AI речник: LLM, RAG, агенти и SQL на разбираем език
„RAG“, „AI агенти“, „human in the loop“, „Postgres“. В обявите за работа и в новините тези думи стоят една до друга, сякаш са едно и също нещо, и то сложно. Повечето от тях са прости идеи с лъскави имена.
Този речник е за собственици и управители, не за инженери. За всеки термин има едно ясно определение, сравнение от ежедневието, с какво го бъркат и как го ползваме ние. Подредихме термините по проблема, който решава всеки от тях: от модела, който пише текст, до мястото, където живеят данните.
- LLM (голям езиков модел)
- RAG (отговори от вашите документи)
- AI агент
- Human in the loop (човек одобрява важното)
- SQL и Postgres
LLM (голям езиков модел) #
LLM (голям езиков модел) е програма, обучена върху огромно количество текст, която по зададен въпрос или инструкция пише най-вероятното продължение: отговор, резюме, превод или чернова.
Представете си много начетен стажант. Прочел е милиони страници, но нито една от вашите. Пише гладко на всякаква тема, а не знае цените ви, клиентите ви и какво е станало вчера, докато не му го дадете. И понякога звучи най-уверено точно когато греши.
С какво го бъркат. С „изкуствения интелект“ изобщо, с търсачка и с база данни. Моделът сам по себе си не търси в интернет и не пази записи: той съставя текст от наученото. ChatGPT, Claude и Gemini са приложения, построени около такива модели, и често добавят търсене и други инструменти отгоре. Затова, ако модел ви каже днешната цена на нещо, той или я е получил отнякъде, или налучква.
Как го ползваме ние. В Taskinger AI предложенията са изключени по подразбиране и работят със собствен ключ на потребителя от Anthropic, OpenAI или Google, тоест с модела, който той избере. AI асистентите, които изграждаме за клиенти, работят с Gemini и други модели, включително на български. Моделът е двигателят. Следващите термини са за това как да го накарате да говори по същество и да върши работа.
RAG (отговори от вашите документи) #
RAG (retrieval-augmented generation, „генериране с предварително търсене“) е начин AI да отговаря от вашите документи и данни: системата първо намира откъсите, свързани с въпроса, подава ги на езиковия модел и той отговаря от тях, а не по памет.
Мислете за изпит с отворена книга. Студентът не помни всичко наизуст, но знае къде да погледне и отговаря от страницата пред себе си. Без RAG моделът се явява на изпита по памет и запълва празните места с правдоподобни догадки.
С какво го бъркат. С „да обучим модела върху нашите данни“. При RAG моделът не се променя: той чете подходящото парче в момента на въпроса. Затова, когато смените цена или правило в източника, следващият отговор вече го знае, без ново обучение. RAG не прави отговора верен сам по себе си. Ако намереният откъс е стар или грешен, отговорът също ще е такъв, така че качеството зависи най-вече от това колко подредени са документите ви.
Как го ползваме ние. Асистентът, който изградихме за публичния сайт на една клиника, стъпва на същата идея. Цените му идват от същите записи, от които се показва страницата с цени, а медицинските му отговори са въпроси и отговори, одобрени от водещия лекар, които той може да цитира, но не и да преразказва. Инструкцията му се сглобява наново за всеки разговор, така че промоция, включена от админ панела, сменя страницата и асистента едновременно. Как е устроен и кои два бъга хвана тестът преди пациентите: Къде AI асистентите наистина помагат.
AI агент #
AI агент е езиков модел, на когото са дадени задача и инструменти: той сам решава следващата стъпка, изпълнява я (търси, пише файл, отваря задача, пуска проверка), гледа резултата и продължава, докато задачата не е свършена или не стигне граница, която не бива да прекрачва.
Разликата е като между съветник и сътрудник. Чатботът ви обяснява как се прави месечната справка. Агентът отваря таблицата, прави справката и ви я дава за преглед.
С какво го бъркат. С чатбот и с обикновена автоматизация. Чатботът отговаря и спира. Автоматизацията от типа „дойде ли имейл, копирай го в таблицата“ следва стъпки, които човек е написал предварително. Агентът сам избира стъпките. Така може да свърши работа, която никой не е описал до последната подробност, и точно затова му трябват граници: какво може да пипа, какво не може и какво минава през човек.
Как го ползваме ние. Виван движи собствената си работа с отдели от AI агенти: за сайта на фирмата, за всеки продукт и за маркетинга. Агент мениджър пише задачите, агенти изпълнители ги вършат върху отделно копие и не могат сами да пуснат нищо, а мениджърът проверява готовото и го връща с номерирани поправки, докато не стане както трябва. Всяко действие на агент минава първо през пазач, който спира изпращане на писма, плащания и изтриване на файлове още преди действието. Как изглежда това за ваш процес: AI отдели с агенти.
Human in the loop (човек одобрява важното) #
Human in the loop („човек в цикъла“) означава, че AI системата спира на предварително избрани места и чака човек да одобри, поправи или откаже резултата, преди той да излезе навън: да стигне до клиент, да промени данни или да похарчи пари.
Сравнението е с нов служител, който пише офертите, но ги пуска през управителя, преди да заминат. Никой не проверява всяка запетая. Прегледът стои там, където грешката излиза скъпо.
С какво го бъркат. С „AI-ят още не става, затова човек проверява всичко“. Добре направеният human in the loop е кратък списък с важните решения, например пари, клиенти, правни текстове и публикуване, които винаги чакат човек. Всичко останало тече само. Именно този списък позволява на AI да върши истинска работа, без да изпускате контрола.
Как го ползваме ние. В Taskinger завършена задача, която чака одобрение, отива в списъка „Чакат теб“ на човека, който може да я одобри, като работата на агентите стои най-отгоре. Той я одобрява или я връща с коментар какво да се поправи. AI предложенията в Taskinger не се записват в пространството, преди човек да одобри всяко от тях. В SnapReceipt моделът разчита касовата бележка, но редовете се отварят за преглед и вие ги потвърждавате, преди да влязат в бюджета.
SQL и Postgres #
SQL е езикът, на който се задават въпроси към база данни, например „покажи всички неплатени фактури от октомври“, а Postgres (PostgreSQL) е една от най-разпространените бази данни с отворен код, които разбират този език. Нито едното не е AI: това е мястото, където живеят данните, които AI чете и записва.
Postgres е архивът с подредените папки. SQL е бланката, с която искате справка от архивиста. Езиковият модел е служителят, който чете справката и пише писмото до клиента. Архивите съществуват от десетилетия, а служителят е новото.
Защо ги има в обявите за AI. Всяко AI приложение трябва да пази някъде потребителите, документите, историята на разговорите и резултатите си. RAG също търси някъде: Postgres може да пази и „векторите“, по които се търси по смисъл, чрез разширението pgvector. Затова обявата за AI инженер иска и SQL. Моделът е само една част от системата.
С какво го бъркат. С AI, който „знае“ данните ви. Базата данни отговаря точно: при едни и същи данни една и съща заявка връща един и същ резултат. Езиковият модел е гъвкав, но не винаги точен. Добрата система държи числата в базата и оставя на модела думите.
Как го ползваме ние. Taskinger пази данните си във Firebase, база данни от друг вид, без SQL. Изборът на база е инженерно решение и няма общо с AI. В асистента на клиниката цените не са записани в инструкцията на модела като текст: той ги чете от същите записи, от които се показва страницата с цени.
Имате процес, в който тези думи трябва да станат работа? Разкажете ни за него.