"Разработка с AI в начале 2025. Выбор LLM (2/3) Ризонинг Способность модели рассуждать, делать выводы, устанавливать логические связи между фактами и генерировать ответы, основанные не только на запоминании информации, но и на ее анализе и интерпретации. В разработке определенно нужны модели с хорошим ризонингом, и чем сложнее и нетривиальнее задачи, тем более важным становится этот фактор. Появившиеся не так давно ""размышляющие"" модели навроде ChatGPT o1 (на подходе передовая o3) или Qwen QwQ заточены именно на построение цепочки рассуждений и особенно выделяются способностями решать задачи на ризонинг. Эта способность не нова, такое поведение можно было и раньше получить от ""обычных"" моделей, попросив их составлять план действий, думать по шагам и т.п. Собственно, можно видеть, как тот же Cursor Composer так и делает, когда он просит модель составить план, а потом по этому плану двигается, редактируя код и запуская команды. Сейчас есть 2 минуса ""думающих"" моделей: * дороговизна, т.к. построение и прохождение по цепочке рассуждений вычислительно дорогой процесс; * скорость работы, т.к. нужно время ""подумать"" :) Так что ту же о1 я использую нечасто, да и для большинства стандартных задач это оверкилл, Sonnet'а вполне хватает. Использование инструментов Это способность модели принимать в запросе описание набора инструментов, которые она может использовать и умение эти инструменты применять в ответе. Выглядит в промпте это так, что модели предоставляются контракты для вызова инструментов и ставится задача, которую она потенциально может решить с помощью вызова этих инструментов. В своем ответе она описывает, какой инструмент и с какими параметрами нужно запустить, мы на своей стороне его запускаем, а в ответ предоставляем ей и/или пользователю результат выполнения. Эффективное использование инструментов требует следующих способностей модели: * хорошей общей способности следовать инструкциям; * умения планировать свои действия; * точного понимания структуры входящего запроса (как правило, json); * генерации структурного вывода заданного формата (structured outputs, как правило, тоже в виде json); * иногда - просить уточнения требований. За счет всего этого есть возможность организовать цикл с обратной связью и модель будет в автономном режиме (т.е. в режиме агента) решать какую-то задачу. Простой пример: модель может написать код, запустить тесты, отловить ошибки, поправить код, запустить тесты, и так до тех пор, пока задача не будет решена. __Стоит подчеркнуть, что, конечно, все эти действия модель совершает не сама - их совершает тулинг, выстроенный вокруг модели (такой, как Cursor Composer Agent, к примеру), а модель тут лишь генерирует инструкции.__ Так вот, не все модели обладают вышеперечисленными способностями, и в Cursor Composer Agent в том числе из-за этого далеко не все модели поддерживаются. Вот, к примеру, та же Gemini 2.0 Flash, несмотря на общие неплохие способности к программированию, не всегда следует инструкциям по оформлению своего вывода, чем ломает даже обычный Cursor Composer и приходится (__какое средневековье!__) руками копировать куски кода из чата в файл. #ai #work #development"