[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-grounding::ru":3,"gloss-cluster-grounding::ru":20,"gloss-next-grounding::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"grounding","core-ai","Обоснование (Grounding)","Grounding (обоснование, привязка к источникам) — это практика привязки вывода LLM к конкретным, проверяемым, актуальным исходным данным, вместо того чтобы позволять ей полагаться исключительно на общие (и потенциально устаревшие или неточные) знания, заложенные в её обучающих весах. Параметрические знания модели — всё, что она \"знает\" из обучения — по своей природе расплывчаты, устарели на момент отсечки обучающих данных и склонны к путанице и галлюцинациям в деталях; grounding исправляет это, явно предоставляя модели точные факты, которые ей нужны во время инференса, и инструктируя её основывать ответ на этом предоставленном материале, а не на том, что она могла бы вспомнить иначе. Это чрезвычайно важно для разработчиков SaaS, потому что это и есть практическая разница между AI-функцией, которая является впечатляющей демонстрацией, и функцией, достаточно надёжной, чтобы отправить её клиентам, которые будут действовать на основе её вывода — страницы с ценами, данные, специфичные для аккаунта, текущие остатки на складе, сегодняшние обменные курсы или реальная политика возврата вашей компании — всё это вещи, которые необоснованная модель либо не будет знать точно, либо будет угадывать с ложной уверенностью. Основная техника обоснования — генерация с дополненным поиском (RAG, retrieval-augmented generation): извлечение релевантных актуальных документов и внедрение их в промпт, чтобы модель отвечала на основе этого конкретного контекста, а не памяти. Но grounding также включает более простые техники: прямое внедрение известных фактов в системный промпт (например, \"Сегодняшняя дата — 2 июля 2026 года. Наше текущее окно возврата — 30 дней.\"), предоставление доступа через function calling к живым источникам данных (позволяя модели запрашивать базу данных или API для получения актуального ответа вместо угадывания), а также явную инструкцию модели говорить \"я не знаю\" или воздерживаться от ответа, когда предоставленный контекст не содержит ответа, вместо заполнения пробела правдоподобно звучащей догадкой. Конкретный пример: внутренний HR-чат-бот, отвечающий на вопрос \"сколько дней отпуска у меня осталось?\", никогда не должен отвечать на основе общих обучающих знаний модели (у которой нет ни малейшего представления о конкретном балансе конкретного сотрудника конкретной компании) — он должен быть обоснован через вызов функции к реальной HR-базе данных, возвращающий реальное число, при этом задача модели сводится к формулированию этого реального числа в естественное предложение, а не к генерации самого числа. Необоснованные AI-функции, которые \"звучат правильно\", но не привязаны к реальным данным, — самый распространённый источник неловких, разрушающих доверие сбоев AI в продакшн SaaS. Полезный мысленный тест на то, нужно ли конкретной AI-функции обоснование: спросите себя \"может ли этот ответ правдоподобно оказаться неверным так, что пользователь этого не заметит, и будет ли это иметь значение?\" Функции, отвечающие на общие вопросы с низкими ставками (\"объясни, что такое REST API\"), могут больше полагаться на параметрические знания модели; функции, отвечающие на конкретные, действенные или относящиеся к аккаунту вопросы (\"какова моя текущая сумма счёта\", \"стандартна ли эта статья договора\"), нуждаются в явном обосновании через поиск или вызовы функций, потому что необоснованный неверный ответ в этих контекстах причиняет реальный вред пользователю или бизнес-риск, а не просто неловкость.","Grounding привязывает вывод LLM к проверяемым источникам данных, а не к общим обучающим знаниям, снижая риск галлюцинаций.",null,[11,14,17],{"slug":12,"name":13},"function-calling","Вызов функций (Function Calling \u002F Tool Use)",{"slug":15,"name":16},"hallucination","Галлюцинация",{"slug":18,"name":19},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",[21,25,29,33,36,39,42,45,48,51,54,57],{"slug":22,"category":5,"name":23,"updated_at":24},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":26,"category":5,"name":27,"updated_at":28},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":30,"category":5,"name":31,"updated_at":32},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":34,"category":5,"name":35,"updated_at":24},"attention","Внимание (Attention)",{"slug":37,"category":5,"name":38,"updated_at":32},"beam-search","Лучевой поиск",{"slug":40,"category":5,"name":41,"updated_at":28},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":43,"category":5,"name":44,"updated_at":28},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":46,"category":5,"name":47,"updated_at":32},"computer-vision","Компьютерное зрение",{"slug":49,"category":5,"name":50,"updated_at":28},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":52,"category":5,"name":53,"updated_at":24},"context-window","Контекстное окно",{"slug":55,"category":5,"name":56,"updated_at":32},"deep-learning","Глубокое обучение",{"slug":58,"category":5,"name":59,"updated_at":24},"diffusion-model","Диффузионная модель (Diffusion Model)"]