К содержимому
Дайджест

Пять AI-проектов для портфолио: RAG, MCP, файнтюнинг

Mayank Aggarwal·31 октября 2026·11:22
можно прочитать узнать, что существует
Открыть на YouTube
Практический разбор пяти идей AI-проектов для начинающих инженеров, которые хотят выйти за рамки типовых туториалов и собрать портфолио, заметное рекрутерам.

Что в ролике

Если вы пытаетесь попасть в AI-инжиниринг, типовые проекты вроде чат-бота, RAG-ответов на PDF и обёртки над API уже не выделяют резюме, поэтому автор предлагает пять более серьёзных работ. Первый проект — RAG-система, которую вы тестируете по-настоящему: собираете реальные документы, разбиваете на чанки, превращаете в эмбеддинги и отвечаете только по найденному контексту, но главное — пишете 50 вопросов с заранее известными ответами и гоняете пайплайн на этом наборе. Дальше стоит менять по одному параметру: семантический чанкинг вместо фиксированного, гибридный поиск с ключевыми словами и реранкинг, а метрики типа «нашёлся ли нужный документ», «корректен ли ответ» и «насколько модель уверена в выдумке» отслеживать отдельно, для чего подходит Ragas, хотя его оценки зависят от модели-судьи. Второй проект — сравнение локальных моделей размером 3–7 миллиардов параметров через Ollama или LM Studio с замером токенов в секунду, памяти и качества на одинаковых промптах, при этом важно фиксировать версию модели, квантизацию, длину контекста и железо. Третий проект — MCP-сервер для реального инструмента, например GitHub, где модель сама решает, когда вызвать инструменты «список репозиториев», «получить issues» или «оставить комментарий», а вы тестируете на 50 запросах, как часто выбирается верный инструмент и где ломаются аргументы. Четвёртый проект — осторожный файнтюнинг: сначала докажите провал базовой модели на узкой задаче, затем соберите от нескольких сотен до тысяч размеченных примеров, используйте LoRA или QLoRA и сравните метрики до и после, не ожидая, что это сделает модель умнее в общем смысле. Пятый проект — дашборд стоимости и задержек поверх любой из предыдущих систем: логируйте каждый запрос, считайте P50/P90/P95 вместо среднего, разбивайте задержку на retrieval, генерацию и время до первого токена, а для локальных моделей честно помечайте оценку электричества как приблизительную. Автор советует не браться за все пять сразу: два-три глубоко протестированных и задокументированных проекта скажут о вас больше, чем пять поверхностных, потому что ценятся не идеально работающие демо, а объяснение решений и ошибок.

Практика

Что получишь
Набор из пяти идей проектов, которые выходят за рамки типовых туториалов и тренируют инженерные привычки: фиксированные тесты, бенчмарки с реальными цифрами, безопасный вызов инструментов и мониторинг.
Первый шаг
Выберите один проект, например RAG с тестовым набором из 50 вопросов, и соберите минимальный пайплайн на Chroma с реранкером, прежде чем менять параметры.
Цифры
  • —50 вопросов — размер фиксированного тестового набора для RAG-системы, который автор советует писать самостоятельно
  • —3–7 миллиардов параметров — диапазон локальных моделей для сравнения в проекте 2
  • —50 реалистичных запросов — столько сценариев нужно прогнать через MCP-сервер, чтобы замерить выбор инструментов
  • —P50, P90 и P95 — процентили задержки, которые нужно отслеживать вместо среднего значения
Честно
Готового кода и пошаговых инструкций в ролике нет: это обзор идей с названиями инструментов, реализацию придётся искать самому. Автор прямо предупреждает, что эти проекты — учебные, а не гарантия найма, и в конце просит подписаться на канал; платных продуктов или партнёрских ссылок в ролике не заметно.
Если слова незнакомы — 9 терминов

Связки из этого ролика

4 шт.

Компоненты

13 шт.

Формат: подборка · для новичков · уверенность разметки 0.85 · источник