LLM.md

+### Мастерская LLM: Работа с нейросетевыми API в Python  
+*Для разработчиков всех уровней: от первого запроса до тонкой настройки моделей*  
+
+---
+
+#### **Введение**  
+Языковые модели (LLM) революционизируют разработку. В статье разберем:  
+- Как взаимодействовать с LLM через API.  
+- Ключевые концепты: токены, промпты, температура.  
+- Различия между веб-интерфейсами и API.  
+
+---
+
+### **1. Инструменты: LLM API**  
+**Базовый стек**:  
+```bash
+pip install openai python-dotenv  # Для примеров используем OpenAI API
+```
+
+**Первый запрос к нейросети**:  
+```python
+import os
+from openai import OpenAI
+
+# Безопасное хранение токена (никогда в коде!)
+os.environ["OPENAI_API_KEY"] = "sk-...your-token..."  # В реальных проектах используйте .env
+
+client = OpenAI()
+
+def get_ai_response(user_query: str) -> str:
+    """Отправляет запрос к LLM, возвращает ответ"""
+    chat_completion = client.chat.completions.create(
+        model="gpt-4-turbo",
+        messages=[{"role": "user", "content": user_query}]
+    )
+    return chat_completion.choices[0].message.content
+
+print(get_ai_response("Как объяснить квантовую запутанность пятилетнему ребёнку?"))
+```
+**Важно**:  
+- Токен API хранится в переменных окружения  
+- `model` указывает на версию нейросети  
+
+---
+
+### **2. Концепты: Ключевые термины**  
+
+#### **2.1 LLM (Large Language Model)**  
+*Что это*: Нейросеть, обученная предсказывать текст. Примеры:  
+- **Закрытые**: GPT-4, Claude (через API)  
+- **Открытые**: Llama 3, Mixtral (можно самому развернуть)  
+
+```mermaid
+graph LR
+    A[Текст] --> B(Токенизатор)
+    B --> C[Вектора чисел]
+    C --> D{LLM}
+    D --> E[Новый текст]
+```
+
+---
+
+#### **2.2 Модель (Model)**  
+*Определение*: Конкретная версия LLM. Принципы выбора:  
+```python
+def select_model(task_type: str) -> str:
+    """Выбирает модель по типу задачи"""
+    if task_type == "creative":
+        return "claude-3-sonnet"  # Для креативных задач
+    elif task_type == "technical":
+        return "gpt-4-turbo"  # Для точных ответов
+```
+
+---
+
+#### **2.3 Токены генерации**  
+*Что это*: Фрагменты текста, которые LLM обрабатывает за шаг.  
+
+**Как считать**:  
+```python
+from openai import OpenAI
+
+client = OpenAI()
+text = "Привет, мир! 🚀"
+
+# Подсчёт токенов без отправки запроса
+token_count = client.tokenizers.encode(text).tokens
+print(f"Текст '{text}' содержит {len(token_count)} токенов")
+# Вывод: 5 токенов (Привет - 1, , - 2, мир - 3, ! - 4, 🚀 - 5)
+```
+
+**Использование в ответе**:  
+```python
+response = client.chat.completions.create(...)
+print(f"Использовано токенов: {response.usage.total_tokens}")
+```
+
+---
+
+#### **2.4 Токен нейросети vs Токен авторизации**  
+**Критическое различие**:  
+|                          | Токен авторизации          | Токен нейросети          |  
+|--------------------------|----------------------------|--------------------------|  
+| **Что представляет**     | Ключ доступа к API         | Единица текста           |  
+| **Где используется**     | Заголовки HTTP-запросов    | Внутри LLM               |  
+| **Пример**               | `sk-...aBcDeFg123...`      | Слово "привет" = 1 токен |  
+
+**Безопасное использование**:  
+```python
+# Правильно: через переменные окружения
+api_key = os.getenv("OPENAI_API_KEY")  # Никогда не храните в коде!
+```
+
+---
+
+#### **2.5 Системный промпт vs Пользовательский промпт**  
+**Роли в диалоге**:  
+```mermaid
+graph TD
+    A[System Prompt] --> B[LLM]
+    C[User Prompt] --> B
+    B --> D[Response]
+```
+
+**Пример**:  
+```python
+messages = [
+    {
+        "role": "system",  
+        "content": "Ты эксперт по Python. Отвечай кратко."
+    },
+    {
+        "role": "user",
+        "content": "Как отладить рекурсивную функцию?"
+    }
+]
+```
+
+---
+
+#### **2.6 Температура (Temperature)**  
+*Что это*: Параметр случайности ответов.  
+
+**Визуализация**:  
+```mermaid
+flowchart LR
+    A[T=0.0] --> B[Детерминированный]
+    C[T=0.5] --> D[Сбалансированный]
+    E[T=1.0] --> F[Креативный]
+```
+
+**Пример**:  
+```python
+# Для технических объяснений
+response = client.chat.completions.create(
+    ...,
+    temperature=0.3  # Минимальная случайность
+)
+```
+
+---
+
+#### **2.7 LLM API vs Сайт-чат**  
+**Сравнение**:  
+```mermaid
+flowchart TD
+    A[Выбор инструмента] --> B{LLM API}
+    A --> C{Веб-интерфейс}
+    B --> D[Автоматизация]
+    B --> E[Интеграция]
+    C --> F[Быстрое тестирование]
+```
+
+---
+
+### **3. Полный пример: Погодный ассистент**  
+```python
+from openai import OpenAI
+import requests
+import os
+
+def get_weather_advice(city: str) -> str:
+    """Запрашивает погоду и генерирует совет с помощью LLM"""
+    WEATHER_API_KEY = os.getenv("WEATHER_API_KEY")  # Безопасное хранение
+    weather_data = requests.get(
+        f"https://api.weatherapi.com/v1/current.json?key={WEATHER_API_KEY}&q={city}"
+    ).json()
+    
+    client = OpenAI()
+    response = client.chat.completions.create(
+        model="gpt-4-turbo",
+        messages=[
+            {"role": "system", "content": "Ты метеоролог. Давай чёткие советы."},
+            {"role": "user", "content": f"Погода в {city}: {weather_data['current']['temp_c']}°C"}
+        ],
+        temperature=0.5
+    )
+    return response.choices[0].message.content
+```
+
+---
+
+#### **Итоги**  
+1. **Токены** — валюта взаимодействия с LLM.  
+2. **Системный промпт** — мощный инструмент управления поведением.  
+3. **Температура** — регулятор креативности.  
+4. **API** даёт контроль, недоступный в веб-интерфейсах.  
+
+> **Проверь себя**: Создай чат-бота, который:  
+> - Использует системный промпт для задания роли  
+> - Считает токены в диалоге  
+> - Регулирует температуру через параметры функции
\ No newline at end of file