Технологии ИИ: как это устроено внутри — без формул

Обновлено 13 августа 2026 · проверено редакцией

Здесь собрано то, что стоит за словами в описаниях сервисов. Не теория ради теории: каждый разбор отвечает на вопрос «что сломается на практике, если этого не понимать» — и что делать, когда сломалось.

С чего начинать разбираться

Технологии вокруг моделей делятся на четыре слоя, и путаница обычно возникает при переходе между ними. Ниже — порядок, в котором их удобно осваивать.

Слой первый: как модель считает

Токены и контекстное окно. Без этого непонятно, почему счёт вырос вдвое и почему модель «забыла» начало разговора.

Слой второй: как модель получает ваши данные

Эмбеддинги и RAG. Отвечает на вопрос, как заставить модель работать с документами, которых не было в обучении.

Слой третий: как модель делает действия

MCP и вызов инструментов. Здесь модель перестаёт быть собеседником и начинает менять состояние систем.

Слой четвёртый: как понять, что ответ верный

Галлюцинации и проверка. Самый недооценённый слой: без него первые три дают быстрый, красивый и неправильный результат.

Технология	Какую задачу закрывает	Что ломается без неё
<a href="/tehnologii/tokeny">Токены</a>	Учёт объёма и цены	Счёт растёт непредсказуемо
<a href="/tehnologii/kontekstnoe-okno">Контекстное окно</a>	Сколько влезает за раз	Модель теряет начало диалога молча
<a href="/tehnologii/embeddingi">Эмбеддинги</a>	Поиск по смыслу	Поиск не находит синонимы и перефразировки
<a href="/tehnologii/rag">RAG</a>	Ответы по своим документам	Модель отвечает общими словами вместо фактов из базы
<a href="/tehnologii/mcp">MCP</a>	Подключение источников и действий	Под каждый сервис пишется отдельная интеграция
<a href="/tehnologii/gallyucinacii">Галлюцинации</a>	Достоверность ответа	Уверенный выдуманный ответ уходит клиенту

Порядок в таблице не случайный: каждая следующая строка опирается на предыдущие. RAG без понимания эмбеддингов настраивается наугад, а MCP без понимания контекстного окна упирается в предел, который никто не заметил.

Чего здесь намеренно нет

Раздел не объясняет устройство нейросетей на уровне математики: слои внимания, градиентный спуск и функции активации подробно разобраны в учебниках, и на практические решения почти не влияют.

Вместо этого — то, что определяет результат в работе: где теряются данные, почему растёт счёт, отчего ответ выглядит правдоподобным и оказывается ложным.

В каком порядке это осваивать

Слои опираются друг на друга, поэтому прыгать через ступень бессмысленно.

Если вы принимаете решения о бюджете

Начните с токенов и контекстного окна: из них складывается счёт, и без них любые оценки стоимости — гадание.

Если вы внедряете ИИ в процессы

Смотрите RAG и MCP: первое отвечает за факты из ваших документов, второе — за действия в ваших системах.

Если результат уходит клиентам

Начинайте с галлюцинаций: это единственный слой, где ошибка выходит наружу и стоит репутации.

Что это меняет на практике

Понимание этих технологий чаще всего экономит не время, а деньги: типовая ошибка внедрения — заплатить за дообучение там, где хватило бы поиска по документам, или взять дорогую модель туда, где задача решается дешёвой.

Сравнение моделей по цене и задачам — в разделе сравнений, цифры по каждому семейству — в каталоге.

Частые вопросы

Нужно ли программировать, чтобы разобраться

Нет. Все разборы в разделе написаны для тех, кто принимает решения, а не пишет код. Примеры кода встречаются, но понимание текста от них не зависит.

С какой страницы начать

С токенов, если интересуют деньги, и с RAG, если задача — заставить модель работать с вашими документами.

Это применимо к любой модели

Да. Токены, контекст, эмбеддинги и галлюцинации одинаково устроены у Claude, GPT, Gemini и открытых моделей. Различаются числа, а не принципы.

Как часто это устаревает

Принципы держатся годами, числа — месяцами. Цены и размеры окон вынесены в каталог моделей и обновляются отдельно от текста.

Связанные страницы

Последняя проверка фактов: 13.08.2026. Нашли неточность — напишите редакции.