32,780 --> 00:53:38,540
 Я вот вижу вопрос от Романа, будет ли QR-код на тест, а он уже на экране.

914
00:53:38,660 --> 00:53:44,080
 Я думаю, что вы можете взять свои телефончики, отсканировать этот QR-код, там будет квиз,

915
00:53:44,500 --> 00:53:47,840
 по итогу которого мы закрепим то, что обсудили сегодня на вебинаре.

916
00:53:48,920 --> 00:53:53,580
 Пока что больше нет вопросов, и мы будем с вами потихоньку завершаться.

917
00:53:54,060 --> 00:53:57,160
 Спасибо вам большое, что вы были сегодня с нами на этом вебинаре,

918
00:53:57,160 --> 00:54:03,320
 а мы были рады вам рассказать про наши поисковые инструменты и архитектурные подходы в Deep Research.

919
00:54:04,120 --> 00:54:12,480
 Советую всем их попробовать, благо у нас есть достаточно удобный плейграунд для текстовых агентов и для поиска.

920
00:54:12,820 --> 00:54:17,040
 Вы можете попробовать, посмотреть, как это работает, поэкспериментировать с различными параметрами,

921
00:54:17,120 --> 00:54:19,980
 с различными моделями и посмотреть, как это работает.