[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-llmops::ru":3,"gloss-cluster-llmops::ru":23,"gloss-next-llmops::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"llmops","mlops","LLMOps","LLMOps — операционная дисциплина эксплуатации LLM-функций в продакшене, аналог MLOps для эпохи языковых моделей. Если MLOps сосредоточен на обучающих конвейерах и реестрах моделей, то LLMOps — на том, что команды реально меняют изо дня в день: промпты, конфигурация ретривала, выбор модели, ограждения (guardrails). Ключевые практики: версионировать промпты как код, прогонять наборы оценок перед каждым изменением, трассировать каждый запрос от начала до конца (промпт, извлечённый контекст, вывод, токены, стоимость), следить за дрейфом качества после обновлений моделей у провайдера и держать бюджеты затрат на фичу. Предотвращаемый сбой знаком каждому, кто выпускал AI-функцию: кто-то правит промпт в дашборде, качество тихо деградирует, и никто не замечает, пока не пожалуются клиенты. Минимальный стек LLMOps для SaaS-команды — реестр промптов, золотой датасет с автооценками в CI и трассировка на уровне запросов: этого хватает, чтобы менять модель и промпты так же безопасно, как деплоить код.","LLMOps — практика эксплуатации LLM-функций в продакшене: версии промптов, оценки, трассировка, бюджеты затрат и контроль дрейфа.",null,[11,14,17,20],{"slug":12,"name":13},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":15,"name":16},"model-registry","Реестр моделей (Model Registry)",{"slug":18,"name":19},"observability","Наблюдаемость (Observability)",{"slug":21,"name":22},"prompt-versioning","Версионирование промптов",[24,28,32,35,38,42,45,48,51,54,57,58],{"slug":25,"category":5,"name":26,"updated_at":27},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":33,"category":5,"name":34,"updated_at":31},"batch-inference","Батч-инференс",{"slug":36,"category":5,"name":37,"updated_at":31},"canary-prompt","Канареечный промпт",{"slug":39,"category":5,"name":40,"updated_at":41},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":43,"category":5,"name":44,"updated_at":31},"class-imbalance","Дисбаланс классов",{"slug":46,"category":5,"name":47,"updated_at":31},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":49,"category":5,"name":50,"updated_at":31},"cross-validation","Перекрёстная проверка",{"slug":52,"category":5,"name":53,"updated_at":31},"data-labeling","Разметка данных",{"slug":55,"category":5,"name":56,"updated_at":41},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":12,"category":5,"name":13,"updated_at":41},{"slug":59,"category":5,"name":60,"updated_at":41},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)"]