# Частые вопросы об ИИ и языковых моделях

Ответы на вопросы, которые чаще всего задают о машинном обучении, языковых моделях и агентах. Вопросы идут от простого к сложному: сначала – что такое модель и токен, в конце – агенты, подключение к сервисам, своя база знаний, автоматизация без программирования (n8n) и формат Markdown, в котором лежат материалы курса. Каждый ответ начинается с короткой версии, ниже – подробности и ссылки на источники. Сведения о сервисах, ценах и условиях приведены на 15.11.2026, они меняются часто. Незнакомые слова объяснены в [глоссарии](../../glossary.html).

## 1. ИИ, машинное обучение и языковые модели

### 1. Что такое машинное обучение (ML) и что такое большая языковая модель (LLM)? Это одно и то же? <a id="q01"></a>

**Коротко.** Нет, но одно входит в другое. Машинное обучение – подход, при котором программа не получает правила от человека, а сама подбирает их по примерам. Большая языковая модель – один из результатов такого подхода: огромная нейронная сеть, обученная на текстах. Любая языковая модель – это машинное обучение, но не всякое машинное обучение – языковая модель.

В России термины ИИ закреплены в национальном стандарте ГОСТ Р 71476-2024, он действует с 1 января 2025 года [1]. Машинное обучение там определено как «процесс оптимизации параметров модели с помощью вычислительных методов таким образом, чтобы поведение модели отражало данные и/или опыт» [1]. Проще: модель подстраивают под примеры, пока она не начнёт давать нужный результат.

Нейронная сеть по тому же стандарту – сеть из слоёв нейронов, соединённых связями с регулируемыми весами [1]. Большая языковая модель – нейронная сеть с миллиардами параметров, обученная на огромном объёме текстов предсказывать продолжение текста. Отдельного термина «большая языковая модель» в стандарте нет [1].

![Искусственный интеллект, машинное обучение и языковые модели: что во что входит](diagrams/faq-ml-llm.png)

Интерактивная версия схемы – файл `08-Схемы/faq-ml-llm.html`.

Посмотреть, как маленькая нейронная сеть учится распознавать цифры, можно в браузере, в лаборатории «Цифра. Слой за слоем»: https://neural-network-digit-recognition.pikov.expert/ [2].

### 2. Когда применяют машинное обучение, а когда – языковую модель? <a id="q02"></a>

**Коротко.** Если данные – числа и таблицы (замеры, показания датчиков, журналы испытаний) и нужен прогноз, класс или группировка, это задача классического машинного обучения. Если нужно работать с текстом – прочитать, пересказать, сравнить, составить, ответить на вопрос по документу, – это задача для языковой модели. Многие рабочие системы сочетают оба подхода.

Стандарт называет типичные задачи машинного обучения: классификация, регрессия, ранжирование, кластеризация и понижение размерности [1]. Справочник библиотеки scikit-learn описывает их на примерах: классификация отвечает, к какой категории относится объект; регрессия предсказывает числовое значение; кластеризация объединяет похожие объекты в группы [3].

| Задача | Чем решать |
|---|---|
| Предсказать отказ узла по току, напряжению и температуре | Классическое машинное обучение |
| Найти на фото дефект сварного шва | Нейронная сеть для изображений |
| Сравнить техническое задание с протоколом испытаний и найти расхождения | Языковая модель |
| Составить черновик письма поставщику по таблице замечаний | Языковая модель |

Точный расчёт лучше не поручать языковой модели: в многошаговых вычислениях она ошибается. Разумная схема – модель предлагает и объясняет, а считает и проверяет программа (темы 1.1 и 5.1 курса).

### 3. Что нужно купить, скачать или открыть, чтобы начать? <a id="q03"></a>

**Коротко.** Покупать ничего не нужно. Для языковой модели достаточно браузера и учётной записи в сервисе. На работе – в том сервисе, который разрешён в организации. Для классического машинного обучения бесплатны и язык Python, и библиотека scikit-learn, и среда Jupyter. Платить имеет смысл позже: за подписку с большими лимитами или за видеокарту, если модели нужно запускать у себя (вывод автора).

Языковая модель:

- чат в браузере – на курсе это GigaChat и Алиса AI (тема 1.1);
- программный доступ для своих программ, например GigaChat API: на странице тарифов для частных лиц указан бесплатный режим Freemium – 365 млн токенов на 12 месяцев; страница оговаривает, что это тарифы для действующих клиентов, а новые клиенты с 1 сентября 2026 года оплачивают работу с моделями на платформе cloud.ru [4];
- модель на своём компьютере – программы Ollama, LM Studio и другие (вопрос 24).

Классическое машинное обучение:

- Python – бесплатный язык с открытой лицензией, в том числе для коммерческого использования [5];
- scikit-learn – открытая библиотека «простых и эффективных инструментов для анализа данных» [3];
- Jupyter – среда, где код, таблицы и графики лежат в одном документе; попробовать её можно прямо в браузере [6].

Рабочие данные – только в разрешённые сервисы. Почему это правило строгое, разбирается в теме 2.1.

## 2. Что такое модель

Модель – это файлы с числами, и от их размера зависит, где модель может работать.

### 4. Что такое модель: файл, программа или сервис? Можно ли её увидеть? <a id="q04"></a>

**Коротко.** Сама модель – это файлы с миллиардами чисел, которые подобрали при обучении; их называют параметрами или весами. Чтобы модель работала, нужна программа, которая загружает эти файлы и считает по ним ответ. В чат-сервисе файлы лежат на серверах поставщика, и вы видите только окно чата. Открытые модели можно скачать и увидеть сами файлы.

Пример – открытая модель OpenAI gpt-oss-20b. В её карточке на Hugging Face указано 21 млрд параметров, а веса лежат в трёх файлах примерно по 4–5 ГБ [7]. Форматы файлов называются safetensors и GGUF; второй хранит вместе с числами описание модели и подходит для программ Ollama, LM Studio, GPT4All и llama.cpp [8], [9]. Есть и российские открытые модели: например, YandexGPT 5 Lite на 8 млрд параметров выложена в том числе в формате GGUF [10].

У закрытых моделей размер обычно не раскрывают. В техническом отчёте о GPT-4 OpenAI прямо пишет, что не приводит подробностей архитектуры, включая размер модели [11]. У Anthropic на странице прозрачности числа параметров нет ни у одной модели [12].

Как посмотреть своими глазами:

- открыть страницу модели на Hugging Face и вкладку с файлами;
- поставить Ollama или LM Studio и скачать небольшую модель – она займёт несколько гигабайт на диске;
- увидеть устройство маленькой нейронной сети изнутри – в лаборатории «Цифра. Слой за слоем» [2].

### 5. Почему моделей так много и что означают цифры в названиях? <a id="q05"></a>

**Коротко.** Разработчики выпускают линейки: большая модель умнее, но медленнее и дороже, маленькая – быстрее и дешевле. И обновляют их несколько раз в год. Цифры в названии чаще всего означают номер поколения или размер модели в миллиардах параметров. Остальные слова подсказывают назначение.

Примеры по описаниям разработчиков:

- **Claude (Anthropic).** В 2024 году Anthropic перечисляла линейки Haiku, Sonnet и Opus «по возрастанию возможностей» [13]; в 2026 году над Opus появился класс Fable и Mythos [14]. Номер в названии – поколение и версия внутри него: Claude Sonnet 5, Claude Opus 5.5. Обновлённая версия выходит под новым идентификатором [15].
- **GigaChat (Сбер).** GigaChat 2 Lite – «быстрая и легкая модель для простых повседневных задач», Pro – для ресурсоёмких задач, Max – «для самых сложных и масштабных задач» [16].
- **YandexGPT (Яндекс).** Lite – где важна скорость ответа, Pro – для сложных задач, например ответов на вопросы по документации [17].
- **Qwen (Alibaba).** В названии Qwen3-235B-A22B: 235 млрд параметров всего и 22 млрд активных при обработке каждого токена [18]. У версий Qwen3-235B-A22B-…-2507 вариант Instruct работает только без рассуждения, а Thinking – только с рассуждением [19], [20].

Буква B после числа – миллиарды параметров (billion): 8B – 8 миллиардов. Смысл некоторых частей названий разработчики не объясняют, тогда его лучше не угадывать.

### 6. Почему модель не запустить на домашнем компьютере, ноутбуке или планшете и зачем нужны очень дорогие компьютеры? <a id="q06"></a>

**Коротко.** Все веса модели должны поместиться в память, а для быстрой работы – в память видеокарты. На каждый токен модель считает по своим весам. У игровых видеокарт 12–32 ГБ памяти, а крупные модели занимают сотни гигабайт. Поэтому их запускают на серверах, где стоит несколько ускорителей по 80–141 ГБ. Небольшие открытые модели в сжатом виде работают и на домашнем компьютере, лучше – с хорошей видеокартой.

Объём памяти у современных устройств NVIDIA: игровые RTX 5070 – 12 ГБ, RTX 5070 Ti – 16 ГБ, RTX 5090 – 32 ГБ [21], [22]; серверные H100 – 80 или 94 ГБ, H200 – 141 ГБ [23], [24]; система DGX B200 из восьми ускорителей – 1440 ГБ на всех [25]. Цены серверных ускорителей NVIDIA на своих страницах не публикует.

Простая оценка (вывод автора): в обычном виде один параметр занимает 2 байта. Значит, модели на 235 млрд параметров нужно около 470 ГБ только под веса – это несколько серверных ускорителей. На каждый токен обычная модель выполняет примерно по две операции на каждый параметр [26]. У моделей со «смесью экспертов» на токен работает только часть параметров: у Qwen3-235B-A22B – 22 млрд из 235 млрд [18].

Выручает сжатие – квантование: параметры хранят в 3–4 битах вместо 16. В исследовании 2022 года так удалось уменьшить модели в несколько раз почти без потери точности и впервые запустить модель на 175 млрд параметров на одной видеокарте [27]. Но в другой работе ни один из проверенных способов не сохранил при 4 битах исходное качество полностью [28]. Сжатые модели и раздают для домашних программ: формат GGUF с уровнем Q4_K – около 4,5 бита на параметр [9].

Что работает дома:

- программа LM Studio для Windows рекомендует хотя бы 16 ГБ оперативной памяти и 4 ГБ видеопамяти [29];
- открытая модель gpt-oss-20b, по описанию в каталоге Ollama, запускается на системах с 16 ГБ памяти [30];
- в исследовании 2026 года рабочая станция с одной потребительской видеокартой выдавала 29–65 токенов в секунду на задачах помощника по документам и программам [31].

Без видеокарты модель можно запустить на процессоре: так умеет, например, GPT4All [32]. На ноутбуке без отдельной видеокарты и на планшете памяти и мощности меньше, поэтому там работают только маленькие модели, и те медленно (вывод автора).

## 3. Токены: как модель читает текст

### 7. Что такое токен и как посмотреть, на какие токены делятся слова? <a id="q07"></a>

**Коротко.** Токен – кусочек текста, с которым работает модель: короткое слово целиком, часть длинного слова, знак препинания. Модель читает и пишет текст токенами, и всё считается в токенах: длина запроса, объём «памяти» диалога, лимиты, цена. Посмотреть деление можно в бесплатных онлайн-токенизаторах.

Пример. Слово «непредсказуемость» токенизатор моделей Qwen 2.5 делит на 8 токенов: «н», «еп», «ред», «с», «каз», «у», «ем», «ость». Английское «unpredictability» – на 3: «un», «predict», «ability» [33]. У каждого семейства моделей свой словарь, поэтому то же русское слово у GPT-4o занимает 6 токенов, а у GPT-4 – 8 [34], [35].

Где посмотреть самому:

- [Токенизатор OpenAI](https://platform.openai.com/tokenizer) – раскрашивает токены и считает их для словарей моделей OpenAI; 15.11.2026 открывался без входа, «непредсказуемость» на словаре GPT-5.x – 6 токенов [36];
- [Tiktokenizer](https://tiktokenizer.vercel.app/) – показывает токены и их номера для словарей моделей OpenAI; 15.11.2026 открывался без входа и принимал русский текст [34];
- [The Tokenizer Playground](https://huggingface.co/spaces/Xenova/the-tokenizer-playground) на Hugging Face – раскрашивает токены; словарь выбирается из списка: GPT-4, Llama 3, Mistral, Gemma и другие; 15.11.2026 открывался без входа и принимал русский текст [35].

Посчитать токены программно можно и у российских сервисов: у GigaChat API для этого есть отдельный запрос [37], у Yandex AI Studio – бесплатный метод, для которого нужна учётная запись в облаке [38].

Ориентиры от разработчиков: для английского текста токен – примерно 4 символа или три четверти слова [36]; у GigaChat – в среднем 3–4 символа [37]; у Anthropic размер токена зависит от модели и языка [39].

### 8. Почему на русский текст уходит больше токенов, чем на английский? <a id="q08"></a>

**Коротко.** Словарь токенов составляют по большим массивам текстов, и английского в них больше всего. Частые английские слова попадают в словарь целиком, а русские чаще режутся на части. К тому же у русских слов много форм: «модель», «модели», «моделью» – разные цепочки букв. В итоге тот же смысл по-русски стоит больше токенов.

Замер 15.11.2026. Взят официальный текст Всеобщей декларации прав человека, статьи 1–30, с сайта ООН – по-русски и по-английски [40]. Русский вариант короче по числу слов (1343 против 1420), но токенов в нём больше у всех четырёх проверенных открытых моделей [33]:

| Модель | Русский текст, токенов | Английский текст, токенов | Во сколько раз больше |
|---|---|---|---|
| Qwen 3.5, 9 млрд параметров | 2209 | 1627 | 1,36 |
| Gemma 3, 4 млрд | 2266 | 1620 | 1,40 |
| gpt-oss, 20 млрд | 2308 | 1608 | 1,44 |
| DeepSeek-R1, 14 млрд, на основе Qwen 2.5 | 2957 | 1630 | 1,81 |

На английское слово пришлось 1,13–1,15 токена, на русское – 1,64–2,20 [33].

Исследования подтверждают это на десятках языков. Число токенов у одного и того же текста в переводе на разные языки может различаться до 15 раз, и разрыв остаётся даже у словарей, обученных на многих языках [41]. Что считать токеном, зависит от данных, на которых обучали модель, и носители многих языков платят за доступ к модели больше, а ответы получают хуже [42]. Больше всего токенов тратят языки с нелатинским письмом и богатыми окончаниями [43].

Разработчики моделей с упором на русский язык подстраивают под него словарь. Т-Банк пишет, что его модели T-lite и T-pro быстрее генерируют русский текст за счёт оптимизированного токенизатора [44], [45]. В таблице-примере Яндекса модель YandexGPT Pro укладывает в токен в среднем 5,39 символа русского текста, а DeepSeek – 4,04 [38].

Что это значит на практике (вывод автора):

- через программный доступ русский запрос стоит дороже английского того же смысла;
- лимиты подписки расходуются быстрее;
- в контекстное окно помещается меньше русского текста.

### 9. Что происходит с токенами дальше и что получает модель на вход? <a id="q09"></a>

**Коротко.** Модель получает не буквы, а номера токенов. Каждый номер она заменяет длинным набором чисел – вектором – и прогоняет эти наборы через десятки слоёв. На выходе – вероятности для следующего токена. Модель выбирает один, дописывает его к тексту и повторяет, пока ответ не закончится.

По шагам:

1. Токенизатор режет текст на токены и заменяет каждый его номером в словаре. В словаре моделей Qwen 2.5 – 151 676 токенов вместе со служебными [33].
2. Каждый номер превращается в вектор. У четырёх моделей, проверенных на компьютере автора, это от 2560 до 5120 чисел на токен [33].
3. Слои модели сопоставляют все токены друг с другом. Этот механизм называется вниманием; на нём построен трансформер [46] – архитектура современных языковых моделей.
4. На выходе модель получает вероятности для следующего токена и выбирает один [47].
5. Выбранный токен добавляется к тексту, и всё повторяется.

![Что происходит с текстом внутри языковой модели](diagrams/faq-put-teksta.png)

Интерактивная версия схемы – файл `08-Схемы/faq-put-teksta.html`.

На входе модель получает то, что сервис собрал для текущего запроса: инструкции, доступную часть диалога, приложенные материалы или найденные в них фрагменты. Объём этого входа ограничен контекстным окном. Например, у моделей Claude окно – 1 млн токенов, по оценке Anthropic это около 555 тыс. слов [48]. На каждый токен модель делает работу, пропорциональную числу задействованных параметров [26], поэтому длинный диалог и большая модель – это больше вычислений.

### 10. Почему модель на один и тот же вопрос отвечает по-разному? <a id="q10"></a>

**Коротко.** Модель выбирает следующий токен с долей случайности, чтобы текст был разнообразнее, поэтому два ответа на один вопрос расходятся. Даже если случайность отключить, ответы всё равно могут различаться: сервер считает одновременно много запросов, и порядок вычислений немного меняется от раза к разу.

В исследовании, где ChatGPT писал программы, доля задач, в которых ответы на одинаковый запрос ни разу не совпали по результатам тестов, – от 47,56 до 75,76 % в зависимости от набора. Отказ от случайного выбора (температура 0) разброс уменьшил, но не убрал [47]. Anthropic в своей документации предупреждает о том же: даже при температуре 0 ответы не полностью детерминированы [39].

Лаборатория Thinking Machines показала это на опыте: 1000 ответов модели Qwen3-235B на один запрос при температуре 0 дали 80 разных текстов. Главная причина в том, что нагрузка на сервер, а значит, и размер пакета запросов меняются непредсказуемо [49]. Исследователи системного программного обеспечения объясняют механизм так же: вычисления с плавающей точкой дают немного разный результат при разном порядке сложения, а порядок зависит от того, сколько запросов сервер обрабатывает вместе [50].

На новых моделях пользователь всё чаще не может управлять случайностью: в новой версии API Anthropic параметр температуры убран совсем [51], а у моделей Gemini начиная с 3.6 Flash он игнорируется [52]. Поэтому исследователи советуют считать ответ модели выборкой из множества возможных, а не точным измерением [53].

Что делать: если факт важен, задайте вопрос ещё раз в новом чате и сравните. Если ответы противоречат друг другу, модель, скорее всего, сочиняет [54]. Совпадение проверку не заменяет: модель может уверенно повторять одну и ту же ошибку (тема 1.1).

## 4. Текст и изображения

### 11. Почему одни модели работают только с текстом, а другие – и с изображениями? <a id="q11"></a>

**Коротко.** Чтобы модель «видела», к ней добавляют отдельный блок – кодировщик изображений – и дообучают на парах «картинка и текст». Модель, которую так не учили, принять картинку не может. Многие современные модели принимают изображения, но есть и чисто текстовые.

В типичной схеме кодировщик превращает картинку в векторы, а связующий блок переводит их в то же пространство, где модель держит токены текста [55], [56]. После этого картинка для модели – ещё одна последовательность токенов рядом с вашим текстом.

Кто что принимает по описаниям разработчиков:

- все текущие модели Claude и последние модели OpenAI принимают текст и изображения [48], [57];
- модели GigaChat распознают текстовые документы, изображения и аудио [58];
- Алиса AI отвечает на вопросы о том, что изображено на фото; в одном сообщении – одно изображение до 20 МБ [59];
- у DeepSeek в программном доступе изображения принимает модель deepseek-flash, а deepseek-v4-pro – нет [60];
- открытая модель gpt-oss работает только с текстом [30].

### 12. Как изображение превращается в токены? <a id="q12"></a>

**Коротко.** Картинку режут на квадратики, и каждый квадратик кодировщик превращает в вектор – как токен текста. Чем больше картинка, тем больше квадратиков и токенов она занимает. Поэтому большая фотография может стоить больше токенов, чем страница текста.

Приём предложили в 2020 году в модели ViT: трансформер получает изображение как последовательность фрагментов [61]; в ViT фрагменты были по 14×14 или 16×16 пикселей [62].

У коммерческих сервисов свои правила подсчёта:

- Anthropic: квадраты 28×28 пикселей; изображение 1000×1000 пикселей стоит 1296 токенов [63];
- OpenAI у новых моделей считает квадраты 32×32 пикселя [64];
- у Gemini 3 и 4 картинка стоит от 280 до 2240 токенов в зависимости от выбранного разрешения [65];
- GigaChat тратит на изображение не больше 1792 токенов [58], DeepSeek – не больше 1024 [66].

Для сравнения: в одной из открытых исследовательских моделей картинка 672 пикселя занимает 2880 визуальных токенов [56].

## 5. Промпт: как ставить задачу модели

### 13. Что такое промпт и так ли он важен? Может, достаточно сказать своими словами? <a id="q13"></a>

**Коротко.** Промпт – всё, что модель получает на входе: задача, условия, примеры, приложенные файлы. Своими словами говорить можно и нужно, но модель не знает того, чего вы не написали. Важна не «волшебная формула», а полнота: что сделать, для кого, из каких данных, в каком виде нужен результат и как вы его проверите.

Разработчики советуют одно и то же разными словами. Anthropic предлагает представлять модель «блестящим, но новым сотрудником», которому не хватает контекста, и проверять промпт так: дать его коллеге, который не знает задачи; если коллега запутается, запутается и модель [67]. Сбер в руководстве по GigaChat советует составлять однозначные запросы, давать актуальные данные и приводить примеры [68]. Яндекс в справке Алисы AI предлагает определить цель, задать контекст, указать формат ответа и включать примеры [69].

Формулировка влияет на ответ сильнее, чем кажется. В одном исследовании модель меняла решение даже от лишнего пробела в конце запроса; более крупные модели оказались устойчивее [70]. В работе на открытых моделях уже один пример в запросе почти всегда заметно снижал эту чувствительность [71].

Как составлять запрос по шагам – тема 1.2 курса.

### 14. Промпт-инженерия умерла или нет? <a id="q14"></a>

**Коротко.** Не умерла, но изменилась (вывод автора). Новые и более крупные модели устойчивее к мелким изменениям формулировки, поэтому «волшебные фразы» значат всё меньше. А умение ясно поставить задачу и дать модели нужные материалы никуда не делось. Разработчики говорят шире – об инженерии контекста: что положить модели на вход, чтобы она справилась.

Anthropic в 2025 году назвала инженерию контекста естественным продолжением промпт-инженерии: работа с моделями всё меньше сводится к поиску правильных слов и всё больше – к подбору того, что модель видит [72]. Руководства по промптам на 15.11.2026 публикуют Anthropic, OpenAI, Google, Сбер и Яндекс [73], [74], [75], [68], [69]. В этих руководствах заявлений о том, что промпт-инженерия больше не нужна, нет.

Значительная часть «чувствительности к формулировке» в прежних работах объяснялась способом проверки ответов, и современные модели устойчивее к шаблонам запросов, чем считалось [76]. Но и они меняют ответ от небольших изменений формулировки [70].

### 15. Почему одна модель понимает задачу, а другая – нет? <a id="q15"></a>

**Коротко.** Модели обучали на разных текстах и разными способами. Они отличаются размером, а русский язык и вашу предметную область каждая знает по-своему. Формулировки, которой хватает одной модели, может не хватить другой. Поэтому запрос проверяют на той модели, с которой предстоит работать.

Различаются модели и по языкам. У Llama 3.1, например, русского нет в списке поддерживаемых языков [77], а Qwen3 поддерживает 119 языков, включая русский [18]. Как модели справляются именно с русским, показывает открытый рейтинг MERA: новые версии представляет Альянс в сфере искусственного интеллекта, в разработке участвовали Сбер, Яндекс, Сколтех, МТС, ВШЭ и Российская академия наук [78], [79], [80].

В курсе этот вопрос разбирается через «харнес» (тема 5.1): инструкции стоит писать так, чтобы с ними справилась и более простая модель, тогда смена модели не ломает работу.

## 6. Модели, цены и подписки

### 16. Чем отличаются модели одного разработчика, например Claude Fable 5.2 и Claude Sonnet 5? <a id="q16"></a>

**Коротко.** Это модели разного класса. Claude Fable 5.2 – самая сильная модель Anthropic, открытая всем клиентам. Она рассчитана на сложные рассуждения и долгую самостоятельную работу агентов. Sonnet – средний класс, «лучшее сочетание скорости и интеллекта». Fable в четыре раза дороже за токен.

По документации Anthropic на 15.11.2026 [48], [81], [82]:

| | Claude Fable 5.2 | Claude Sonnet 5 / Sonnet 5.5 |
|---|---|---|
| Назначение | Сложные рассуждения и долгая работа агентов | Лучшее сочетание скорости и интеллекта |
| Цена программного доступа, долларов за 1 млн токенов | 8 на входе, 40 на выходе | 2 на входе, 10 на выходе |
| Статус | Текущая модель | Sonnet 5 вышла 30.06.2026 и уже заменена версией 5.5 |

Anthropic советует при выборе модели «соблюдать баланс возможностей, скорости и стоимости», а если не уверены – начинать с Claude Opus 5.5. Часто выгоднее не менять модель, а настроить уровень усилий (вопрос 18) [81], [48].

У российских разработчиков линейки устроены так же: GigaChat 2 Lite, Pro и Max, YandexGPT Lite и Pro (вопрос 5). Модели Anthropic, OpenAI и Google в России официально недоступны (вопрос 21).

### 17. Почему модели стоят по-разному? <a id="q17"></a>

**Коротко.** Большая модель на каждый токен делает больше вычислений, и это дороже. У Claude токен ответа стоит в 5 раз дороже токена вопроса, у Alice AI LLM – в 2,4 раза, у YandexGPT и GigaChat цена одна. Официально свою ценовую политику разработчики не объясняют, но картина у всех похожая.

На каждый токен обычная модель выполняет примерно по две операции на каждый параметр [26]. Отсюда вывод автора: модель в десять раз больше требует примерно в десять раз больше вычислений на токен, а значит, и больше оборудования; у моделей со «смесью экспертов» считать нужно по активной части. Прямого объяснения разницы в ценах на страницах Anthropic нет, есть только совет брать простую модель для простых задач, а самую сильную – для самых сложных [82].

Цены программного доступа на 15.11.2026:

| Модель | Вход | Выход |
|---|---|---|
| Claude Haiku 5.5 | 0,10 $ за 1 млн токенов | 0,50 $ |
| Claude Sonnet 5.5 | 2 $ | 10 $ |
| Claude Opus 5.5 | 4 $ | 20 $ |
| Claude Fable 5.2 | 8 $ | 40 $ |
| GigaChat Lite / Pro / Max (для организаций, с НДС) | 0,065 / 0,5 / 0,65 ₽ за 1000 токенов | |
| YandexGPT Lite / Pro 5.1 (с НДС) | 0,2 / 0,8 ₽ за 1000 токенов | 0,2 / 0,8 ₽ |
| Alice AI LLM (с НДС) | 0,5 ₽ за 1000 токенов | 1,2 ₽ |

Источники: [82], [83], [84]. У GigaChat в таблице одна цена за 1000 токенов без деления на вход и выход [83]. У Haiku 5.5 запрос длиннее 100 тыс. токенов стоит в пять раз дороже [82].

Почему ответ дороже вопроса (вывод автора): входной текст модель обрабатывает целиком за один проход, а ответ пишет по одному токену, и на каждый нужен свой проход.

### 18. Что такое уровень усилий (effort) и режим рассуждения и почему на максимуме уходит так много токенов? <a id="q18"></a>

**Коротко.** В режиме рассуждения модель перед ответом пишет для себя промежуточные шаги, а уровень усилий задаёт, сколько она на это тратит. Эти «мысли» – тоже токены, и они оплачиваются как ответ, даже если вы их не видите. На максимуме модель рассуждает почти без ограничений, поэтому токенов уходит в разы больше, а выигрыш в качестве бывает не всегда.

Anthropic описывает параметр effort так: он управляет тем, сколько токенов модель тратит на ответ. Уровни – от low («самый экономный, заметная экономия токенов при некотором снижении возможностей») до max («абсолютный максимум возможностей без ограничений на расход токенов») [85]. Токены рассуждения оплачиваются как выходные, даже если сам текст рассуждения не возвращается [86]. У OpenAI так же: токены рассуждения не видны, но занимают контекстное окно и оплачиваются как выходные [87].

Больше рассуждений обычно даёт лучший результат на трудных задачах. Исследования 2024–2025 годов показали, что на части задач дополнительные вычисления «на подумать» во время ответа дают больше, чем увеличение самой модели [88], [89]. Но отдача падает: на больших бюджетах прирост качества уменьшается, а модель начинает «передумывать» и отказываться от правильных ответов [90]; слишком длинные цепочки рассуждений в некоторых областях даже ухудшают результат [91]. Документация Claude Code предупреждает: уровень max может давать убывающую отдачу и склонен к лишним рассуждениям, его стоит проверить, прежде чем ставить по умолчанию [92].

Практический вывод автора: для повседневной работы хватает среднего или высокого уровня, максимум – для действительно трудных задач.

### 19. Чем различаются подписки? <a id="q19"></a>

**Коротко.** Обычно есть бесплатный уровень с небольшими лимитами и несколько платных: чем дороже, тем больше объём работы, сильнее модели и больше функций, например агенты для работы с файлами. Отдельно продаются планы для организаций – с администрированием и условием не обучать модели на данных клиента.

Примеры на 15.11.2026 (цены в долларах США в месяц, без налогов):

| Сервис | Бесплатно | Платные планы |
|---|---|---|
| Claude (Anthropic) | Есть, с лимитами на каждые 5 часов и на неделю | Pro – 20 (17 при оплате за год), Max – 100 (в 5 раз больше Pro), Ultra – 200 (в 10 раз больше Pro за неделю); для организаций – Team и Enterprise [93] |
| ChatGPT (OpenAI) | Есть | Go – 8, Plus – 20, Pro – от 100 (100, 200 или 500), Business – 25 за пользователя (20 при оплате за год) [94] |
| Gemini (Google) | Есть | Plus – 4,99, Pro – 19,99, Ultra – 99,99 или 199,99 [95] |
| Алиса AI (Яндекс) | Есть; в режиме рассуждения «Эксперт» – ограниченное число запросов в день (тема 1.1) | Опция «Алиса Плюс» – 199 ₽ в месяц: без ограничений на ответы с рассуждением и создание изображений, бессрочное хранение переписки; нужна мультиподписка, работает в России и Беларуси [96] |

Что ещё различается:

- у Claude чат и Claude Code расходуют один общий лимит [97];
- в ChatGPT программа-агент Codex входит во все планы, но с разным объёмом [94];
- у бизнес-планов другие условия хранения и использования данных (вопрос 22).

Зарубежные подписки в России официально недоступны (вопрос 21).

### 20. Зачем придумали лимиты с окном в пять часов? <a id="q20"></a>

**Коротко.** Окно в пять часов – способ распределить общий объём работы во времени: на каждые пять часов приходится своя часть, а сверху действует недельный лимит. Зачем окно именно такой длины, разработчики официально не объясняют. Сами они говорят о нехватке вычислительных мощностей и о равном доступе для всех пользователей.

Как это устроено по справке разработчиков:

- Claude: период начинается с первого сообщения и полностью обновляется через пять часов; есть и недельные лимиты [97]; у подтверждённых аккаунтов Ultra пятичасового лимита нет [93];
- Codex и ChatGPT Work: для планов Plus и Business приведены оценки числа сообщений на каждые пять часов, могут действовать и недельные лимиты; на 15.11.2026 у планов Pro пятичасового лимита нет [94];
- Gemini: лимит обновляется каждые пять часов, пока не исчерпан недельный [95].

Объяснения разработчиков: Anthropic может менять лимиты, «чтобы управлять мощностями и обеспечить справедливый доступ для всех пользователей» [97]; в мае 2026 года она удвоила пятичасовые лимиты Claude Code и связала это с новыми вычислительными мощностями [98]. Google пишет, что лимиты должны обеспечить хорошую работу для всех и могут меняться из-за ограничений мощностей [99]. По сообщению TechCrunch, недельные лимиты 2025 года Anthropic ввела против круглосуточной фоновой работы Claude Code и оценивала, что они затронут менее 5 % подписчиков [100] (вторичный источник).

Вывод автора: без окна одна длинная сессия могла бы израсходовать недельный объём за несколько часов, а сервер в часы пик был бы перегружен.

### 21. Какие есть известные поставщики и где купить подписку? <a id="q21"></a>

**Коротко.** В России доступны GigaChat от Сбера и Алиса AI от Яндекса, у них есть бесплатный режим. Программный доступ продаётся через GigaChat API и Yandex AI Studio. Из зарубежных крупнейшие – OpenAI (ChatGPT), Anthropic (Claude) и Google (Gemini), но в их списках поддерживаемых стран России нет. Для работы годятся только сервисы, разрешённые в вашей организации.

Российские сервисы:

- GigaChat (Сбер) – чат и GigaChat API; для организаций оплата по факту использования, минимум 600 ₽ в месяц с НДС [83];
- Алиса AI (Яндекс) – чат, опция «Алиса Плюс» [96]; программный доступ к моделям Яндекса – Yandex AI Studio [84].

Зарубежные:

- OpenAI, Anthropic и Google: Россия не входит в списки стран, где доступны их сервисы [101], [102], [103]. OpenAI прямо предупреждает, что доступ из других стран может привести к блокировке учётной записи [102]. Обходные пути на курсе не обсуждаются (тема 5.1);
- DeepSeek (Китай) и Qwen (Alibaba) – открытые чаты, данные хранятся в Китае и Сингапуре и могут использоваться для обучения (тема 1.1);
- есть и другие: Mistral, Grok от xAI, Kimi от Moonshot, Microsoft Copilot, Perplexity [104], [105], [106], [107], [108].

Личная подписка не даёт права работать в сервисе с рабочими документами: что можно, определяют правила организации, а использование ИИ в обход правил называют теневым (тема 2.1).

## 7. Данные: облако или свой компьютер

### 22. Если я покупаю подписку, мои данные идут на обучение? Могут ли они утечь? Какие обязательства у продавца? <a id="q22"></a>

**Коротко.** Зависит от сервиса и плана. У личных подписок OpenAI и Anthropic данные могут идти на обучение, если вы не отказались в настройках. У их планов для организаций и программного доступа данные по умолчанию на обучение не идут. У других сервисов – по их собственным условиям. Срок хранения зависит от сервиса и от того, какие это данные: история, удалённые чаты, журналы. Обязательства продавца записаны в его условиях и политике конфиденциальности.

Условия на 15.11.2026:

- **Anthropic, личные планы Free, Pro, Max (и Claude Code в них).** Компания может использовать ваши запросы и ответы для обучения, если вы не отказались в настройках [109]. В сообщении об изменении условий в августе 2025 года компания написала: если разрешить обучение, данные хранятся до пяти лет, если нет – остаётся прежний срок 30 дней; удалённый диалог для обучения не используется [110].
- **Anthropic, коммерческие продукты и программный доступ.** «Anthropic не может обучать модели на контенте клиента» [111].
- **OpenAI.** В личных планах ChatGPT от обучения можно отказаться, а в Business и Enterprise данные на обучение не идут [112]. Данные программного доступа с 1 марта 2023 года не используются для обучения, журналы проверки злоупотреблений по умолчанию хранятся до 30 дней, исключения описаны в документации [113].
- **Google Gemini.** При включённой истории активности Google использует её, в том числе для обучения генеративных моделей; часть диалогов читают люди-проверяющие, и Google просит не вводить конфиденциальные сведения. Временные чаты хранятся 72 часа, история по умолчанию – 18 месяцев, проверенные людьми диалоги – до трёх лет [114].
- **GigaChat.** Соглашение запрещает передавать в запросах персональные данные пользователя и третьих лиц [115].
- **Алиса AI.** Яндекс вправе использовать запросы для улучшения своих сервисов; отказаться можно в настройках Яндекс ID [116]. Без «Алисы Плюс» история хранится 14 дней [117].
- **Yandex AI Studio.** По умолчанию данные запросов сохраняются; отдельный заголовок запроса выключает их использование для улучшения сервиса [118].

Как сервис хранит и защищает данные, описано в его политике конфиденциальности. Если данные попали в обучение, есть ещё один риск: модель может запомнить их часть, и исследователи умеют извлекать такие фрагменты запросами (тема 2.1). Поэтому правило курса простое: в облачные сервисы – только то, что не жалко опубликовать.

### 23. Как не отдать облачным моделям персональные данные из своих файлов, например из Excel? <a id="q23"></a>

**Коротко.** Лучший способ – не отправлять. Если без модели не обойтись, уберите или замените всё, что указывает на людей: фамилии, телефоны, адреса, номера документов – и косвенные признаки. Ещё надёжнее работать с такими файлами в локальной модели или во внутреннем сервисе организации. И помните: обезличивание не даёт права отправлять документ – это решают правила организации.

Закон № 152-ФЗ считает персональными данными любую информацию, относящуюся к прямо или косвенно определённому или определяемому человеку [119]. Если такие данные передаются иностранной организации на территорию иностранного государства, это трансграничная передача [119]. До подачи уведомления оператор обязан получить от получателя сведения о мерах защиты данных, а до начала передачи – уведомить уполномоченный орган по защите прав субъектов персональных данных [120]. Личная подписка сама по себе не обеспечивает выполнения этих обязанностей оператора (вывод автора), поэтому персональные данные во внешние сервисы не отправляются (тема 2.1).

![Маршруты данных: куда можно отправить материал](../day-02/diagrams/d2-marshruty.png)

Интерактивная версия схемы – файл `../День-02-2026-11-18/08-Схемы/d2-marshruty.html`.

Если таблицу всё же нужно обработать моделью, а маршрут разрешён:

1. Удалите лишние столбцы: модели для расчёта или сводки редко нужны фамилии и телефоны.
2. Замените прямые признаки кодами: «Сотрудник 1», «Поставщик А». Таблицу соответствия храните у себя.
3. Обобщите косвенные признаки: точные даты – до месяца, редкие должности – до группы.
4. Проверьте имя файла, свойства документа и примечания: там тоже бывают фамилии.

Обезличивание не всесильно: модели хорошо угадывают человека по косвенным признакам (тема 2.1).

Автоматизировать поиск персональных данных можно и у себя на компьютере. Библиотека Natasha извлекает из русского текста имена, места и организации и работает на обычном процессоре [121]; у spaCy есть модели для русского языка с распознаванием таких сущностей [122]. Microsoft Presidio в стандартной настройке рассчитан на английский, и даже его авторы не гарантируют, что он найдёт всё [123], [124]. В организациях эту работу делают шлюзы безопасности ИИ (тема 5.1).

### 24. Есть ли программы, которые работают с моделью прямо на компьютере? <a id="q24"></a>

**Коротко.** Да. Бесплатные программы Ollama, LM Studio, Jan и GPT4All скачивают открытую модель и запускают её у вас, без отправки текста поставщику. Нужны хорошая видеокарта или много памяти, и локальная модель обычно слабее лучших облачных. Есть открытые модели с хорошим русским – от Сбера, Яндекса, Т-Банка и Alibaba.

Программы (по описаниям разработчиков на 15.11.2026):

- **Ollama** – бесплатная, с открытой лицензией MIT, для Windows, macOS и Linux. «При локальной работе мы не видим ваши запросы и данные»; облачные функции можно отключить и работать только локально [125], [126];
- **LM Studio** – с июля 2025 года бесплатна и дома, и на работе; обходится без интернета, если модели скачаны заранее; «ничто из того, что вы вводите в LM Studio, не покидает ваше устройство» [127], [128];
- **Jan** – открытая альтернатива ChatGPT, «работает на 100 % офлайн» [129];
- **GPT4All** – локальный чат-бот, «данные не покидают ваш компьютер», работает и без видеокарты [32];
- **llama.cpp** – открытая библиотека и программы для запуска моделей на разном оборудовании [130].

Открытые модели с русским языком:

- GigaChat 3.1 Lightning (Сбер): 10 млрд параметров, из них 1,8 млрд активных, лицензия MIT, есть версия в формате GGUF [131];
- YandexGPT 5 Lite (Яндекс): 8 млрд параметров; по лицензии при достижении 10 млн выходных токенов в месяц для продолжения работы нужно обратиться в Яндекс [10];
- T-lite и T-pro 2.1 (Т-Банк): построены на Qwen 3, лицензия Apache 2.0, словарь оптимизирован под русский [44], [45];
- Qwen3 (Alibaba): поддерживает 119 языков, включая русский, лицензия Apache 2.0 [18].

Две оговорки. Локальная модель сама по себе не гарантирует конфиденциальность: запросы могут оседать в журналах и памяти программ, которые её обслуживают. А открытые модели часто уступают лучшим закрытым. Обе оговорки разбираются в теме 5.1 курса. Сколько памяти нужно – в вопросе 6.

## 8. От чата к агенту: программы на компьютере

### 25. Почему чат на сайте, например ChatGPT или Алиса AI, не может обратиться к моему компьютеру? <a id="q25"></a>

**Коротко.** Страница сайта работает внутри браузера, а браузер нарочно не пускает сайты к вашим файлам и программам. Файл попадает в чат, только когда вы сами выбрали его в окне или перетащили. Сама модель находится на серверах поставщика и видит только то, что вы отправили.

Это защита, а не недоработка: иначе любой открытый сайт мог бы прочитать ваши документы. В справочнике MDN правило сформулировано так: веб-приложение получает доступ к файлам, когда пользователь сам их предоставляет – через поле выбора файла или перетаскиванием [132]. Даже расширенный механизм доступа к файлам в Chrome не меняет файл на диске без явного разрешения пользователя [133].

![Чат в браузере и агент на компьютере: кто видит ваши файлы](diagrams/faq-chat-i-agent.png)

Интерактивная версия схемы – файл `08-Схемы/faq-chat-i-agent.html`.

### 26. Зачем для работы с файлами на компьютере ставить отдельную программу или CLI? <a id="q26"></a>

**Коротко.** Чтобы модель могла сама читать документы, создавать файлы и запускать программы, нужен посредник, который работает на вашем компьютере. Он получает от модели указание «прочитай файл» или «создай документ», выполняет его у вас и возвращает результат модели. CLI – такая программа для командной строки; бывают и обычные приложения с окнами.

Примеры по описаниям разработчиков:

- Claude Code (Anthropic) читает файлы проекта, правит их и выполняет команды; работает в терминале, в редакторе кода, в приложении для компьютера и в браузере [134];
- Codex CLI (OpenAI) работает на компьютере пользователя: смотрит код, меняет его, запускает команды [135];
- Qwen Code – открытый агент для терминала [136];
- GigaCode CLI и GigaCode Desktop (Сбер) – терминальный агент, который находит и открывает файлы, вносит изменения и запускает тесты, и приложение с агентом для офисных и технических задач [137];
- SourceCraft CLI (Яндекс) – командная строка со встроенными агентами, которые изучают проект, вносят изменения и запускают команды [138].

Такие программы спрашивают разрешение. В ручном режиме Claude Code начинает с чтения и спрашивает перед правкой файлов и запуском команд [139]. Codex работает в песочнице и выходит за её границы только с согласия пользователя; доступ в сеть у него по умолчанию выключен [140]. Режим Cowork в приложении Claude для компьютера видит только подключённые вами папки и всегда спрашивает перед безвозвратным удалением файлов [141].

Облачные сервисы OpenAI, Anthropic и Google, с которыми работают их программы-агенты, в России официально недоступны (вопрос 21). Для рабочих задач подходят только инструменты, разрешённые в вашей организации.

### 27. Что такое агент и как сделать своего? <a id="q27"></a>

**Коротко.** Агент – программа, в которой модель сама решает, что сделать дальше: найти, прочитать, посчитать, записать. Она вызывает инструмент, смотрит на результат и продолжает, пока задача не решена. Простого агента можно получить без программирования: поставить программу-агента, дать ей отдельную рабочую папку и описать задачу.

Anthropic различает две схемы. В цепочке шаги заранее заданы программой, а в агенте модель сама управляет ходом работы и выбором инструментов [142]. OpenAI формулирует похоже: агент самостоятельно выполняет задачи от вашего имени, а обычный чат-бот агентом не считается [143].

![Как работает агент: модель выбирает следующий шаг](../day-01/diagrams/d1-cikl-agenta.png)

Интерактивная версия схемы – файл `../День-01-2026-11-16/08-Схемы/d1-cikl-agenta.html`.

С чего начать:

1. Выбрать инструмент, разрешённый в организации. Во многих организациях есть конструктор агентов, где программировать не нужно (тема 5.1).
2. Завести отдельную папку и положить в неё копии нужных документов, а не оригиналы.
3. Написать файл-инструкцию: кто вы, какую работу делает агент, по каким правилам (вопрос 32).
4. Начать с режима, в котором агент спрашивает разрешение на каждое изменение.
5. Проверять результат, как работу нового сотрудника.

Anthropic советует начинать с самого простого решения и усложнять, только когда это нужно [142]. Если задача укладывается в три одинаковых шага, хватит шаблона запросов, агент не нужен (тема 5.1).

### 28. Что такое скилл, как его написать и чем хороший скилл отличается от плохого? <a id="q28"></a>

**Коротко.** Скилл, или навык, – папка с инструкцией для агента в файле SKILL.md, а если нужно – ещё и с шаблонами и скриптами. Он учит агента одной работе: оформить отчёт по стандарту, разобрать протокол, собрать презентацию. Пока скилл не нужен, агент держит в памяти только его название и описание, а инструкцию загружает, когда задача подходит.

Anthropic называет скиллы многоразовыми ресурсами в виде файлов, которые превращают агента общего назначения в специалиста. Загрузка идёт по частям: название и описание – всегда, это около 100 токенов на скилл; текст SKILL.md – когда скилл сработал; остальные файлы – по необходимости [144]. С декабря 2025 года формат открыт как стандарт Agent Skills [145]; по страницам разработчиков его поддерживают Claude Code, Codex и Gemini CLI [146], [147], [148].

Самый простой скилл выглядит так:

```
---
name: svodka-protokola
description: Готовит сводку протокола испытаний по шаблону отдела. Применять, когда просят кратко изложить или разобрать протокол испытаний.
---
# Сводка протокола испытаний
1. Найди в протоколе объект, условия и результаты испытаний.
2. Сверь результаты с требованиями из приложенного ТЗ.
3. Заполни шаблон template.md, спорное отметь «[проверить]».
```

Поле name – до 64 знаков, description – до 1024; в описании должно быть и что делает скилл, и когда его применять [144].

| Хороший скилл | Плохой скилл |
|---|---|
| Одна понятная работа | «Помогает с документами» |
| Описание говорит, когда его применять | Описание общее, агент не понимает, когда его брать |
| Короткий: Anthropic советует держать SKILL.md в пределах 500 строк [149] | Длинная простыня, которая повторяет общеизвестное |
| Проверен на реальных задачах: Anthropic советует сначала составить проверки, хотя бы три сценария, а потом писать подробную инструкцию [149] | Не проверялся |
| Написан вами или получен из надёжного источника [144] | Скачан из неизвестного места вместе со скриптами |

## 9. MCP: подключение агента к сервисам

### 29. Что такое MCP, зачем он нужен и как им пользоваться? <a id="q29"></a>

**Коротко.** MCP (Model Context Protocol) – общий стандарт подключения агента к внешним данным и сервисам: файлам, почте, календарю, базам, системам учёта. Разработчики стандарта сравнивают его с разъёмом USB-C: один разъём для разных устройств. Вы подключаете к агенту сервер MCP нужного сервиса, и агент получает его инструменты.

Спецификация называет MCP открытым протоколом, который соединяет приложения на языковых моделях с внешними источниками данных и инструментами [150]. Участников три: приложение, в котором работает агент; клиент внутри него; сервер, который открывает доступ к сервису и описывает его инструменты [150], [151]. Протокол предложила Anthropic, а 9 декабря 2025 года передала его фонду Agentic AI Foundation при Linux Foundation [152]. По сайту протокола его поддерживают Claude, ChatGPT, Visual Studio Code, Cursor и другие программы [151].

![MCP: как агент подключается к календарю, почте и файлам](diagrams/faq-mcp.png)

Интерактивная версия схемы – файл `08-Схемы/faq-mcp.html`.

Как пользоваться: в настройках программы-агента добавляют сервер MCP – команду запуска или адрес, разрешают доступ, и в списке инструментов агента появляются, например, «прочитать события календаря» или «создать черновик письма». Готовые эталонные серверы есть для файлов, Git, загрузки веб-страниц, памяти и времени, остальные – в общем реестре [153].

Осторожность. Спецификация требует получать явное согласие пользователя перед вызовом любого инструмента и предупреждает, что инструменты – это выполнение произвольного кода, а сам протокол обеспечить эти правила не может [150]. OpenAI не советует подключать сервер MCP, если вы не знаете того, кто его сделал, и не доверяете ему [154]. Anthropic сторонние серверы на безопасность не проверяет [139].

### 30. Как дать агенту доступ к почте и календарю, чтобы он делал только нужное? <a id="q30"></a>

**Коротко.** Давать минимум прав: календарь – только на чтение, почта – чтение и черновики, а отправку оставить себе. Отправку, удаление, приглашения агент делает только после вашего подтверждения. Это задаётся в настройках самого агента: права доступа к почте сами по себе отправку не запрещают. И помнить: письмо от постороннего может содержать скрытую команду для агента.

Права задаются при подключении. У почты Google чтение и отправка – разные разрешения: «просматривать письма и настройки» и «отправлять письма от вашего имени»; полный доступ позволяет ещё и безвозвратно удалять. Отдельного разрешения «только черновики» нет: разрешение на черновики описано как «управлять черновиками и отправлять письма» [155]. Поэтому запрет отправки обеспечивают настройки агента: инструмент, который умеет только создавать черновик, или обязательное подтверждение перед отправкой. У календаря есть разрешения от «видеть занятость» до «изменять, делиться и удалять все календари» [156]. Google советует выбирать самое узкое разрешение [155].

В перечне рисков OWASP для приложений на языковых моделях (2025) есть пункт «избыточная самостоятельность». Пример оттуда же: почтовому помощнику нужно только читать письма, а выбранное разработчиком расширение умеет их ещё и отправлять [157]. Меры – подключать только минимально нужные функции и требовать одобрения человека для действий с серьёзными последствиями [157], [158]. ChatGPT, например, требует ручного подтверждения перед любыми действиями записи через MCP [154].

Чужое письмо – отдельный риск. Команды, спрятанные в данных, которые приложение получает в ходе работы, могут управлять его поведением [159]. В испытании агентов с инструментами почты агент на GPT-4 поддавался таким атакам в 24 % случаев [160]. В открытом соревновании 2026 года уязвимыми оказались все 13 проверенных моделей, доля успешных атак – от 0,5 до 8,5 % [161].

![Скрытая команда в документе: как она срабатывает](../day-02/diagrams/d2-skrytaya-komanda.png)

Интерактивная версия схемы – файл `../День-02-2026-11-18/08-Схемы/d2-skrytaya-komanda.html`.

Порядок подключения:

1. Сначала – тестовый ящик и тестовый календарь.
2. Календарь – только чтение. У почты – инструменты чтения и создания черновиков, без отправки.
3. Отправка, удаление, приглашения – только после вашего «да».
4. Журнал действий агента включён, и вы его просматриваете.
5. Доступ отзывается, когда больше не нужен.

## 10. Несколько агентов

### 31. Что такое оркестрация агентов, как её настроить и как не дать агентам натворить лишнего – например, полезть на Госуслуги? <a id="q31"></a>

**Коротко.** Оркестрация – это когда ведущий агент делит задачу на части, раздаёт их другим агентам и собирает результат. Каждому агенту дают ровно те инструменты и права, которые нужны для его части. Агент не может сделать то, на что у него нет инструмента и доступа: без вашего входа в личный кабинет он туда не попадёт. Поэтому учётные данные агентам не дают, а всё необратимое – только после подтверждения человека.

Anthropic описывает схему «ведущий и исполнители»: центральная модель делит задачу, раздаёт части исполнителям и сводит их результаты [142]. В исследовательской системе Anthropic такая команда агентов на внутреннем тесте оказалась на 90,2 % лучше одиночного агента. Но токенов она расходует примерно в 15 раз больше, чем обычный чат. Там же сказано, что задачи, где всем агентам нужен общий контекст и много зависимостей между ними, для нескольких агентов пока не подходят [162].

Как это настраивается. В Claude Code помощники-субагенты – это файлы с описанием: у каждого своя инструкция, свой список разрешённых инструментов и свой режим разрешений [163]. У OpenAI похожая схема: менеджер вызывает специализированных агентов как инструменты, и узкие агенты работают лучше универсального [143].

Чтобы агенты не натворили лишнего:

- только нужные инструменты и папки, так советует и OWASP [157];
- никаких паролей и входов в личные кабинеты – Госуслуги, банк, рабочие системы; правило курса: пароли и учётные данные – ни в какой сервис (тема 2.1);
- подтверждение человека для отправки, удаления, оплаты, изменения записей; OpenAI предлагает оценивать риск каждого инструмента и для необратимых действий оставлять контроль человеку [143];
- изоляция: Anthropic советует держать непроверенное содержимое и запуск скриптов в виртуальной машине, но признаёт, что полной защиты нет [139];
- не полагаться на настройки по умолчанию: песочница Claude Code по умолчанию выключена, а на Windows без подсистемы WSL2 не работает [164]; режим без вопросов разработчики разрешают только в изолированной среде [165].

![Агент-советчик: модель предлагает, программа проверяет, человек решает](../day-05/diagrams/d5-agent-sovetchik.png)

Интерактивная версия схемы – файл `../День-05-2026-11-25/08-Схемы/d5-agent-sovetchik.html`.

## 11. Своя база знаний

### 32. Что такое RAG и Obsidian и как собрать базу знаний о себе, чтобы агент понимал с полуслова и готовил документы? <a id="q32"></a>

**Коротко.** RAG – способ, при котором программа перед ответом находит нужные фрагменты в вашей базе документов, и модель отвечает по ним, а не по памяти. Obsidian – бесплатная программа для заметок, которая хранит их обычными файлами Markdown в папке на вашем диске. Связка простая: заметки о себе, проектах и правилах лежат в папке, агент читает их как контекст, а по большому архиву ищет.

RAG предложили в 2020 году: модель дополняют поиском по внешней базе текстов [166]. Обзор 2026 года называет его ответом на три слабости моделей – выдуманные факты, устаревшие знания и нехватку знаний предметной области [167]. В курсе такой помощник по документам разбирается в теме 2.2.

![Помощник по документам: как работает и где ошибается](../day-02/diagrams/d2-rag.png)

Интерактивная версия схемы – файл `../День-02-2026-11-18/08-Схемы/d2-rag.html`.

Заметки в Obsidian – обычные текстовые файлы Markdown в хранилище, а хранилище – это просто папка на вашем диске [168]. Программа бесплатна, данные хранятся на устройстве, и, по словам разработчиков, телеметрию она не собирает [169].

Как собрать базу знаний для агента:

1. Папка с заметками в Markdown: о себе (должность, задачи, реквизиты для документов), о проектах, шаблоны документов, правила оформления, словарь терминов.
2. Файл-инструкция для агента в корне папки. Claude Code читает файл CLAUDE.md в начале каждой сессии как контекст, а не как жёсткие правила, и советует держать его в пределах 200 строк [170]. Открытый формат AGENTS.md понимают Codex, Gemini CLI, VS Code, Cursor и другие программы [171].
3. Агент работает в этой папке: читает нужные заметки, а по большому архиву ищет.
4. Чат-сервисы делают похожее сами: проекты с базой знаний и память у Claude [172], [173], память у ChatGPT [174]. Тогда заметки хранятся у поставщика. У Codex на компьютере память своя, локальная [174], но прочитанное агентом всё равно уходит в запросе к модели.

Чего в такую базу не класть: пароли, персональные данные других людей, сведения работодателя, если правила организации этого не разрешают. Если модель работает в облаке, всё, что агент прочитал, уходит поставщику (вопрос 22).

## 12. Автоматизация без программирования: n8n и аналоги

Здесь – как связать почту, таблицы, внутренние системы и языковую модель в цепочку, которая работает сама, и что при этом учесть по безопасности. Сведения раздела – на 16.11.2026: версии, цены и списки уязвимостей меняются быстро.

### 33. Что такое n8n и зачем он инженеру? <a id="q33"></a>

**Коротко.** n8n – программа для автоматизации: на холсте из готовых блоков собирают рабочий процесс, например «пришло письмо – достать вложение – сверить с требованиями – разослать сводку». Процесс запускается сам, по событию или расписанию, и передаёт данные между почтой, таблицами, базами, внутренними системами и языковыми моделями. Разработчик – немецкая компания n8n GmbH. Поставить n8n у себя и пользоваться им внутри организации можно бесплатно, но это не open source в строгом смысле: лицензия, например, запрещает продавать n8n как сервис.

n8n выпускает компания n8n GmbH из Берлина [175]. Название – сокращение от nodemation: node – от узлов, из которых собирают процесс, и от платформы Node.js, на которой написана программа, -mation – от automation [176].

Исходный код открыт для чтения, а лицензия своя – Sustainable Use License. Она действует для основной ветки master, на содержимое других веток лицензия не выдана. Исключения – файлы с «.ee.» в имени и каталоги с «.ee» в названии: они распространяются по n8n Enterprise License, и в рабочей эксплуатации ими можно пользоваться только с действующей лицензией Enterprise. Копировать и менять этот код для разработки и тестирования та же лицензия разрешает без подписки. Сторонние компоненты в составе n8n сохраняют свои лицензии [177], [178], [179]. Sustainable Use License разрешает пользоваться программой, менять и распространять её с тремя ограничениями [177]:

- использовать и менять – только для внутренних задач организации, для некоммерческих или личных целей;
- распространять – только бесплатно и не ради коммерции;
- не убирать уведомления о лицензии и авторских правах.

Сама компания называет такую модель fair-code и open source n8n не считает: по определению Open Source Initiative открытая лицензия не может ограничивать использование [177].

Разъяснения n8n для организаций [180]:

| Можно бесплатно | Нельзя без отдельного договора |
|---|---|
| Автоматизировать работу своей организации | Предоставлять n8n как сервис, в котором клиенты сами строят процессы |
| Держать несколько экземпляров | Давать внешним пользователям настраивать процессы – через свой интерфейс, API, MCP или ИИ-агента |
| Строить автоматизации для клиентов на своём экземпляре, если клиенты их не меняют | Делать на основе кода n8n свой продукт для автоматизации или выдавать n8n под своим брендом |
| Брать плату за настройку, сопровождение и обучение | Включать функции Enterprise без лицензионного ключа |

Главное правило там же: если рабочие процессы создают или меняют только сотрудники вашей организации, n8n можно использовать бесплатно [180]. Внутренняя автоматизация инженерного отдела под это правило подходит (вывод автора). Но ставить ли программу на работе, решает организация (тема 2.1).

Два варианта работы [181], [182], [183]:

| | n8n Cloud | Своя установка |
|---|---|---|
| Кто обслуживает | n8n | вы или ваша ИТ-служба |
| Где данные | серверы Microsoft Azure в ЕС, например в Германии и Швеции | на вашей инфраструктуре; что уходит наружу, зависит от подключённых сервисов, моделей и ИИ-функций (вопрос 37) |
| Стоимость | 14 дней пробно, дальше платно | редакция Community бесплатна, Business и Enterprise платные |
| Сведения об использовании для n8n | отключить нельзя, сеансы работы в интерфейсе записываются и удаляются через 21 день | отправляются по умолчанию, отключаются переменными окружения; при платной лицензии счётчики использования и идентификатор лицензии передаются всё равно |

Цены на 16.11.2026 – в евро в месяц при оплате за год: Starter – 20 € за 2,5 тыс. выполнений процессов, Pro – 50 € за 10 тыс., Business – 667 € за 40 тыс. (только для своей установки; на сайте описан как план для компаний численностью менее 100 сотрудников), Enterprise – по запросу. Платят за выполнения, а не за пользователей и шаги: число пользователей и процессов во всех планах не ограничено [184]. Пробный период – 14 дней с функциями Pro и лимитом 1000 выполнений, после него экземпляр удаляется, если не перейти на платный план [185].

Готовые интеграции n8n называет узлами. В описании репозитория их больше 1500, в каталоге на сайте – больше 2000 [176], [186]. К сервису без готового узла подключаются универсальным узлом HTTP Request [187].

Зачем это инженеру (вывод автора): связать системы, которые сами друг с другом не обмениваются данными, и убрать ручное перекладывание. Выгрузка из одной системы, сверка, уведомление, отчёт по расписанию – типичные задачи. Языковая модель в такой цепочке – один шаг, там, где нужно прочитать или написать текст.

### 34. Как устроен n8n и как собрать первый сценарий с ИИ? <a id="q34"></a>

**Коротко.** Рабочий процесс – цепочка узлов на холсте. Первый узел – триггер: он запускает процесс по расписанию, по входящему письму или по обращению к адресу-вебхуку. Следующие узлы читают, преобразуют и отправляют данные, а пароли и ключи к сервисам хранятся отдельно, в учётных данных. Попробовать n8n можно на своём компьютере одной командой Docker.

Основные понятия по документации n8n:

| Понятие | Что это |
|---|---|
| Рабочий процесс (workflow) | Набор узлов, который автоматизирует процесс. Запускается по триггеру, вручную или из другого процесса, может ветвиться, сливаться и повторять шаги [188] |
| Триггер | Узел, который запускает процесс при заданном условии. Рабочему процессу в эксплуатации нужен хотя бы один триггер [188] |
| Узел (node) | Отдельный шаг: получает, обрабатывает или отправляет данные [187] |
| Выражение (expression) | Вставка вида `{{$json.body.city}}`, которая подставляет в настройку узла значение из предыдущих шагов. Внутри выражения – JavaScript [188], [189] |
| Учётные данные (credentials) | Логины и пароли, ключи API, секреты OAuth для подключения к сервисам [188] |
| Выполнение (execution) | Один запуск процесса. Выполнения можно просматривать и фильтровать, и по ним видно, что процесс делал [190] |

Триггеры, которые понадобятся чаще всего:

- Schedule Trigger – запуск через заданные интервалы или по расписанию в формате cron. Процесс с ним нужно опубликовать, а часовой пояс задать: у своей установки по умолчанию стоит America/New York [191].
- Webhook – запуск, когда другая система обращается к адресу процесса. Есть тестовый адрес для отладки и рабочий, который появляется после публикации. Проверка подлинности задаётся в узле, например Basic, Header или JWT, а вариант None означает работу без проверки [192].
- Email Trigger (IMAP) – запуск по новому письму в ящике, вложения можно сохранять [193].

Как поставить у себя для пробы. Нужен Docker: Docker Desktop, а на Linux можно поставить отдельно Docker Engine [194]. Команды взяты из документации n8n [194], часовой пояс подставлен московский, а порт опубликован только для своего компьютера:

```
docker volume create n8n_data
docker run -it --rm --name n8n -p 127.0.0.1:5678:5678 -e GENERIC_TIMEZONE="Europe/Moscow" -e TZ="Europe/Moscow" -e N8N_ENFORCE_SETTINGS_FILE_PERMISSIONS=true -v n8n_data:/home/node/.n8n n8nio/n8n
```

После запуска n8n открывается в браузере по адресу `localhost:5678`. Том `n8n_data` хранит процессы, учётные данные и ключ шифрования между перезапусками [194]. В команде из документации стоит `-p 5678:5678`, но Docker сам предупреждает: так опубликованный порт доступен не только с этого компьютера. С адресом `127.0.0.1` к порту может обратиться только сам компьютер, но в Docker Engine до версии 28.0.0 такой порт был доступен и соседним машинам в том же сегменте сети L2 [195]. Поэтому перед пробой проверяют версию Docker (вывод автора).

Три оговорки:

- страница с этой командой в документации помечена устаревшей, для постоянной установки n8n советует Docker Compose, а на Windows – через WSL с Docker Desktop или с Docker Engine внутри дистрибутива Linux [194], [196];
- без установки можно запустить `npx n8n`, если есть Node.js версии от 20.19 до 24.x, но установку через npm n8n объявил устаревшей с версии 3.0 [197];
- рабочую установку n8n советует доверять специалистам: ошибки в ней ведут к потере данных и проблемам с безопасностью [194]. Для работы n8n ставит ИТ-служба, а не сотрудник на свой компьютер (тема 2.1).

Первый сценарий: протокол испытаний приходит письмом, n8n сверяет его с требованиями и готовит ответ, который отправляется только после проверки человеком. Ниже – схема. Узлы и настройки названы по документации n8n. Сначала сценарий проверяют на тестовом ящике и вымышленном протоколе, рабочие данные подключают только с разрешения организации (тема 2.1).

1. Узел Email Trigger (IMAP) следит за тестовым ящиком, настройка Download Attachments сохраняет вложение [193].
2. Узел Extract From File превращает вложение в формате XLSX или CSV в записи JSON, по одной на строку таблицы [198]. Из PDF узел извлекает текстовые поля, поэтому таблицу надёжнее присылать в XLSX или CSV (вывод автора).
3. Узел Code на JavaScript или Python сверяет каждое значение с допуском из чек-листа и составляет список расхождений [199]. Числа сверяет программа, а не модель (вопрос 2).
4. Узел AI Agent с подключённой моделью получает список расхождений и пишет черновик ответа [200]. Модель – локальная через Ollama или та, которую разрешила организация (вопрос 35).
5. Письмо агент отправляет инструментом Send Email, а инструмент стоит за шагом Human review. Процесс останавливается, проверяющий видит, какой инструмент и с какими параметрами хочет вызвать агент, и нажимает «одобрить» или «отклонить». При отказе отправка отменяется, и агент получает об этом сообщение [201], [202].
6. Сохранённые запуски видны в списке выполнений, данные рабочего запуска можно открыть на вкладке Executions [192], [190]. Сохранять ли успешные, неуспешные и ручные запуски, задают настройки процесса [203], срок хранения данных – настройки экземпляра [182], а при удалении процесса удаляется и его история выполнений [204]. Перед учебным запуском эти настройки проверяют.

Запрос на согласование n8n умеет показывать во встроенном чате, а также отправлять в Slack, Telegram, Microsoft Teams, Gmail, Outlook и другие сервисы [202]. Все они, кроме встроенного чата, внешние, для рабочих процессов подходят только разрешённые в организации.

### 35. Чем рабочий процесс n8n отличается от агента и как подключить модели? <a id="q35"></a>

**Коротко.** Обычный рабочий процесс n8n – цепочка в смысле вопроса 27: шаги и правила переходов между ними заранее задал человек, а по какой ветке пойдёт конкретный запуск, решают входные данные и условия. Агент сам решает, какой инструмент вызвать дальше. В n8n есть и то и другое: узел AI Agent внутри процесса и отдельные агенты. Практичная схема – проверяемые шаги делать обычными узлами, а модель ставить только туда, где нужно понять или написать текст (вывод автора).

Разницу между цепочкой и агентом разработчики моделей описывают так же: в цепочке ход работы задан кодом, в агенте его выбирает модель [142]. В n8n узел AI Agent получает модель и хотя бы один инструмент и сам решает, какие инструменты вызвать [200]. Модель, память и инструменты подключаются к нему как вложенные узлы [188]. Отдельно в n8n есть агенты: самостоятельные помощники со своими инструкциями, инструментами, навыками и базой знаний, к которым обращаются через чат и каналы. На 16.11.2026 они в предварительной версии (Preview) [188].

| Задача | Чем делать (вывод автора) |
|---|---|
| Шаги известны и повторяются: забрать файл, сверить, разослать | Рабочий процесс из обычных узлов |
| В середине нужен текст: сводка, разбор письма по темам, черновик ответа | Узел модели или AI Agent внутри процесса |
| Шаги заранее неизвестны, решать нужно по ходу | Агент (вопрос 27) с минимумом прав (вопрос 31) |

В испытании SOP-Bench агенты на языковых моделях выполняли более 2000 задач по регламентам из 12 областей – медицины, логистики, финансов и других – и с многошаговыми процедурами справлялись с трудом. Лучший результат по разным областям – от 57 до 100 %, а более новая модель не всегда работала лучше. По сводной таблице статьи и её аннотации средняя по процедурам доля успешно выполненных задач в режиме ReAct у Claude 4 Opus – 72,4 %, у Claude 4.5 Sonnet – 63,3 %; в тексте статьи для Claude 4 Opus встречается и 73,8 % [205]. Поэтому смену модели в рабочем процессе нужно проверять заново (вывод автора). В работе о применении n8n, Zapier и Make в администрировании Linux авторы выделили n8n, потому что его можно поставить у себя и дополнять. Их вывод: такие платформы ускоряют интеграцию, держат учётные данные в одном месте и сохраняют историю выполнений, а точное управление лучше оставлять программам. Авторы советуют смешанную схему: платформа запускает процессы, распределяет данные, вызывает модели и ждёт согласования, а операции, чувствительные к скорости, выполняют штатные средства Linux [206].

Какие модели подключаются:

- облачные OpenAI, Anthropic, Google и другие – через свои узлы и учётные данные [207];
- локальные через Ollama (вопрос 24) – в учётных данных указывают адрес Ollama, по умолчанию `localhost:11434`. Если n8n и Ollama работают в разных контейнерах Docker, их подключают к одной сети и вместо адреса пишут имя контейнера [208]. Для пробы у n8n есть готовый набор Self-hosted AI Starter Kit: n8n, Ollama, Qdrant и PostgreSQL [209];
- через OpenAI-совместимый API. В учётных данных OpenAI есть поле Base URL, которое заменяет адрес по умолчанию. В документации n8n оно не описано, его видно в исходном коде [210]. Так можно указать сервис, который принимает запросы в формате OpenAI. Такой API публикует, например, Yandex AI Studio [211]. Работает ли с n8n конкретный сервис, проверяют на тестовых данных (вывод автора);
- в n8n Cloud модели можно вызывать без своего ключа, за кредиты n8n [212]. В перечне подрядчиков n8n есть поставщики моделей OpenAI и Anthropic с обработкой данных в США [183].

MCP (вопрос 29) n8n поддерживает в обе стороны [188]:

- как клиент: узел MCP Client Tool даёт агенту инструменты внешнего сервера MCP, и можно оставить все инструменты, только выбранные или все, кроме выбранных [213]. В панели узлов есть реестр серверов MCP, они подключаются в один клик [214];
- как сервер: узел MCP Server Trigger открывает инструменты и процессы n8n внешним клиентам MCP по своему адресу. Проверку подлинности выбирают в узле, среди вариантов есть None – без проверки [215]. Сервер MCP всего экземпляра позволяет клиенту, например Claude, создавать, менять и запускать процессы [188].

Документация n8n сама сравнивает два способа дать агенту доступ к сервису. Встроенный узел-инструмент даёт больше контроля: операция задана заранее, параметры можно закрепить, и модель заполняет только оставленные ей поля. Сервер MCP даёт агенту больше свободы, но контроля меньше [214]. Для действий, которые меняют данные или отправляют что-то наружу, надёжнее первый способ (вывод автора).

### 36. Какие есть аналоги n8n и что выбрать? <a id="q36"></a>

**Коротко.** Ближе всего к n8n облачные Zapier и Make: с ними можно начать без своего сервера (вывод автора). Если ставить нужно у себя, смотрят Node-RED, Activepieces и Windmill, а для конвейеров данных на Python – Apache Airflow. Из российских – Albato с серверами в России, по заявлению компании, и Yandex Workflows в облаке Яндекса. Для рабочих задач годится только то, что разрешено в организации.

| Инструмент | Где работает | Лицензия | ИИ | Порог входа (вывод автора) |
|---|---|---|---|---|
| n8n | n8n Cloud или своя установка | Sustainable Use License (fair-code), часть функций – по ключу Enterprise [177] | AI Agent, модели, MCP в обе стороны (вопрос 35) | Средний |
| Zapier | Облако, своей установки на странице тарифов нет [216] | Платный сервис, есть бесплатный план на 100 задач в месяц [216] | Агенты Zapier Agents, Zapier MCP [217], [216] | Низкий |
| Make (компания Celonis [218]) | Облако. В плане Enterprise есть локальный агент, через который сценарии обращаются к системам в локальной сети [219] | Платный сервис, есть бесплатный план [220] | ИИ-агенты, сервер MCP [218], [220] | Низкий |
| Node-RED (OpenJS Foundation) | Своя установка, в том числе на Raspberry Pi, и облако [221] | Apache 2.0 [222] | Через узлы сообщества, например для Ollama [223] | Средний |
| Activepieces | Облако или своя установка [224] | Community Edition – MIT, функции Enterprise – по коммерческой лицензии [225] | ИИ-блоки и агенты, интеграции доступны как серверы MCP, есть согласование человеком [225] | Низкий |
| Windmill | Своя установка через Docker Compose или выделенный экземпляр у разработчика [226] | Исходный код – AGPLv3 и Apache 2.0, часть функций закрыта. Готовые образы Community Edition содержат и закрытый код [227] | ИИ-сеансы для сборки сценариев, сервер MCP [226] | Высокий: сценарии пишут кодом на Python, TypeScript, Go и других языках [226] |
| Apache Airflow | Своя установка | Apache 2.0 [228] | Провайдер common.ai: вызовы моделей и агенты с инструментами, пауза для одобрения человеком [229] | Высокий: процессы описывают кодом на Python [228] |
| Albato (ООО «Альбато», Москва) | Облако. По заявлению компании, серверы в России, данные обрабатываются по 152-ФЗ [230], [231] | Платный сервис с тарифами [230] | ИИ-агенты, ИИ-ассистент, который сам собирает сценарий, ИИ-инструменты ChatGPT, Gemini, Claude и другие [232] | Низкий |
| Yandex Workflows | Облако Яндекса [233] | Облачный сервис Яндекса | Шаг вызова моделей Yandex AI Studio: генерация текста, классификация, работа с изображениями [234] | Средний: шаги описывают в спецификации YaWL или в конструкторе [233] |

Node-RED по описанию проекта применяют от домашней автоматизации до промышленных систем управления [221]. Albato заявляет связь с более чем 1000 приложений [232]. ChatGPT, Gemini и Claude среди его ИИ-инструментов – зарубежные модели, и текст для них уходит к их поставщикам (вывод автора). Русскоязычный сервис ApiX-Drive – не российский: его предоставляет эстонская компания Apicom Solutions OÜ, и условия использования не допускают граждан и компании России и Беларуси [235].

Как выбирать (вывод автора):

- проверить идею за вечер на вымышленных данных – облачный сервис с бесплатным планом, рабочие данные туда – только с разрешения организации;
- данные не должны покидать организацию – своя установка: n8n, Node-RED, Activepieces или Windmill, которую ставит и обновляет ИТ-служба. Сама по себе она этого не гарантирует: подключённые облачные модели, интеграции и встроенные ИИ-функции могут передавать данные наружу, поэтому ИТ-служба размещает нужные компоненты внутри и проверяет внешние соединения;
- датчики, контроллеры, промышленные протоколы – Node-RED;
- конвейеры данных, которые пишут программисты, – Airflow или Windmill;
- до выбора прочитать лицензию: у n8n и Windmill есть ограничения на перепродажу и встраивание в свой продукт [180], [227].

### 37. Что учесть по безопасности, если ставить n8n у себя? <a id="q37"></a>

**Коротко.** В n8n хранятся ключи и пароли ко всем подключённым системам, поэтому захват n8n открывает доступ сразу ко всем (вывод автора). Уязвимости в n8n находят регулярно: только в 2026 году опубликовано больше сотни бюллетеней высокого и критического уровня. Минимум мер: вовремя обновлять, не выставлять n8n в интернет, давать право менять процессы только доверенным людям и оставлять человеку подтверждение необратимых действий. Рабочие данные – только в n8n, который развернула или разрешила организация.

В разделе бюллетеней безопасности репозитория n8n на 16.11.2026 опубликовано 242 бюллетеня: 22 критических, 104 высокого уровня, 114 среднего и 2 низкого. В 2026 году вышли 228 из них, в том числе 118 критических и высокого уровня [236]. Примеры критических:

| Номер | Суть | Оценка CVSS | Затронутые версии | Исправлено в |
|---|---|---|---|---|
| CVE-2026-21858 [237], [238] | Доступ к файлам сервера через некоторые процессы с формами, учётная запись атакующему не нужна | 10,0 – CVSS 3.1, оценка GitHub, своей оценки в NVD нет | `>=1.65.0, <1.121.0` | 1.121.0 |
| CVE-2025-68613 [239], [240] | Выполнение кода через выражения в настройках процесса, нужна учётная запись | 9,9 – CVSS 3.1, GitHub; 8,8 – CVSS 3.1, NVD | По NVD: `>=0.211.0, <1.120.4`, а также 1.121.0 | 1.120.4, 1.121.1, 1.122.0 (по NVD) |
| CVE-2026-25049 [241], [242] | Новые способы атаки через выражения, найденные после CVE-2025-68613 | 9,4 – CVSS 4.0, GitHub; 9,9 – CVSS 3.1, NVD | `<1.123.17`, а также `>=2.0.0, <2.5.2` | 1.123.17, 2.5.2 |
| CVE-2026-21877 [243], [244] | Выполнение кода через запись файлов, затронуты и своя установка, и n8n Cloud | 9,9 – CVSS 3.1, GitHub | `>=0.123.0, <1.121.3` | 1.121.3 |
| CVE-2025-68668 [245], [246] | Выход из песочницы узла Code на Python в варианте на Pyodide и выполнение команд на сервере | 9,9 – CVSS 3.1, GitHub и NVD | `>=1.0.0, <2.0.0` | 2.0.0 |

Знак `<` означает, что указанная версия уже не затронута. Для CVE-2025-68613 диапазон взят из NVD: в бюллетене n8n поля версий расходятся с его текстом [239], [240].

CVE-2025-68613 по данным NVD 11.03.2026 внесена в каталог известных эксплуатируемых уязвимостей CISA, то есть её уже применяли в атаках [240].

По векторам CVSS из бюллетеней, в 21 критической уязвимости из 22 атакующему нужна учётная запись в n8n, у CVE-2025-68613 вектор взят из NVD (вывод автора по данным [236], [240]). Описания говорят прямо: пользователь с правом создавать и менять процессы мог выполнить команды на сервере [241], для CVE-2025-68668 – с правами процесса n8n [245]. Отсюда правило (вывод автора): это право высокопривилегированное, а тяжесть последствий зависит от прав процесса n8n в системе, изоляции и сетевого доступа. Поэтому сам n8n запускают с ограниченными правами в системе и ограниченным доступом к сети – такую среду n8n советует как временную меру до обновления [239].

Что делать:

1. Обновлять. Новая минорная версия n8n выходит почти каждую неделю [194], исправленные версии указаны в бюллетенях [236]. Обновление – плановая работа ИТ-службы с понятным сроком.
2. Не выставлять в интернет. Доступ к n8n оставляют только из внутренней сети организации (вывод автора), а шифрование TLS n8n советует настроить через обратный прокси [247]. Для CVE-2026-21858 n8n советовал до обновления ограничить или отключить общедоступные вебхуки и формы [237]. В узлах Webhook и MCP Server Trigger выбирают проверку подлинности, а не вариант None [192], [215].
3. Беречь учётные данные. Для подключений заводят отдельные служебные учётные записи с минимальными правами (вывод автора), а где возможно, подключаются через OAuth – так советует n8n [247]. Поле Allowed HTTP Request Domains ограничивает адреса, на которые узел HTTP Request может отправить ключ [248]. Учётные данные n8n шифрует ключом, который создаёт при первом запуске и хранит в папке `~/.n8n` [249], поэтому резервную копию этой папки защищают так же, как сами пароли. Личные пароли сотрудников в n8n не вносят (тема 2.1).
4. Ограничить права и узлы. Если с n8n работают несколько человек, включают управление пользователями [247], а менять процессы разрешают только доверенным – так советует сам n8n в бюллетенях [239]. Опасные узлы отключают переменной NODES_EXCLUDE, n8n предлагает начать с Execute Command и Read/Write Files from Disk, а Execute Command уже отключён по умолчанию [250]. Узлы сообщества получают полный доступ к машине, на которой работает n8n, их тоже можно отключить [251].
5. Смотреть журнал и проверять настройки. По списку выполнений видно, что делал каждый сохранённый запуск [190]. Команда `n8n audit` выдаёт отчёт о рисках: неиспользуемые учётные данные, выражения в запросах к базам, рискованные узлы, вебхуки без защиты, устаревшая версия [252]. В выполнениях остаются обработанные данные, и n8n советует настроить их автоматическое удаление раз в несколько дней переменной EXECUTIONS_DATA_MAX_AGE [182].
6. Оставить человека на согласовании. Отправка писем, изменение и удаление записей – через Human review (вопрос 34) [202]. Это мера из перечня OWASP против избыточной самостоятельности (вопрос 30) [157].
7. Знать, что уходит наружу. Своя установка по умолчанию отправляет n8n сведения об использовании: устройство процессов, ошибки, счётчики. Данные процессов и учётные данные в них не входят. Отключается это переменными окружения, например N8N_DIAGNOSTICS_ENABLED=false для событий телеметрии. Если лицензия платная, счётчики использования и идентификатор лицензии передаются всё равно: эту отчётность отключить нельзя. Встроенный помощник n8n Assistant отправляет моделям описание открытого процесса, его код и выражения [182].

С облаком отдельный вопрос – где лежат данные. n8n Cloud работает на серверах в ЕС [183], и по условиям n8n содержимое клиентов не используется для обучения моделей [253]. Но персональные данные на таких серверах – это трансграничная передача со своими обязанностями оператора (вопрос 23) [119], [120]. Правило курса не меняется: рабочие данные – только в сервисы, разрешённые организацией (тема 2.1).

## 13. Формат Markdown: что это и как с ним работать

Материалы курса выложены в двух видах: страница для чтения в браузере и файл .md. Здесь – чем открыть файл .md без лишних программ, куда записывать свои ответы, почему курс и языковые модели работают с Markdown и как переводить в него документы Word, PDF и Excel. Сведения о программах – на 16.11.2026.

### 38. Скачал материал, а там файл .md. Как его прочитать, не устанавливая сложных программ? <a id="q38"></a>

**Коротко.** Проще всего ничего не скачивать: на странице дня у каждого материала есть кнопка «Читать», она открывает тот же материал свёрстанной страницей в браузере. Если файл .md уже скачан, его открывает Блокнот или любой другой текстовый редактор: это обычный текст, только с пометками вроде `#` перед заголовками и `**` вокруг жирных слов. Читать его можно и так. Visual Studio Code для чтения не нужен, он пригодится тем, кто хочет править текст.

**Способ 1. Версия для чтения на сайте курса.** На странице каждого дня, в разделе «Лекции, практика, задания», у материала две ссылки: «Читать» открывает страницу в браузере, «Markdown» скачивает файл для работы без интернета. Для чтения достаточно первой. Если интернета не будет, заранее скачайте архив дня и распакуйте его: у каждого материала рядом с файлом .md лежит файл .html с тем же именем. Двойной щелчок по нему открывает страницу в браузере, интернет для неё не нужен.

**Способ 2. Блокнот или другой текстовый редактор.** Файл .md – обычный текстовый файл. Создатель формата Джон Грубер задумывал его так, чтобы документ в Markdown можно было публиковать как есть, простым текстом, и он не выглядел бы набором служебных тегов [254]. Открыть такой файл можно в любом текстовом редакторе. Если файл не открывается двойным щелчком, щёлкните по нему правой кнопкой мыши, выберите «Открыть с помощью» и затем «Блокнот».

Что означают значки, которые вы увидите:

| В тексте | Что это |
|---|---|
| `# Тема 1.1`, `## 1. Что такое…` | Заголовки: чем больше решёток, тем ниже уровень |
| `**модель**` | Жирный шрифт |
| `- пункт` или `1. пункт` | Пункт списка |
| Строки с вертикальными чертами, под первой строкой – дефисы | Таблица |
| `[текст](адрес)` | Ссылка: в квадратных скобках – текст, в круглых – адрес |
| Текст между обратными апострофами `` ` `` | Команда, имя файла или фрагмент программы |

Подробнее о каждом значке – в вопросе 43.

В новых версиях Блокнота Windows 11 Microsoft добавила оформление Markdown. В мае 2025 года его начали выдавать участникам программы Windows Insider: заголовки, жирный и курсивный шрифт, ссылки и списки показываются оформленными, а в меню «Вид» можно переключаться между оформленным текстом и исходной разметкой. Оформление можно совсем выключить в настройках программы [255]. В журнале изменений Блокнота за июль 2026 года отмечено, что оформление теперь правильно применяется к файлам .md и .markdown [256]. Оба источника описывают сборки для участников Windows Insider, поэтому увидите ли вы оформление, зависит от версии Windows и Блокнота на вашем компьютере (вывод автора). Если не увидите, ничего страшного: тот же текст будет показан со значками из таблицы.

**Способ 3. Word.** Открывает ли Word файл .md, зависит от версии. В октябре 2026 года Microsoft сообщила о поддержке Markdown в Word: при наборе можно пользоваться разметкой Markdown, текст копируется между Word и Markdown с сохранением оформления, а в веб-версии Word файлы можно преобразовывать из .md в .docx и обратно [257]. Подтверждено только преобразование в веб-версии Word, о настольном Word в сообщении ничего не сказано. Если в вашей версии Word открыть .md не получается, пользуйтесь способами 1 и 2.

**Способ 4. Obsidian – программа для заметок в Markdown.** Её уже упоминали в вопросе 32. Obsidian хранит заметки обычными файлами Markdown в папке на диске [168], а готовую папку, например с распакованным архивом курса, можно открыть как хранилище командой «Open folder as vault» [258]. В режиме чтения заметка показывается без значков разметки, переключение – сочетанием клавиш Ctrl+E [258]. Программа бесплатна для любых целей, в том числе для работы [259]. Её нужно устанавливать, поэтому для чтения материалов курса она не обязательна.

**Для тех, кто хочет править текст: Visual Studio Code.** Редактор бесплатен для личного и коммерческого использования [260]. С Markdown он работает сразу после установки: Ctrl+Shift+V открывает просмотр оформленного текста, Ctrl+K V – просмотр рядом с редактором, и просмотр обновляется по мере набора [260]. Для чтения материалов курса эта программа не нужна.

Любые программы и расширения браузера на рабочий компьютер ставят только с разрешения организации (тема 2.1). Способы 1 и 2 ничего устанавливать не требуют.

### 39. На сайте – HTML-страницы и файлы .md, их не заполнить. Где писать ответы? <a id="q39"></a>

**Коротко.** В рабочей тетради итогового проекта – файле Word. Страницы HTML и файлы .md – материалы для чтения, в них ничего заполнять и никуда отправлять не нужно. Тетрадь скачивается архивом, в нём файл Word для заполнения и PDF для просмотра.

Где взять тетрадь: на главной странице сайта курса, под программой, и на странице первого дня в разделе самостоятельной работы – ссылка «Скачать рабочую тетрадь (ZIP: Word и PDF)». Тетрадь одна на весь курс: после каждого модуля вы заполняете его раздел и загружаете тетрадь целиком на Платформу в задание контрольной точки. Для первого модуля это задание «Контрольная точка по модулю 1»: заполнить титул и раздел 1 и загрузить тетрадь.

У тетради на странице дня тоже есть ссылки «Читать» и «Markdown». Это описание тетради: что писать в каждом разделе. В самой тетради так и сказано: заполняйте файл Word, а этот текст держите как описание.

Если понадобится копия заполненной тетради в PDF, её сохраняет сам Word. В Word для Windows: «Файл» – «Сохранить копию», выбрать папку, в списке типов файла выбрать PDF и нажать «Сохранить» [261].

### 40. Что такое Markdown и почему материалы курса в нём? <a id="q40"></a>

**Коротко.** Markdown – способ размечать обычный текст простыми значками: решётка перед заголовком, звёздочки вокруг жирного слова, дефис перед пунктом списка. Файл остаётся текстовым, его читает человек в любом редакторе и понимает программа, которая делает из него страницу, документ Word или PDF. Курс выкладывает каждый материал в двух видах: HTML – чтобы удобно читать, .md – чтобы работать без интернета, править и передавать языковой модели.

Markdown придумал Джон Грубер при участии Аарона Шварца, выпущен он в 2004 году [262]. Грубер называл его инструментом для авторов веб-текстов: это и правила разметки простого текста, и программа, которая превращает такой текст в HTML [254]. Главным он считал удобство чтения: размеченный документ должен читаться как обычный текст, а образцом служили привычные пометки в электронных письмах [254].

Описание Грубера оставляло спорные случаи, и программы стали понимать один и тот же текст по-разному. Поэтому появилась спецификация CommonMark – строгое и однозначное описание синтаксиса с набором тестов для программ [262]. GitHub описал свой вариант, GitHub Flavored Markdown: он включает весь CommonMark и добавляет расширения, среди них таблицы, списки задач и зачёркнутый текст [263].

Где ещё встречается Markdown:

- заметки в Obsidian хранятся файлами Markdown (вопрос 32) [168];
- файлы-инструкции для агентов CLAUDE.md и AGENTS.md пишут в Markdown (вопрос 32) [170], [171];
- скилл агента – файл SKILL.md: служебная шапка и инструкция в Markdown (вопрос 28) [145];
- языковые модели часто сами отвечают в Markdown, по наблюдению авторов программы MarkItDown (вопрос 41) [264].

Почему курс выбрал два вида (вывод автора): HTML удобно читать в браузере с телефона и компьютера, а .md удобно хранить у себя, искать по нему, переносить куски в свои документы и прикладывать к запросу модели.

### 41. Почему Markdown удобен для языковых моделей и агентов? <a id="q41"></a>

**Коротко.** В Markdown видно устройство документа – заголовки, списки, таблицы, – а лишнего оформления почти нет. OpenAI советует размечать заголовками и списками Markdown разделы запроса, а модели и сами часто отвечают в Markdown. Исследования говорят осторожнее: модели помогает сохранённая структура документа, а сам формат разметки значит меньше (вывод автора).

Что говорят разработчики:

- авторы MarkItDown из Microsoft объясняют выбор так: Markdown очень близок к простому тексту, но передаёт устройство документа; крупные модели, по их наблюдению, «говорят» на Markdown и часто сами отвечают в нём, а запись получается экономной по токенам [264]; чисел, насколько экономной, они не приводят;
- OpenAI в руководстве по запросам пишет, что заголовки и списки Markdown помогают выделить разделы запроса и показать модели их иерархию [74];
- в документации Claude Code советуют группировать инструкции в файле CLAUDE.md под заголовками и списками Markdown: по словам разработчиков, разбитые на разделы инструкции модели выполнять легче, чем сплошной текст [170];
- Anthropic отмечает, что оформление запроса влияет на оформление ответа: если убрать Markdown из запроса, в ответе его тоже станет меньше [67]. Для разделения частей сложного запроса – инструкций, контекста, примеров – Anthropic советует теги в стиле XML, например `<instructions>` и `<context>` [67]. Markdown – не единственный способ разметки.

Что показывают исследования:

- **PDF и структура.** Авторы работы 2026 года отмечают, что формат PDF, в отличие от HTML и Markdown, хранит в первую очередь внешний вид страницы, а не её устройство. Они сравнили, как помощник по документам (вопрос 32) отвечает на 50 вопросов по 36 документам на португальском языке, 1706 страниц. Качество ответов оценивала другая языковая модель по шкале от 0 до 100, средняя оценка – по 50 вопросам и 50 прогонам. При простом извлечении текста из PDF она составила 86,2, для вручную подготовленного Markdown – 91,3, для Markdown от конвертера Docling с делением текста по разделам и описаниями картинок – 94,1 (в этих настройках для ответа извлекали 200 фрагментов). Это средние оценки качества, а не доля полностью правильных ответов. Перевод в Markdown сам по себе успеха не гарантировал: с другими конвертерами даже в лучших настройках оценка была ниже, чем при простом извлечении: 84,0 и 83,2 у двух вариантов MinerU и 79,1 у DeepSeek OCR. При этом деление текста по разделам и сведения о том, из какого раздела фрагмент, дали больше, чем выбор конвертера [265]. Это одна работа: один набор документов, одна модель, а ответы оценивала тоже модель.
- **Формат разметки.** В другой работе 2026 года десять моделей проверяли, соответствуют ли научные обзоры перечню требований к ним. С перечнем – в Markdown, JSON, XML или простым текстом – точность была 78,7–79,7 %, без перечня – 45,2 %, а между самими форматами значимой разницы не нашли [266].
- **Мелкие изменения запроса.** Ответ модели может измениться даже от лишнего пробела в конце запроса, а просьба выдать ответ в XML в той работе заметно ухудшала результат [70] (вопрос 13).

Вывод автора по этим работам: модели помогает сохранённая структура документа, а конкретный формат разметки, судя по второй работе, значит меньше. Поэтому, прикладывая к запросу длинный документ, лучше дать модели текст с сохранёнными заголовками и таблицами, а не плохо распознанный PDF. Markdown для этого удобен, но проверять ответ всё равно нужно (тема 1.1).

### 42. Как перевести документ Word, PDF или Excel в Markdown и обратно? <a id="q42"></a>

**Коротко.** Для этого есть бесплатные программы с открытым кодом: Pandoc, MarkItDown от Microsoft и утилита автора курса md-converters, построенная на MarkItDown. Все три запускаются на вашем компьютере. При переводе из Word и PDF часть оформления теряется, поэтому результат просматривают, особенно таблицы.

| Программа | Что переводит в Markdown | Обратно из Markdown | Что нужно |
|---|---|---|---|
| Pandoc [267] | Word (docx), Excel (xlsx), PowerPoint (pptx), HTML и многое другое. PDF не читает | Word, PowerPoint, HTML, PDF и другие | Установщик для Windows или архив без установки. Для PDF по умолчанию нужен LaTeX, в Windows разработчики рекомендуют MiKTeX; другие способы – через параметр --pdf-engine |
| MarkItDown [264] | PDF, Word, Excel, PowerPoint, HTML, CSV, JSON, XML, EPUB и другие | Нет | Python 3.10–3.14 |
| md-converters [268] | PDF, Word, Excel, PowerPoint, HTML, веб-страницы по адресу, CSV, JSON, XML, EPUB и другие | Нет | Python 3.10 и новее; для установки через install.ps1 и пункта в меню Проводника – PowerShell 7.2+ |

**Pandoc** – «универсальный конвертер документов», свободная программа под лицензией GPL [267]. Примеры команд по документации, с другими именами файлов [267]:

```
pandoc -s report.docx -t markdown -o report.md
pandoc -s report.md -o report.docx
pandoc report.md -o report.pdf
```

Первая команда переводит документ Word в Markdown, вторая – обратно в Word, третья делает PDF, если установлен LaTeX. Разработчики предупреждают: при переводе из форматов, которые богаче Markdown, следует ожидать потерь [267].

**MarkItDown** – программа Microsoft на Python, которая переводит файлы в Markdown для языковых моделей и программ анализа текста. Она сохраняет заголовки, списки, таблицы и ссылки, но, по словам авторов, может не подойти там, где нужен точный внешний вид документа для человека [264]. Команда для перевода: `markitdown report.pdf -o report.md`. Встроенные конвертеры работают без интернета, а описание картинок, перевод речи в текст и облачные службы Azure отправляют данные наружу, причём службы Azure платные [264]. Авторы предупреждают, что программа читает всё, к чему есть доступ у запустившего её пользователя, поэтому чужие и непроверенные файлы и адреса ей передают с осторожностью [264].

**md-converters** – утилита автора курса, версия 1.4.0, лицензия MIT, построена на MarkItDown [268]. Одна команда `tomd` сама определяет формат по расширению: `tomd report.docx` кладёт `report.md` рядом с исходным файлом, `tomd *` переводит все поддерживаемые документы в текущей папке, а ключ `-r` добавляет вложенные папки. Установщик может добавить пункт «Конвертировать в Markdown» в меню правой кнопки мыши, если вы на это согласитесь, а для тех, кто не любит командную строку, есть необязательная страница в браузере, куда файлы перетаскивают мышью; её ставят отдельно. В описании утилиты сказано и об ограничении: если PDF – скан без текстового слоя, Markdown получится пустым или с мусором, такой файл сначала распознают [268].

Как получить из Markdown файл PDF без LaTeX (вывод автора): перевести его в Word через Pandoc или в веб-версии Word (вопрос 38), а затем сохранить из Word в PDF (вопрос 39).

Перед работой проверьте результат:

1. Таблицы. В исследовании конвертеров PDF сильнее всего результаты расходились на вопросах по таблицам, а простое извлечение текста путало таблицы с объединёнными ячейками [265].
2. Сканы. Из PDF без текстового слоя, то есть из отсканированных страниц, без распознавания получится пустой файл или мусор [268]. Проверить просто: если текст в PDF не выделяется мышью, текстового слоя, скорее всего, нет (вывод автора).
3. Числа и единицы измерения – сверьте с исходником.

Эти программы на рабочий компьютер ставит ИТ-служба или сам сотрудник с разрешения организации (тема 2.1). Режимы, которые отправляют файл в облако, для рабочих документов годятся только по правилам организации.

### 43. Как пишется Markdown? Короткая шпаргалка <a id="q43"></a>

**Коротко.** Достаточно десятка приёмов: решётки для заголовков, звёздочки для выделения, дефисы и цифры для списков, вертикальные черты для таблиц, квадратные и круглые скобки для ссылок, обратные апострофы для команд. Ниже – как это пишется по спецификации CommonMark и документации GitHub.

| Что нужно | Как написать | Источник |
|---|---|---|
| Заголовок | От одного до шести знаков `#` и пробел: `# Заголовок`, `## Подзаголовок` | [269] |
| Жирный шрифт | `**текст**` или `__текст__` | [269] |
| Курсив | `*текст*` или `_текст_` | [269] |
| Список | Каждый пункт с новой строки, в начале `-`, `*` или `+` и пробел | [269] |
| Нумерованный список | `1.`, `2.` и пробел в начале строки | [269] |
| Список задач | `- [ ]` – не сделано, `- [x]` – сделано | [269] |
| Ссылка | `[текст ссылки](адрес)` | [269] |
| Цитата | `>` в начале строки | [269] |
| Команда или имя файла в строке | Обратные апострофы с двух сторон: `` `tomd report.docx` `` | [269] |
| Блок кода | Три обратных апострофа на отдельной строке до блока и столько же после | [269] |
| Таблица | Строки с вертикальными чертами, под шапкой – строка из дефисов | [270] |

Так выглядит небольшой документ:

```
## Протокол испытаний: краткая сводка

**Объект:** блок питания, партия 12.

Замечания:

- выходное напряжение в норме;
- температура корпуса выше допуска.

| Параметр | Норма | Факт |
|---|---|---|
| Напряжение, В | 24 ± 0,5 | 24,2 |
| Температура, °C | до 60 | 63 |

Справка по синтаксису: [CommonMark](https://commonmark.org/help/)
```

Правила, о которые спотыкаются чаще всего:

- таблицы не входят в базовую спецификацию CommonMark, это расширение GitHub Flavored Markdown [263]; GitHub их понимает, а программа, которая следует только CommonMark, может показать таблицу простым текстом (вывод автора);
- перед таблицей нужна пустая строка, а в строке под шапкой – не меньше трёх дефисов в каждом столбце; двоеточие слева, справа или с двух сторон от дефисов выравнивает столбец [270];
- новый абзац начинают после пустой строки; обычный перенос строки внутри абзаца по спецификации CommonMark обычно отображается как пробел, а чтобы явно перенести строку, перед переносом ставят два пробела или обратную косую черту; отображение может зависеть от настроек программы [262].

Краткая справка и интерактивный учебник – на сайте CommonMark [262].

## Источники

Нумерация общая для всей страницы, номер – по первому упоминанию.

### Научные публикации

Препринты отмечены; остальные работы прошли рецензирование. Ссылки – через doi.org.

- [11] OpenAI. GPT-4 Technical Report, раздел 2. 2023. Технический отчёт, препринт arXiv. https://doi.org/10.48550/arXiv.2303.08774
- [26] Kaplan J., McCandlish S. и соавт. Scaling Laws for Neural Language Models. 2020. Препринт arXiv. https://doi.org/10.48550/arXiv.2001.08361
- [27] Frantar E., Ashkboos S. и соавт. GPTQ: Accurate Post-Training Quantization for Generative Pre-trained Transformers. 2022. Препринт arXiv. https://doi.org/10.48550/arXiv.2210.17323
- [28] Yao Z., Wu X. и соавт. Exploring Post-training Quantization in LLMs from Comprehensive Study to Low Rank Compensation // AAAI 2024. https://doi.org/10.1609/aaai.v38i17.29908
- [31] Curington I., Lano K. Reusing obsolete windows 10 PCs for on-premises large language model inference // Frontiers in Computer Science. 2026. https://doi.org/10.3389/fcomp.2026.1911927
- [41] Petrov A., La Malfa E. и соавт. Language Model Tokenizers Introduce Unfairness Between Languages // NeurIPS 2023. https://doi.org/10.52202/075280-1608
- [42] Ahia O., Kumar S. и соавт. Do All Languages Cost the Same? Tokenization in the Era of Commercial Language Models // Proceedings of EMNLP 2023. https://doi.org/10.18653/v1/2023.emnlp-main.614
- [43] Teklehaymanot H. K., Nejdl W. Tokenization Disparities as Infrastructure Bias: How Subword Systems Create Inequities in LLM Access and Efficiency // International Conference on Foundation and Large Language Models (FLLM). 2025. https://doi.org/10.1109/fllm67465.2025.11390956
- [46] Vaswani A., Shazeer N. и соавт. Attention Is All You Need // NeurIPS 2017. https://doi.org/10.48550/arXiv.1706.03762
- [47] Ouyang S., Zhang J. M. и соавт. An Empirical Study of the Non-Determinism of ChatGPT in Code Generation // ACM Transactions on Software Engineering and Methodology. 2024. https://doi.org/10.1145/3697010
- [49] He H. (Thinking Machines Lab). Defeating Nondeterminism in LLM Inference. 2025. Публикация лаборатории без рецензирования. https://doi.org/10.64434/tml.20250910
- [50] Gond R., Kamath A. K. и соавт. LLM-42: Enabling Determinism in LLM Inference with Verified Speculation // ACM SIGOPS Symposium on Operating Systems Principles (SOSP). 2026. https://doi.org/10.1145/3830418.3843901
- [53] Coqueret G., Llull J. и соавт. Randomness in large language models: What researchers need to know (and report). 2026. Препринт arXiv. https://doi.org/10.48550/arXiv.2607.24372
- [54] Farquhar S., Kossen J. и соавт. Detecting hallucinations in large language models using semantic entropy // Nature. 2024. https://doi.org/10.1038/s41586-024-07421-0
- [55] Liu H., Li C. и соавт. Visual Instruction Tuning // NeurIPS 2023. https://doi.org/10.52202/075280-1516
- [56] Tong S., Brown E. и соавт. Cambrian-1: A Fully Open, Vision-Centric Exploration of Multimodal LLMs // NeurIPS 2024. https://doi.org/10.52202/079017-2771
- [61] Dosovitskiy A., Beyer L. и соавт. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale // ICLR 2021. https://doi.org/10.48550/arXiv.2010.11929
- [62] Yuan L., Chen Y. и соавт. Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet // ICCV 2021. https://doi.org/10.1109/iccv48922.2021.00060
- [70] Salinas A., Morstatter F. The Butterfly Effect of Altering Prompts: How Small Changes and Jailbreaks Affect Large Language Model Performance // Findings of ACL 2024. https://doi.org/10.18653/v1/2024.findings-acl.275
- [71] Chatterjee A., Renduchintala H. S. V. N. S. K. и соавт. POSIX: A Prompt Sensitivity Index For Large Language Models // Findings of EMNLP 2024. https://doi.org/10.18653/v1/2024.findings-emnlp.852
- [76] Hua A., Tang K. и соавт. Flaw or Artifact? Rethinking Prompt Sensitivity in Evaluating LLMs // EMNLP 2025. https://doi.org/10.18653/v1/2025.emnlp-main.1006
- [80] Fenogenova A. и соавт. MERA: A Comprehensive LLM Evaluation in Russian // Proceedings of ACL 2024 (Volume 1: Long Papers). https://doi.org/10.18653/v1/2024.acl-long.534
- [88] Snell C., Lee J. и соавт. Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters. 2024. Препринт arXiv. https://doi.org/10.48550/arXiv.2408.03314
- [89] Muennighoff N., Yang Z. и соавт. s1: Simple test-time scaling // EMNLP 2025. https://doi.org/10.18653/v1/2025.emnlp-main.1025
- [90] Zhou S., Ling R. и соавт. When More Thinking Hurts: Overthinking in LLM Test-Time Compute Scaling. 2026. Препринт arXiv. https://doi.org/10.48550/arXiv.2604.10739
- [91] Yang W., Ma S. и соавт. Towards Thinking-Optimal Scaling of Test-Time Compute for LLM Reasoning // NeurIPS 2025. https://doi.org/10.52202/085713-1452
- [159] Greshake K., Abdelnabi S. и соавт. Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection // ACM Workshop on Artificial Intelligence and Security (AISec). 2023. https://doi.org/10.1145/3605764.3623985
- [160] Zhan Q., Liang Z. и соавт. InjecAgent: Benchmarking Indirect Prompt Injections in Tool-Integrated Large Language Model Agents // Findings of ACL 2024. https://doi.org/10.18653/v1/2024.findings-acl.624
- [161] Dziemian M., Lin M. и соавт. How Vulnerable Are AI Agents to Indirect Prompt Injections? Insights from a Large-Scale Public Competition. 2026. Препринт arXiv. https://doi.org/10.48550/arXiv.2603.15714
- [166] Lewis P., Perez E. и соавт. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // NeurIPS 2020. https://doi.org/10.48550/arXiv.2005.11401
- [167] Wu S., Xiong Y. и соавт. Retrieval-augmented generation for natural language processing: a survey // Artificial Intelligence Review. 2026. https://doi.org/10.1007/s10462-026-11605-7
- [205] Nandi S., Datta A. и соавт. SOP-Bench: Complex Industrial SOPs for Evaluating LLM Agents // Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD). 2026. https://doi.org/10.1145/3770855.3817538
- [206] Horsky J. W., Saghiri A. M. Low-Code and No-Code Platforms for Linux System Administration: A SWOT Analysis // 2026 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA). IEEE, 2026. https://doi.org/10.1109/acdsa67686.2026.11467789
- [265] Marques dos Santos J. G., Yang R. и соавт. From PDF to RAG-Ready: Evaluating Document Conversion Frameworks for Domain-Specific Question Answering // Applied Sciences. 2026. Vol. 16, no. 10. Art. 5069. https://doi.org/10.3390/app16105069
- [266] Kataoka Y., So R. и соавт. Large language models for automated PRISMA 2020 adherence checking // International Journal of Medical Informatics. 2026. Art. 106561. https://doi.org/10.1016/j.ijmedinf.2026.106561

### Нормативные документы и стандарты

- [1] ГОСТ Р 71476-2024 (ИСО/МЭК 22989:2022) «Искусственный интеллект. Концепции и терминология искусственного интеллекта». Введён 01.01.2025. Карточка стандарта; текст в системе ГАРАНТ. https://protect.gost.ru/gost/details/5718a44b-69aa-4491-b85f-1e08596edeb2 ; https://www.garant.ru/files/7/7/1799577/natsionalniy_standart_rf_gost_r_71476_2024_iso_mek_22989_2022_iskusstvenniy_inte.pdf
- [119] Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» (ред. от 26.07.2026), ст. 3 «Основные понятия». КонсультантПлюс. https://www.consultant.ru/document/cons_doc_LAW_61801/4f41fe599ce341751e4e34dc50a4b676674c1416/
- [120] Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» (ред. от 26.07.2026), ст. 12 «Трансграничная передача персональных данных». КонсультантПлюс. https://www.consultant.ru/document/cons_doc_LAW_61801/e4ebbe1780de623c7cf32a59ca82a7bb523a25dd/

### Документация и страницы разработчиков и сервисов

Страницы открыты 15–16.11.2026. Цены, тарифы и условия меняются часто: перед решением сверяйте их на самих страницах.

- [4] Сбер. Тарифы GigaChat API для физлиц (обновлено 07.10.2026). https://developers.sber.ru/docs/ru/gigachat/tariffs/individual-tariffs
- [7] OpenAI. gpt-oss-20b: карточка модели и файлы на Hugging Face. https://huggingface.co/openai/gpt-oss-20b ; https://huggingface.co/openai/gpt-oss-20b/tree/main
- [10] Яндекс. YandexGPT-5-Lite-8B-instruct: карточка модели и лицензионное соглашение на Hugging Face. https://huggingface.co/yandex/YandexGPT-5-Lite-8B-instruct ; https://huggingface.co/yandex/YandexGPT-5-Lite-8B-instruct/raw/main/LICENSE
- [12] Anthropic. Transparency Hub. https://www.anthropic.com/transparency
- [13] Anthropic. Introducing the next generation of Claude, 04.03.2024. https://www.anthropic.com/news/claude-3-family
- [14] Anthropic. Claude Fable 5 и Claude Mythos 5, 09.06.2026. https://www.anthropic.com/news/claude-fable-5-mythos-5
- [15] Anthropic. Model IDs and versions. https://platform.claude.com/docs/en/about-claude/models/model-ids-and-versions
- [16] Сбер. Модели GigaChat. https://developers.sber.ru/docs/ru/gigachat/models
- [17] Yandex Cloud. Блог: YandexGPT 4, 23.10.2024. https://yandex.cloud/ru/blog/posts/2024/10/yandex-gpt-4-0
- [18] Qwen Team. Qwen3: Think Deeper, Act Faster, 29.04.2025. https://qwenlm.github.io/blog/qwen3/
- [19] Qwen. Qwen3-235B-A22B-Instruct-2507, карточка модели. https://huggingface.co/Qwen/Qwen3-235B-A22B-Instruct-2507
- [20] Qwen. Qwen3-235B-A22B-Thinking-2507, карточка модели. https://huggingface.co/Qwen/Qwen3-235B-A22B-Thinking-2507
- [21] NVIDIA. GeForce RTX 5070 Family. https://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5070-family/
- [22] NVIDIA. GeForce RTX 5090. https://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5090/
- [23] NVIDIA. H100 Tensor Core GPU. https://www.nvidia.com/en-us/data-center/h100/
- [24] NVIDIA. H200 Tensor Core GPU. https://www.nvidia.com/en-us/data-center/h200/
- [25] NVIDIA. DGX B200. https://www.nvidia.com/en-us/data-center/dgx-b200/
- [36] OpenAI. Key concepts, раздел Tokens; веб-токенизатор OpenAI. https://developers.openai.com/api/docs/concepts ; https://platform.openai.com/tokenizer
- [37] Сбер. GigaChat API: подсчёт токенов (обновлено 17.07.2026). https://developers.sber.ru/docs/ru/gigachat/guides/counting-tokens
- [38] Yandex AI Studio. Токены; оценка размера запроса в токенах. https://aistudio.yandex.ru/docs/ru/ai-studio/concepts/generation/tokens ; https://aistudio.yandex.ru/docs/ru/ai-studio/operations/generation/evaluate-request
- [39] Anthropic. Glossary. https://platform.claude.com/docs/en/about-claude/glossary
- [44] Т-Банк. T-lite-it-2.1, карточка модели на Hugging Face. https://huggingface.co/t-tech/T-lite-it-2.1
- [45] Т-Банк. T-pro-it-2.1, карточка модели на Hugging Face. https://huggingface.co/t-tech/T-pro-it-2.1
- [48] Anthropic. Models overview. https://platform.claude.com/docs/en/models/overview
- [51] Anthropic. API versions. https://platform.claude.com/docs/en/api/versioning
- [52] Google. Gemini API reference: generateContent. https://aistudio.google.com/api-reference/generate-content
- [57] OpenAI. Models. https://developers.openai.com/api/docs/models
- [58] Сбер. GigaChat API: работа с файлами. https://developers.sber.ru/docs/ru/gigachat/guides/working-with-files
- [59] Алиса AI. Справка: файлы и изображения в чате. https://alice.yandex.ru/support/ru/assistant/chat/files
- [60] DeepSeek API. Models & Pricing. https://api-docs.deepseek.com/quick_start/pricing
- [63] Anthropic. Vision. https://platform.claude.com/docs/en/build-with-claude/vision
- [64] OpenAI. Images and vision. https://developers.openai.com/api/docs/guides/images-vision
- [65] Google. Gemini API: media resolution. https://aistudio.google.com/docs/media-resolution
- [66] DeepSeek API. Vision. https://api-docs.deepseek.com/guides/vision
- [67] Anthropic. Prompting best practices. https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices
- [68] Сбер. Промпт-инжиниринг для GigaChat (обновлено 02.02.2026). https://developers.sber.ru/docs/ru/gigachat/prompts-hub/prompt-engineering
- [69] Алиса AI. Справка: как писать запросы. https://alice.yandex.ru/support/ru/assistant/chat/how-write-prompts
- [72] Anthropic. Effective context engineering for AI agents, 29.09.2025. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- [73] Anthropic. Prompt engineering overview. https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview
- [74] OpenAI. Prompt engineering. https://developers.openai.com/api/docs/guides/prompt-engineering
- [75] Google. Gemini API: prompting strategies. https://aistudio.google.com/docs/prompting-strategies
- [77] Meta. Llama-3.1-8B-Instruct, карточка модели. https://huggingface.co/meta-llama/Llama-3.1-8B-Instruct
- [78] MERA – бенчмарк для русскоязычных моделей, сайт. https://mera.a-ai.ru/
- [79] MERA, репозиторий проекта. https://github.com/MERA-Evaluation/MERA
- [81] Anthropic. Choosing a model. https://platform.claude.com/docs/en/about-claude/models/choosing-a-model
- [82] Anthropic. Pricing (цены в долларах США). https://platform.claude.com/docs/en/about-claude/pricing
- [83] Сбер. Тарифы GigaChat API для юрлиц (обновлено 07.10.2026). https://developers.sber.ru/docs/ru/gigachat/tariffs/legal-tariffs
- [84] Yandex AI Studio. Правила тарификации. https://aistudio.yandex.ru/docs/ru/ai-studio/pricing
- [85] Anthropic. Effort. https://platform.claude.com/docs/en/build-with-claude/effort
- [86] Anthropic. Thinking. https://platform.claude.com/docs/en/build-with-claude/thinking
- [87] OpenAI. Reasoning models. https://developers.openai.com/api/docs/guides/reasoning
- [92] Claude Code. Model configuration, раздел Adjust effort level. https://code.claude.com/docs/en/model-config
- [93] Claude. Pricing (тарифы, цены без налогов). https://claude.com/pricing
- [94] OpenAI. Pricing: планы ChatGPT и Codex (цены в долларах США). https://learn.chatgpt.com/docs/pricing
- [95] Google. Gemini subscriptions (цены для США). https://gemini.google/us/subscriptions/?hl=en
- [96] Алиса AI. Справка: опция «Алиса Плюс». https://alice.yandex.ru/support/ru/assistant/alice-plus
- [97] Claude Help Center. How do usage and length limits work? https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work
- [98] Anthropic. Новость об увеличении лимитов, 06.05.2026. https://www.anthropic.com/news/higher-limits-spacex
- [99] Google. Gemini Apps limits & feature availability. https://support.google.com/gemini/answer/16275805
- [100] TechCrunch. Anthropic unveils new rate limits to curb Claude Code power users, 28.07.2025. Вторичный источник (публикация СМИ). https://techcrunch.com/2025/07/28/anthropic-unveils-new-rate-limits-to-curb-claude-code-power-users/
- [101] Anthropic. Supported countries and regions. https://www.anthropic.com/supported-countries
- [102] OpenAI. Supported countries and territories. https://developers.openai.com/api/docs/supported-countries
- [103] Google. Where you can use the Gemini web app. https://support.google.com/gemini/answer/13575153?hl=en
- [104] Mistral AI. Pricing. https://mistral.ai/pricing
- [105] xAI. Grok: подписки. https://docs.x.ai/x-subscription/grok-bot
- [106] Kimi (Moonshot AI). https://www.kimi.com/
- [107] Microsoft. Microsoft 365 Copilot для частных лиц: тарифы. https://www.microsoft.com/en-us/microsoft-365-copilot/pricing/individuals
- [108] Perplexity Pro. https://www.perplexity.ai/pro
- [109] Anthropic. Privacy Policy (действует с 10.09.2026). https://www.anthropic.com/legal/privacy
- [110] Anthropic. Updates to Consumer Terms and Privacy Policy, 28.08.2025. https://www.anthropic.com/news/updates-to-our-consumer-terms
- [111] Anthropic. Commercial Terms of Service. https://www.anthropic.com/legal/commercial-terms
- [112] OpenAI. ChatGPT pricing: личные и бизнес-планы. https://chatgpt.com/pricing ; https://chatgpt.com/pricing/?type=team
- [113] OpenAI. Your data (программный доступ). https://developers.openai.com/api/docs/guides/your-data
- [114] Google. Gemini Apps Privacy Hub (обновлено 26.10.2026). https://support.google.com/gemini/answer/13594961?hl=en
- [115] Сбер. Пользовательское соглашение об использовании сервиса GigaChat (обновлено 22.06.2026), пп. 7.1, 7.2.1. https://developers.sber.ru/docs/ru/policies/gigachat/agreement
- [116] Яндекс. Условия использования сервиса «Алиса AI» (опубликованы 10.09.2026), п. 6.6. https://yandex.ru/legal/alice_chat/
- [117] Алиса AI. Справка: чат с Алисой. https://alice.yandex.ru/support/ru/assistant/chat-alice
- [118] Yandex AI Studio. Отключить логирование запросов. https://aistudio.yandex.ru/docs/ru/ai-studio/operations/disable-logging.html
- [131] Сбер. GigaChat 3.1 Lightning (GigaChat3.1-10B-A1.8B), карточка модели на Hugging Face. https://huggingface.co/ai-sage/GigaChat3.1-10B-A1.8B
- [132] MDN Web Docs. File API. https://developer.mozilla.org/en-US/docs/Web/API/File_API
- [133] Chrome for Developers. The File System Access API. https://developer.chrome.com/docs/capabilities/web-apis/file-system-access
- [134] Claude Code. Overview. https://code.claude.com/docs/en/overview
- [135] OpenAI. Codex CLI: документация и репозиторий. https://learn.chatgpt.com/docs/codex/cli ; https://github.com/openai/codex
- [136] Qwen Code, репозиторий. https://github.com/QwenLM/qwen-code
- [137] Сбер. GigaCode CLI и GigaCode Desktop. https://gitverse.ru/features/gigacode/
- [138] Яндекс. SourceCraft CLI: быстрый старт. https://sourcecraft.dev/portal/docs/ru/sourcecraft/operations/cli-quickstart
- [139] Claude Code. Security. https://code.claude.com/docs/en/security
- [140] OpenAI. Codex: песочница, согласования и безопасность. https://learn.chatgpt.com/docs/sandboxing ; https://learn.chatgpt.com/docs/agent-approvals-security
- [141] Claude Help Center. Getting started with Cowork. https://support.claude.com/en/articles/13345190-getting-started-with-cowork
- [142] Anthropic. Building effective agents, 19.12.2024. https://www.anthropic.com/engineering/building-effective-agents
- [143] OpenAI. A practical guide to building agents (PDF). https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
- [144] Anthropic. Agent Skills: overview. https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
- [145] Agent Skills. Открытый стандарт. https://agentskills.io
- [146] Claude Code. Skills. https://code.claude.com/docs/en/skills
- [147] OpenAI. Build skills (ChatGPT и Codex). https://learn.chatgpt.com/docs/build-skills
- [148] Gemini CLI. Agent Skills. https://geminicli.com/docs/cli/skills/
- [149] Anthropic. Skill authoring best practices. https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices
- [150] Model Context Protocol. Specification. https://modelcontextprotocol.io/specification/latest
- [151] Model Context Protocol. What is MCP? https://modelcontextprotocol.io/docs/getting-started/intro
- [152] Anthropic. Donating the Model Context Protocol and establishing the Agentic AI Foundation, 09.12.2025. https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation
- [153] Model Context Protocol. Example servers. https://modelcontextprotocol.io/examples
- [154] OpenAI. MCP. https://developers.openai.com/api/docs/mcp/
- [155] Google. Gmail API: choose scopes. https://developers.google.com/workspace/gmail/api/auth/scopes
- [156] Google. Calendar API: authentication and scopes. https://developers.google.com/workspace/calendar/api/auth
- [157] OWASP GenAI Security Project. LLM06:2025 Excessive Agency. https://genai.owasp.org/llmrisk/llm062025-excessive-agency/
- [158] OWASP GenAI Security Project. LLM01:2025 Prompt Injection. https://genai.owasp.org/llmrisk/llm01-prompt-injection/
- [162] Anthropic. How we built our multi-agent research system, 13.06.2025. https://www.anthropic.com/engineering/multi-agent-research-system
- [163] Claude Code. Subagents. https://code.claude.com/docs/en/sub-agents
- [164] Claude Code. Sandboxing. https://code.claude.com/docs/en/sandboxing
- [165] Claude Code. Permissions. https://code.claude.com/docs/en/permissions
- [168] Obsidian Help. How Obsidian stores data. https://obsidian.md/help/data-storage
- [169] Obsidian. Главная страница и политика конфиденциальности. https://obsidian.md ; https://obsidian.md/privacy
- [170] Claude Code. Memory (CLAUDE.md). https://code.claude.com/docs/en/memory
- [171] AGENTS.md. Открытый формат инструкций для агентов. https://agents.md
- [172] Claude Help Center. What are projects? https://support.claude.com/en/articles/9517075-what-are-projects
- [173] Claude Help Center. Use Claude's chat search and memory to build on previous context. https://support.claude.com/en/articles/11817273-use-claudes-chat-search-and-memory-to-build-on-previous-context
- [174] OpenAI. Memories в ChatGPT и Codex. https://learn.chatgpt.com/docs/customization/memories
- [183] n8n. Sub-processors (перечень подрядчиков и мест обработки данных), редакция от 22.09.2026. https://n8n.io/legal/sub-processors/
- [184] n8n. Plans and Pricing (цены в евро при оплате за год). https://n8n.io/pricing/
- [185] n8n Docs. Try free then choose a plan. https://docs.n8n.io/deploy/use-n8n-cloud/start-your-free-trial
- [211] Yandex AI Studio. OpenAI-compatible API. https://aistudio.yandex.ru/docs/ru/ai-studio/api/
- [216] Zapier. Plans and pricing. https://zapier.com/pricing
- [217] Zapier. Zapier Agents. https://zapier.com/agents
- [218] Make (Celonis). AI Agents. https://www.make.com/en/ai-agents
- [219] Make Help Center. On-premise agent. https://help.make.com/on-premise-agent
- [220] Make. Pricing. https://www.make.com/en/pricing
- [230] Альбато. Тарифы. https://albato.ru/pricing
- [231] Альбато. Оферта (пользовательское соглашение ООО «Альбато»). https://albato.ru/offer
- [232] Альбато. Сервис для интеграций и автоматизаций (официальный сайт). https://albato.ru/
- [233] Yandex AI Studio. Документация Yandex Workflows: «Рабочий процесс». https://aistudio.yandex.ru/docs/ru/ai-studio/concepts/workflows/workflow
- [234] Yandex AI Studio. Документация Yandex Workflows: интеграционный шаг FoundationModelsCall. https://aistudio.yandex.ru/docs/ru/ai-studio/concepts/workflows/yawl/integration/foundationmodelscall
- [235] ApiX-Drive. Условия использования (Apicom Solutions OÜ, Эстония). https://apix-drive.com/ru/docs/terms
- [236] n8n. Бюллетени безопасности репозитория n8n-io/n8n (GitHub Security Advisories). Подсчёт по уровням и годам публикации – на 16.11.2026. https://github.com/n8n-io/n8n/security/advisories
- [237] n8n. GHSA-v4pr-fm98-w9pg: Unauthenticated File Access via Improper Webhook Request Handling (CVE-2026-21858), 07.01.2026. https://github.com/n8n-io/n8n/security/advisories/GHSA-v4pr-fm98-w9pg
- [238] NIST, National Vulnerability Database. CVE-2026-21858. https://nvd.nist.gov/vuln/detail/CVE-2026-21858
- [239] n8n. GHSA-v98v-ff95-f3cp: n8n Remote Code Execution via Expression Injection (CVE-2025-68613), 19.12.2025. https://github.com/n8n-io/n8n/security/advisories/GHSA-v98v-ff95-f3cp
- [240] NIST, National Vulnerability Database. CVE-2025-68613 (включая отметку о каталоге CISA Known Exploited Vulnerabilities). https://nvd.nist.gov/vuln/detail/CVE-2025-68613
- [241] n8n. GHSA-6cqr-8cfr-67f8: Expression Escape Vulnerability Leading to RCE (CVE-2026-25049), 04.02.2026. https://github.com/n8n-io/n8n/security/advisories/GHSA-6cqr-8cfr-67f8
- [242] NIST, National Vulnerability Database. CVE-2026-25049. https://nvd.nist.gov/vuln/detail/CVE-2026-25049
- [243] n8n. GHSA-v364-rw7m-3263: RCE via Arbitrary File Write (CVE-2026-21877), 06.01.2026. https://github.com/n8n-io/n8n/security/advisories/GHSA-v364-rw7m-3263
- [244] NIST, National Vulnerability Database. CVE-2026-21877. https://nvd.nist.gov/vuln/detail/CVE-2026-21877
- [245] n8n. GHSA-62r4-hw23-cc8v: Arbitrary Command Execution in Pyodide based Python Code Node (CVE-2025-68668), 24.12.2025. https://github.com/n8n-io/n8n/security/advisories/GHSA-62r4-hw23-cc8v
- [246] NIST, National Vulnerability Database. CVE-2025-68668. https://nvd.nist.gov/vuln/detail/CVE-2025-68668
- [253] n8n. Self-Serve Terms. https://n8n.io/legal/self-serve-terms/
- [254] Gruber J. Markdown (страница проекта, версия 1.0.1 от 17.12.2004) и Markdown: Syntax (описание синтаксиса, раздел Philosophy). Daring Fireball. https://daringfireball.net/projects/markdown/ ; https://daringfireball.net/projects/markdown/syntax
- [255] Microsoft. Windows Insider Blog. Text Formatting in Notepad begin rolling out to Windows Insiders, 30.05.2025 (дополнено 04.06.2025). https://blogs.windows.com/windows-insider/2025/05/30/text-formatting-in-notepad-begin-rolling-out-to-windows-insiders/
- [256] Microsoft Learn. Notepad release notes – Windows Insider Program (запись от 24.07.2026, версия 11.2606.15.0). https://learn.microsoft.com/en-us/windows-insider/release-notes/apps/notepad
- [257] Microsoft Tech Community. What's New in Microsoft Copilot | October 2026, 30.10.2026 (обновлено 13.11.2026), раздел о поддержке Markdown в Word. https://techcommunity.microsoft.com/blog/microsoft-copilot-blog/what%E2%80%99s-new-in-microsoft-copilot--october-2026/4568528
- [258] Obsidian Help. Edit and read (режим чтения, Ctrl+E); Manage vaults (Open folder as vault). https://obsidian.md/help/edit-and-read ; https://obsidian.md/help/manage-vaults
- [259] Obsidian. License (условия использования, обновлены 20.02.2025). https://obsidian.md/license
- [261] Microsoft Support. Save or convert to PDF or XPS in Office desktop apps (раздел Word для Windows). https://support.microsoft.com/en-us/office/save-or-convert-to-pdf-or-xps-in-office-desktop-apps-d85416c5-7d77-4fd6-a216-6f4bf7c7c110
- [262] CommonMark. Главная страница проекта; MacFarlane J. CommonMark Spec, версия 0.31.2 от 28.01.2024 (разделы 1.1 «What is Markdown?», 1.2 «Why is a spec needed?», 6.8 «Soft line breaks»); краткая справка и учебник. https://commonmark.org/ ; https://spec.commonmark.org/0.31.2/ ; https://commonmark.org/help/
- [263] GitHub. GitHub Flavored Markdown Spec, версия 0.29-gfm от 06.04.2019 (раздел 4.10 «Tables (extension)»). https://github.github.com/gfm/
- [269] GitHub Docs. Basic writing and formatting syntax. https://docs.github.com/en/get-started/writing-on-github/getting-started-with-writing-and-formatting-on-github/basic-writing-and-formatting-syntax
- [270] GitHub Docs. Organizing information with tables. https://docs.github.com/en/get-started/writing-on-github/working-with-advanced-formatting/organizing-information-with-tables

### Программы и инструменты

Страницы открыты 15–16.11.2026.

- [2] Лаборатория «Цифра. Слой за слоем»: нейронная сеть распознаёт цифры в браузере (материал автора курса). https://neural-network-digit-recognition.pikov.expert/
- [3] scikit-learn: главная страница. https://scikit-learn.org/stable/
- [5] Python. About. https://www.python.org/about/
- [6] Project Jupyter. https://jupyter.org/
- [8] Hugging Face. Safetensors. https://huggingface.co/docs/safetensors/index
- [9] Hugging Face. GGUF. https://huggingface.co/docs/hub/gguf
- [29] LM Studio. System requirements. https://lmstudio.ai/docs/app/system-requirements
- [30] Ollama. Библиотека моделей: gpt-oss. https://ollama.com/library/gpt-oss
- [32] GPT4All: сайт и репозиторий. https://www.nomic.ai/gpt4all ; https://github.com/nomic-ai/gpt4all
- [34] Tiktokenizer (автор dqbd). Проверено автором 15.11.2026: открывается без входа, принимает русский текст; слово «непредсказуемость» в токенизаторе gpt-4o – 6 токенов. https://tiktokenizer.vercel.app/
- [35] The Tokenizer Playground на Hugging Face (автор Xenova). Проверено автором 15.11.2026: открывается без входа, принимает русский текст; «непредсказуемость» в токенизаторе gpt-4 / gpt-3.5-turbo – 8 токенов. https://huggingface.co/spaces/Xenova/the-tokenizer-playground
- [121] Natasha, репозиторий. https://github.com/natasha/natasha
- [122] spaCy. Модели для русского языка. https://spacy.io/models/ru
- [123] Microsoft Presidio, репозиторий. https://github.com/microsoft/presidio
- [124] Presidio. Поддержка языков. https://presidio.dataprivacystack.org/analyzer/languages/
- [125] Ollama. FAQ. https://docs.ollama.com/faq
- [126] Ollama. Загрузка; лицензия MIT. https://ollama.com/download ; https://github.com/ollama/ollama/blob/main/LICENSE
- [127] LM Studio. Free for work, 08.07.2025. https://lmstudio.ai/blog/free-for-work
- [128] LM Studio. Offline operation. https://lmstudio.ai/docs/app/offline
- [129] Jan, репозиторий. https://github.com/janhq/jan
- [130] llama.cpp, репозиторий. https://github.com/ggml-org/llama.cpp
- [175] n8n. Imprint (сведения о компании n8n GmbH, Берлин). https://n8n.io/imprint/
- [176] n8n. Репозиторий n8n-io/n8n на GitHub, описание (README). https://github.com/n8n-io/n8n
- [177] n8n Docs. Community license. https://docs.n8n.io/n8n-community-license
- [178] n8n. Sustainable Use License (текст лицензии, файл LICENSE.md). https://github.com/n8n-io/n8n/blob/master/LICENSE.md
- [179] n8n. n8n Enterprise License (текст лицензии, файл LICENSE_EE.md). https://github.com/n8n-io/n8n/blob/master/LICENSE_EE.md
- [180] n8n Docs. License FAQ. https://docs.n8n.io/n8n-community-license/community-license/license-faq
- [181] n8n Docs. Choose how to use n8n. https://docs.n8n.io/choose-how-to-use-n8n
- [182] n8n Docs. Privacy (GDPR, телеметрия, ИИ-функции, хранение данных). https://docs.n8n.io/privacy-and-security
- [186] n8n. Integrations (каталог интеграций). https://n8n.io/integrations/
- [187] n8n Docs. Nodes (встроенные узлы, узлы сообщества, HTTP Request). https://docs.n8n.io/integrations
- [188] n8n Docs. Key concept glossary. https://docs.n8n.io/key-concept-glossary
- [189] n8n Docs. Expressions for data transformation. https://docs.n8n.io/build/work-with-data/transform-data/expressions-for-data-transformation
- [190] n8n Docs. Understand executions. https://docs.n8n.io/build/understand-workflows/understand-executions
- [191] n8n Docs. Schedule Trigger. https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.scheduletrigger
- [192] n8n Docs. Webhook. https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.webhook
- [193] n8n Docs. Email Trigger (IMAP). https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.emailimap
- [194] n8n Docs. Install with Docker (страница помечена как устаревшая). https://docs.n8n.io/deploy/host-n8n/install-options/install-with-docker
- [195] Docker Docs. Port publishing and mapping. https://docs.docker.com/engine/network/port-publishing/
- [196] n8n Docs. Install using Docker Compose. https://docs.n8n.io/deploy/host-n8n/install-options/install-using-docker-compose
- [197] n8n Docs. Install with npm. https://docs.n8n.io/deploy/host-n8n/install-options/install-with-npm
- [198] n8n Docs. Extract From File. https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.extractfromfile
- [199] n8n Docs. Code. https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.code
- [200] n8n Docs. AI Agent. https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent
- [201] n8n Docs. Send Email. https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.sendemail
- [202] n8n Docs. Human-in-the-loop for tools. https://docs.n8n.io/build/integrate-ai/ai-examples/human-in-the-loop-for-tools
- [203] n8n Docs. Configure workflow settings (сохранение выполнений). https://docs.n8n.io/build/manage-workflows/configure-workflow-settings
- [204] n8n Docs. View all executions. https://docs.n8n.io/build/understand-workflows/understand-executions/view-all-executions
- [207] n8n Docs. Integrate AI. https://docs.n8n.io/build/integrate-ai
- [208] n8n Docs. Ollama credentials. https://docs.n8n.io/integrations/builtin/credentials/ollama
- [209] n8n Docs. Ollama Chat Model. https://docs.n8n.io/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.lmchatollama
- [210] n8n. Исходный код учётных данных OpenAI (файл OpenAiApi.credentials.ts, поле Base URL). https://github.com/n8n-io/n8n/blob/master/packages/nodes-base/credentials/OpenAiApi.credentials.ts
- [212] n8n Docs. OpenAI Chat Model. https://docs.n8n.io/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.lmchatopenai
- [213] n8n Docs. MCP Client Tool. https://docs.n8n.io/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolmcp
- [214] n8n Docs. MCP servers. https://docs.n8n.io/build/integrate-ai/mcp-servers
- [215] n8n Docs. MCP Server Trigger. https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-langchain.mcptrigger
- [221] Node-RED. Low-code programming for event-driven applications (официальный сайт). https://nodered.org/
- [222] Node-RED. Репозиторий node-red/node-red на GitHub (лицензия Apache 2.0). https://github.com/node-red/node-red
- [223] Node-RED Library. node-red-contrib-ollama (узел сообщества). https://flows.nodered.org/node/node-red-contrib-ollama
- [224] Activepieces. Pricing. https://www.activepieces.com/pricing
- [225] Activepieces. Репозиторий activepieces/activepieces на GitHub (описание и лицензия). https://github.com/activepieces/activepieces
- [226] Windmill. Репозиторий windmill-labs/windmill на GitHub (описание). https://github.com/windmill-labs/windmill
- [227] Windmill. Файл LICENSE репозитория windmill-labs/windmill. https://github.com/windmill-labs/windmill/blob/main/LICENSE
- [228] Apache Airflow. Репозиторий apache/airflow на GitHub (описание, лицензия Apache 2.0). https://github.com/apache/airflow
- [229] Apache Airflow. Провайдер apache-airflow-providers-common-ai, документация (версия 1.1.0). https://airflow.apache.org/docs/apache-airflow-providers-common-ai/stable/index.html
- [247] n8n Docs. What you can do (меры по защите данных). https://docs.n8n.io/privacy-and-security/what-you-can-do
- [248] n8n Docs. Create and edit credentials. https://docs.n8n.io/build/understand-workflows/create-and-edit-credentials
- [249] n8n Docs. Set a custom encryption key. https://docs.n8n.io/deploy/host-n8n/configure-n8n/basic-configuration/configuration-examples/set-a-custom-encryption-key
- [250] n8n Docs. Block specific nodes. https://docs.n8n.io/deploy/host-n8n/configure-n8n/security/block-specific-nodes
- [251] n8n Docs. Community nodes: Risks. https://docs.n8n.io/integrations/community-nodes/risks
- [252] n8n Docs. Run security audits. https://docs.n8n.io/deploy/host-n8n/configure-n8n/security/run-security-audits
- [260] Visual Studio Code. Markdown and Visual Studio Code; Visual Studio Code FAQ (вопрос «Is VS Code free?»). https://code.visualstudio.com/docs/languages/markdown ; https://code.visualstudio.com/docs/supporting/faq
- [264] Microsoft. MarkItDown, репозиторий microsoft/markitdown на GitHub, описание (README): поддерживаемые форматы, раздел «Why Markdown?», требования, предупреждение о безопасности. https://github.com/microsoft/markitdown
- [267] Pandoc. Главная страница; Pandoc User's Guide (форматы, создание PDF, оговорка о потерях при переводе); Installing pandoc; Demos (примеры команд для docx). https://pandoc.org/ ; https://pandoc.org/MANUAL.html ; https://pandoc.org/installing.html ; https://pandoc.org/demos.html
- [268] Пиков В. А. md-converters: перевод документов в Markdown на базе MarkItDown, версия 1.4.0, лицензия MIT. Репозиторий на GitHub, описание (README) (материал автора курса). https://github.com/pikov-vitaliy/md-converters

### Данные для замера

- [33] Замер автора, 15.11.2026. Статьи 1–30 декларации ООН в токенизаторах открытых моделей qwen3.5:9b, gemma3:4b, gpt-oss:20b и deepseek-r1:14b (программа Ollama 0.40.16, число токенов запроса; служебный токен начала текста вычтен). Разбиение слов – токенизатором Qwen 2.5 (библиотека transformers); его счёт на тексте декларации совпал с deepseek-r1:14b. Длина векторов – по сведениям ollama show (embedding length): gemma3:4b – 2560, gpt-oss:20b – 2880, qwen3.5:9b – 4096, deepseek-r1:14b – 5120.
- [40] ООН. Всеобщая декларация прав человека, официальные тексты на русском и английском. https://www.un.org/ru/about-us/universal-declaration-of-human-rights ; https://www.un.org/en/about-us/universal-declaration-of-human-rights
