Центр непрерывного образования ФКН НИУ ВШЭ
前往频道在 Telegram
Дополнительное профессиональное образование от факультета компьютерных наук НИУ ВШЭ. Программы с нуля и продвинутые курсы по: - математике - программированию и ИИ - анализу данных и Data Science - фронтенду и геймдеву Сайт: https://cs.hse.ru/dpo
显示更多
网络:6 047
订阅者
-424 小时
+207 天
+3330 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
九月 '26
九月 '26
+15
在0个频道中
八月 '26
+135
在5个频道中
Get PRO
七月 '26
+39
在1个频道中
Get PRO
六月 '26
+78
在9个频道中
Get PRO
五月 '26
+77
在1个频道中
Get PRO
四月 '26
+84
在0个频道中
Get PRO
三月 '26
+115
在0个频道中
Get PRO
二月 '26
+238
在4个频道中
Get PRO
一月 '26
+95
在0个频道中
Get PRO
十二月 '25
+45
在2个频道中
Get PRO
十一月 '25
+99
在3个频道中
Get PRO
十月 '25
+116
在3个频道中
Get PRO
九月 '25
+160
在0个频道中
Get PRO
八月 '25
+374
在7个频道中
Get PRO
七月 '25
+155
在4个频道中
Get PRO
六月 '25
+109
在1个频道中
Get PRO
五月 '25
+381
在2个频道中
Get PRO
四月 '25
+375
在0个频道中
Get PRO
三月 '25
+103
在0个频道中
Get PRO
二月 '25
+291
在4个频道中
Get PRO
一月 '25
+229
在2个频道中
Get PRO
十二月 '24
+280
在3个频道中
Get PRO
十一月 '24
+162
在4个频道中
Get PRO
十月 '24
+158
在4个频道中
Get PRO
九月 '24
+103
在3个频道中
Get PRO
八月 '24
+319
在6个频道中
Get PRO
七月 '24
+692
在11个频道中
Get PRO
六月 '24
+144
在2个频道中
Get PRO
五月 '24
+341
在5个频道中
Get PRO
四月 '24
+291
在9个频道中
Get PRO
三月 '24
+207
在1个频道中
Get PRO
二月 '24
+338
在4个频道中
Get PRO
一月 '24
+586
在3个频道中
Get PRO
十二月 '23
+707
在5个频道中
Get PRO
十一月 '23
+72
在3个频道中
Get PRO
十月 '23
+217
在2个频道中
Get PRO
九月 '23
+105
在0个频道中
Get PRO
八月 '23
+266
在0个频道中
Get PRO
七月 '23
+94
在0个频道中
Get PRO
六月 '23
+106
在0个频道中
Get PRO
五月 '23
+40
在0个频道中
Get PRO
四月 '23
+226
在0个频道中
Get PRO
三月 '23
+48
在0个频道中
Get PRO
二月 '23
+159
在0个频道中
Get PRO
一月 '23
+315
在0个频道中
Get PRO
十二月 '22
+440
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 06 九月 | +3 | |||
| 05 九月 | +1 | |||
| 04 九月 | +4 | |||
| 03 九月 | +1 | |||
| 02 九月 | +2 | |||
| 01 九月 | +4 |
频道帖子
Repost from ИИ-лидеры: бизнес-лаборатория для руководителей
🔎 Об ИИ для бизнеса напрямую с экспертами
Как устроено обучение? Какие темы и инструменты разбираются на программе? Подойдёт ли она под ваши задачи и опыт?Задать эти и другие вопросы можно на бесплатных онлайн-консультациях с авторами программы ФКН НИУ ВШЭ «ИИ-лидеры: бизнес-лаборатория для руководителей». На встрече можно подробнее узнать о программе, получить индивидуальные рекомендации по обучению и обсудить интересующие вопросы напрямую с экспертами. ⭐️ 9 сентября, 11:00–12:00 Евгений Соколов — соавтор и эксперт программы, руководитель Департамента больших данных и информационного поиска ФКН НИУ ВШЭ, лауреат Yandex ML Prize. ⭐️ 16 сентября, 10:00–11:00 Сергей Юдин — соавтор и эксперт программы, технический директор направления профессиональных ИИ-сервисов Яндекса, преподаватель ФКН НИУ ВШЭ. ↗️ 16 сентября будет возможность взглянуть на «ИИ-лидеров» глазами участника программы. Поговорим о реальном опыте обучения: что оказалось самым ценным, что уже пригодилось в работе и какие ожидания от программы совпали с реальностью.
Встречи проходят онлайн. При регистрации можно заранее оставить свой вопрос экспертам.#мероприятия_ИИ @aileadershse
| 2 | 💎 Об ИИ для бизнеса напрямую с экспертами
9 и 16 сентября пройдут бесплатные онлайн-консультации с авторами программы «ИИ-лидеры: бизнес-лаборатория для руководителей».
Можно задать вопросы о программе, подробнее узнать о содержании обучения и получить индивидуальные рекомендации от экспертов.
А 16 сентября к встрече присоединится участник программы и поделится своим опытом обучения изнутри.
Все подробности и регистрация в посте ниже ⬇️ | 299 |
| 3 |  💻 Запускаем свою нейросеть: LLM уровня ChatGPT прямо в браузере
Делимся записью вебинара о том, как самостоятельно запустить открытую языковую модель в Google Colab и начать работать с ней без подписки на коммерческие сервисы и собственного мощного GPU.
На вебинаре разбираем:
▫️ чем открытые LLM отличаются от закрытых моделей
▫️ как выбрать модель с учётом доступных вычислительных ресурсов
▫️ как запустить Qwen через Hugging Face Transformers
▫️ зачем нужна квантизация и как она снижает требования модели к памяти
▫️ как управлять генерацией с помощью системного промпта, температуры и других параметров
🎙 Спикер: Марк Блуменау, преподаватель ФКН НИУ ВШЭ, специалист в области машинного и глубинного обучения, лучший преподаватель НИУ ВШЭ 2025 года.
Смотреть 👈 | 406 |
| 4 | 没有文字... | 501 |
| 5 |  ❔ Почему нейросеть понимает вас не с первого раза?
Часто проблема не в самой модели, а в том, какую задачу она получила. «Напиши пост» и «напиши пост для Telegram на 1000 знаков для аудитории начинающих аналитиков» — для нейросети две совершенно разные инструкции.
Чтобы получать более предсказуемый результат, в запросе полезно зафиксировать хотя бы четыре вещи:
⭐ Контекст — что модели нужно знать перед выполнением задачи
⭐ Задачу — что именно нужно сделать
⭐ Ограничения — чего избегать и какие условия соблюдать
⭐ Формат — каким должен быть готовый результат
А дальше начинается самое интересное: промптинг можно использовать не только для генерации текста. Нейросети уже помогают собирать презентации, анализировать данные и аудиторию, создавать визуалы, автоматизировать отчёты и выстраивать многошаговые сценарии с AI-агентами.
📁 Именно с практической стороны работу с ИИ начинаем разбирать сегодня на программе ЦНО ФКН НИУ ВШЭ «Промпт-инженерия: нейросети для человека».
Если хотели присоединиться, но не успели к первому занятию, это не проблема: набор открыт до конца недели, а запись первой встречи будет доступна участникам.
Так что начать можно чуть позже — и ничего не пропустить ⬇️ | 549 |
| 6 |  🟣 Для работы с данными не обязательно менять профессию
Иногда не нужно полностью переучиваться. Достаточно выбрать направление, которое поможет решать задачи в текущей работе.
📣 Продуктовому маркетологу SQL помогает работать с клиентскими данными, считать retention и проводить RFM-сегментацию.
📊 Продакт-менеджеру или руководителю BI позволяет собрать показатели в дашборд, следить за продуктом и KPI.
📍 Разработчику алгоритмы и структуры данных помогают оптимизировать код и готовиться к техническим собеседованиям.
💡 Продуктовым и дата-аналитикам, дата-сайентистам прикладная статистика нужна для проверки гипотез, A/B-тестирования и анализа взаимосвязей в данных.
💬 Дата-сайентистам, ML-инженерам и исследователям, работающим с данными, математика помогает понимать и обоснованно выбирать методы и модели.
📚 Дата-сайентистам, ML-инженерам и разработчикам ML-решений машинное обучение позволяет решать задачи классификации, регрессии и кластеризации.
📊 ML-инженерам, специалистам по компьютерному зрению и NLP глубинное обучение нужно для работы с нейронными сетями, изображениями и текстами.
Мы собрали 7 отдельных курсов по этим направлениям на одной странице. Можно выбрать один под задачи своей профессии, а не осваивать всю аналитику и Data Science сразу ⬇️ | 728 |
| 7 |  Модель отвечает, агент действует: как снизить риски ИИ-агентов
ИИ-агенты могут не только генерировать ответы, но и самостоятельно вызывать API, изменять данные и передавать информацию во внешние сервисы. Поэтому их внедрение требует дополнительных мер контроля.
8 сентября в 19:00 пройдёт бесплатный вебинар от эксперта ФКН НИУ ВШЭ Владимира Никулина, управляющего директора по технорискам в Сбере.
На вебинаре разберём:
📌 чем риски ИИ-агентов отличаются от рисков обычных моделей;
📌 что показали эксперименты Anthropic, OpenAI и Apollo Research;
📌 какие ограничения стоит заложить до запуска агента;
📌 зачем нужны минимальные права, изоляция инструментов и журналирование;
📌 почему системного промпта и встроенных механизмов безопасности может быть недостаточно.
Зарегистрироваться
#мероприятия_ИИ
@aileadershse | 707 |
| 8 | 🤩 К запуску программы «ИИ-лидеры: бизнес-лаборатория для руководителей» решили поговорить об одной из самых важных тем: рисках ИИ-агентов.
Что может пойти не так, когда нейросеть не просто отвечает, а начинает действовать сама? И как предусмотреть это заранее?
Разберём на бесплатном вебинаре ✔ | 671 |
| 9 | 没有文字... | 756 |
| 10 | 没有文字... | 195 |
| 11 | 没有文字... | 810 |
| 12 | 没有文字... | 65 |
| 13 |  Как работают LLM + секреты промпт-инжиниринга
Делимся видеозаписью, которая будет полезна каждому, кто знаком с классическим машинным обучением и основами глубинного обучения и желает погрузиться в особенности работы с современными языковыми моделями.
Из видео:
🟣узнаете, что такое большая языковая модель (LLM) и как она генерирует текст
🟣поймете, для каких задач сейчас используются LLM и как они обучались
🟣научитесь писать «правильные» запросы к моделям, чтобы они выдавали релевантный ответ
🎙 Спикер: Елена Кантонистова, доцент факультета компьютерных наук, академический руководитель программы «Искусственный интеллект», научный руководитель программы «Прикладные нейросетевые технологии».
Смотреть 📍 | 1 065 |
| 14 |  Redis рядом с реляционной базой: зачем нужен второй слой хранения
Redis относится к хранилищам типа «ключ — значение» и работает в оперативной памяти. Реляционной модели, соединений таблиц и декларативного языка запросов в его ядре нет. В типовой архитектуре он стоит перед реляционной базой и принимает на себя часть нагрузки, отсюда и постоянное соседство двух технологий в описаниях стека.
1️⃣Как устроен
Название расшифровывается как remote dictionary server. Данные размещаются в памяти, поэтому отклик измеряется десятками микросекунд, а один узел выдерживает сотни тысяч операций в секунду.
Команды исполняются в один поток. Такая модель дает предсказуемую задержку и атомарность каждой команды по построению, поскольку блокировки и переключения контекста отсутствуют. Сетевой ввод-вывод при этом обрабатывается параллельно.
2️⃣Структуры данных
Тип значения подбирается под преобладающую операцию:
🟣Строки: кэш сериализованных объектов, счетчики через атомарный INCR
🟣Хеши: объекты с полями, когда обновляются отдельные атрибуты
🟣Списки: очереди и стеки, в том числе с блокирующим чтением
🟣Множества: проверка принадлежности, пересечения, объединения на стороне сервера
🟣Упорядоченные множества: элементы хранятся отсортированными по весу, отсюда рейтинги и выборки по диапазону за логарифмическое время
🟣Потоки: журнал событий с группами потребителей и подтверждением обработки
🟣HyperLogLog: приближенный подсчет уникальных значений при фиксированном расходе памяти
Разница в подходе видна на примере: топ-10 клиентов по сумме заказов в SQL считается запросом с группировкой и сортировкой. В Redis вес инкрементируется в момент заказа, а чтение сводится к одной команде ZREVRANGE.
3️⃣Долговечность
Сохранение на диск устроено двумя способами: периодические снимки состояния и журнал команд с настраиваемой частотой синхронизации. Их допустимо комбинировать.
Гарантии здесь ограниченные. Репликация асинхронная, клиент получает подтверждение раньше, чем запись доходит до реплики, журнал по умолчанию сбрасывается раз в секунду. Данные, потеря которых недопустима, первичным местом хранения должны иметь реляционную базу.
4️⃣Что выносят из основной базы
🟣Кэш тяжелых агрегатов, которые пересчитываются редко, а читаются постоянно
🟣Сессии и токены с коротким сроком жизни
🟣Счетчики и ограничение частоты запросов
🟣Очереди фоновых задач
🟣Рейтинги и выборки «первые N по значению» в реальном времени
5️⃣Что учитывать при кэшировании
🟣Инвалидация. После изменения данных в базе устаревшее значение живет в кэше до истечения TTL, ключ приходится удалять явно
🟣Одновременное истечение. Ключи, записанные в одну секунду с одинаковым TTL, истекут разом и отправят всю нагрузку в базу. Помогает случайный разброс срока жизни
🟣Промах по горячему ключу. Параллельные запросы на отсутствующее значение уходят в базу все сразу. Спасает блокировка на время пересчета либо обновление значения до истечения срока
🟣Политика вытеснения. При исчерпании памяти Redis по умолчанию отвечает ошибкой на запись, для кэша ее задают явно, обычно по частоте или давности использования
6️⃣Ограничения
Произвольные запросы по неключевым атрибутам требуют заранее построенного индекса. Блок MULTI/EXEC выполняет команды последовательно, откат при ошибке не предусмотрен. Объем данных упирается в оперативную память узла, а кластерный режим требует, чтобы ключи одной операции попадали в один слот.
7️⃣Про лицензию
В 2024 году проект перешел с BSD на RSALv2 и SSPLv1, после чего появился форк Valkey под управлением Linux Foundation. В 2025 году в набор лицензий добавили AGPLv3. На практике это дает две совместимые реализации на рынке, и при выборе стоит смотреть, какую поддерживает ваш облачный провайдер. | 949 |
| 15 |  Запускаем свою нейросеть: большая языковая модель (LLM) уровня ChatGPT прямо в браузере
Все привыкли, что большие языковые модели живут где-то в облаке, за подпиской и API-ключом. Однако модель, сопоставимую по качеству с коммерческими сервисами, можно запустить сегодня самостоятельно и бесплатно, в Google Colab.
Приглашаем вас принять участие в вебинаре в рамках программы «Специалист по науке о данных (Data Science)» Центра непрерывного образования ФКН.
На вебинаре разберём:
🟣что такое открытые LLM и чем они отличаются от закрытых сервисов;
🟣как выбрать модель под свою задачу и не упереться в ограничения бесплатного GPU;
🟣как загрузить и запустить Qwen в Colab через Hugging Face Transformers;
🟣что такое квантизация и почему модель на 7 миллиардов параметров помещается в бесплатную видеокарту;
🟣как управлять поведением модели: системный промпт, температура, длина ответа.
По итогам вебинара все участники заберут готовый notebook с полностью рабочим пайплайном запуска модели — можно сразу открыть у себя и начать экспериментировать.
🎙Спикер: Марк Блуменау, академический руководитель программы «Специалист по Data Science» Центра непрерывного образования ФКН и магистратуры «Умные устройства: аппаратная разработка».
📁Когда: 21 августа в 19:00.
Регистрация 📍 | 807 |
| 16 |  Почему ИИ врет: галлюцинации, выдуманные источники и как заставить модель проверять себя
Нейросеть не знает, что такое правда. Она подбирает наиболее вероятное продолжение текста, поэтому одинаково уверенным тоном выдаёт и реальный факт, и несуществующее исследование с красивым названием.
Приглашаем вас принять участие в вебинаре в рамках программы «Промпт-инженерия: нейросети для человека» Центра непрерывного образования ФКН.
В ходе вебинара разберем на примерах и по шагам:
🟣откуда берутся галлюцинации на уровне механики модели;
🟣почему они появляются именно там, где вы их не ждёте;
🟣и какие приемы действительно снижают количество галлюцинаций.
Все участники получат список признаков, по которым видно, что ответ выдуман, поймут, какие задачи можно доверять ИИ, а какие —нельзя ни при каких настройках, а также получат набор промпт-приемов против галлюцинаций и схему проверки ответа за пару минут вместо часа ручной перепроверки.
🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries.
📁Когда: 19 августа в 18:00.
Регистрация 📍 | 919 |
| 17 |  Какая математика реально используется в Data Science и AI-инженерии
Вопрос «нужна ли математика» обычно ставится слишком широко, поэтому и ответы на него получаются бесполезными. Предлагаем посмотреть, какие разделы и в каких конкретно задачах всплывают в работе, и на каком уровне их необходимо знать.
1️⃣Линейная алгебра
🟣Скалярное произведение и нормы. Косинусная мера, на которой держится поиск по эмбеддингам и векторные базы данных, это нормированное скалярное произведение. Нормы L1 и L2 определяют вид регуляризации и различие между Lasso и Ridge.
🟣Собственные значения и векторы. Метод главных компонент строится на спектральном разложении ковариационной матрицы.
🟣Сингулярное разложение. Лежит в основе понижения размерности, латентно-семантического анализа и матричных методов в рекомендательных системах. Малоранговая аппроксимация из SVD напрямую используется в LoRA, наиболее распространенном способе дообучения больших моделей.
🟣Ранг, ортогональность, обусловленность. Определяют, почему мультиколлинеарность ломает линейную регрессию и когда решение системы численно неустойчиво.
2️⃣Математический анализ и оптимизация
🟣Градиент и правило дифференцирования сложной функции.
🟣Якобиан и гессиан. Объясняют разницу между методами первого и второго порядка и происхождение адаптивных шагов в Adam.
🟣Выпуклость и условия оптимальности. Показывают, почему линейные модели и SVM обучаются устойчиво, а нейросети требуют подбора начальных приближений и расписания скорости обучения.
🟣Поведение производных на длинных композициях. Отсюда следуют затухание и взрыв градиентов, а вместе с ними остаточные связи и нормализация слоев.
3️⃣Теория вероятностей и математическая статистика
🟣Распределения и условная вероятность. Формула Байеса дает наивный байесовский классификатор, байесовскую оптимизацию гиперпараметров и вероятностную интерпретацию предсказаний.
🟣Метод максимального правдоподобия. Кросс-энтропия и среднеквадратичная ошибка не выбираются произвольно, обе выводятся из правдоподобия при разных предположениях о распределении шума.
🟣Проверка гипотез, мощность, доверительные интервалы, бутстрап. Основа A/B-тестирования и любой оценки того, значим ли прирост качества модели.
4️⃣Теория информации
Небольшой по объему раздел, прямо описывающий функции потерь современных моделей.
🟣Энтропия и кросс-энтропия. Стандартная функция потерь в классификации и в языковом моделировании.
🟣Расстояние Кульбака — Лейблера. Используется в вариационных автокодировщиках, в дистилляции знаний и в методах выравнивания вроде DPO и PPO, где ограничивает отклонение обучаемой модели от исходной.
🟣Перплексия. Экспонента от кросс-энтропии, базовая метрика качества языковых моделей.
5️⃣Дискретная математика и вычислительная сложность
🟣Оценка асимптотики. Без нее невозможно понять, почему классическое внимание требует квадратичного числа операций от длины последовательности и откуда берутся ограничения на размер контекста.
🟣Графы. Нужны в графовых нейронных сетях, в рекомендательных системах и в подходах, где извлечение построено на графе знаний.
🟣Комбинаторика. Возникает в оценке пространства гиперпараметров и в задачах сэмплирования.
6️⃣Численные методы
Соотношение с ролями
🟣Аналитику данных нужны прежде всего статистика и теория вероятностей, линейная алгебра на уровне понимания метода главных компонент и регрессии.
🟣Инженеру машинного обучения дополнительно требуются оптимизация, матричное дифференцирование и численные методы, поскольку он отвечает за сходимость и за поведение модели в продакшене.
🟣Исследователю необходим весь перечисленный набор в формальном виде, включая доказательную часть. | 2 782 |
| 18 | Компьютерное зрение на практике: распознавание кошек и собак
Делимся записью вебинара от Центра непрерывного образования ФКН, на котором мы проходим весь путь от теории до кода в Google Colab и говорим о том:
🟣как нейросети на самом деле «видят» изображения (спойлер: совсем не как люди);
🟣что такое классификация изображений и какие задачи к ней относятся;
🟣как подготовить данные для обучения: от папки с картинками до готового датасета;
🟣как обучить простую модель распознавания котов и собак;
🟣как проверить качество модели и понять, ошибается она или нет;
🟣и самое интересное: как «обмануть» нейросеть и зачем это делать.
🎙Спикер: Марк Блуменау, академический руководитель программы «Специалист по Data Science» Центра непрерывного образования ФКН и магистратуры «Умные устройства: аппаратная разработка».
Смотреть 📍 | 990 |
| 19 |  Промпт-инжиниринг: методологии CO-STAR и TIDD-EC
Языковые модели достраивают наиболее вероятные продолжения на основе того, что вы дали на вход, и чем больше в запросе неоднозначности, тем шире пространство возможных ответов и выше шанс получить размытый или нерелевантный результат. Методологии структурирования промптов решают эту проблему и превращают расплывчатое пожелание в спецификацию. Сегодня разберем 2️⃣ наиболее популярных.
1️⃣CO-STAR
Основной концепт — разложение запроса на шесть измерений, каждое из которых закрывает отдельный источник неоднозначности.
🟣Context: фоновые данные, в которых существует задача, позволяющие модели сузить ответ до конкретной ситуации.
🟣Objective: одна четко сформулированная задача.
🟣Style: структура и манера изложения.
🟣Tone: эмоциональная окраска. И в данном случае стиль и тон намеренно разделены: текст может быть строго структурированным по стилю, но при этом дружелюбным по тону.
🟣Audience: на кого ориентирован ответ и какая глубина объяснений требуется.
🟣Response: объем, структура, формат вывода, лимит по длине. Этот компонент экономит больше всего итераций, так как именно несовпадение формата чаще всего заставляет переписывать запрос.
CO-STAR сильнее всего в задачах генерации текста, в которых результат оценивается субъективно и важны попадание в аудиторию и выдержанная стилистика.
2️⃣TIDD-EC
Более строгая методология, ориентированная на задачи, в которых ответ оценивается по объективным критериям: правильно/неправильно, соответствует формату/нет. Пять основных пунктов:
🟣Task type: категория операции: классификация, извлечение сущностей, суммаризация, переписывание.
🟣Instructions: пошаговый алгоритм выполнения. Здесь описывается не что нужно получить, а как к этому прийти.
🟣Do: признаки, которые обязательно должны присутствовать в ответе.
🟣Don't: ограничения и типичные ошибки, которые нужно исключить. Связка Do/Don't задает границы ответа с двух сторон и заметно снижает количество отклонений от ожидаемого результата.
🟣Examples & Content: образцы желаемого вывода плюс конкретные данные для обработки. Примеры работают как few-shot обучение прямо внутри запроса: модель ориентируется на эталон.
TIDD-EC лучше применять в формализованных задачах с жесткими требованиями: парсинг в структурированный формат, разметка, классификация по заданным правилам.
Как выбирать на практике:
🟣Результат оценивается субъективно (тексты, письма, контент, коммуникация): CO-STAR с упором на контекст, аудиторию и стилистику.
🟣Результат проверяется по четким критериям (обработка данных, извлечение, классификация): TIDD-EC с упором на инструкции, ограничения и примеры.
📁Научиться эффективно использовать ИИ для написания писем и статей, изучения целевой аудитории, подготовки презентаций, создания контент-планов для социальных сетей, обработки и генерации изображений, видео и аудио можно на онлайн-курсе Центра непрерывного образования ФКН «Промпт-инженерия: нейросети для человека»: подробнее. | 980 |
| 20 |  MCP: единый протокол доступа языковых моделей к внешним системам
Языковая модель сама по себе способна лишь генерировать текст, а практическую ценность она приобретает тогда, когда получает доступ к базам данных, файловым хранилищам, корпоративным сервисам и внутренним программным интерфейсам. До конца 2024 года каждое такое подключение разрабатывалось индивидуально, под конкретную пару «приложение — источник».
Model Context Protocol устранил эту комбинаторику. Приложение однократно реализует клиентскую часть протокола, источник данных однократно оборачивается серверной, после чего любое приложение соединяется с любым источником без отдельной обвязки.
В протоколе выделены три роли:
🟣Хост, то есть приложение, в котором работает модель: чат-клиент, среда разработки, агентная система.
🟣Клиент, компонент внутри хоста, удерживающий соединение с одним конкретным сервером.
🟣Сервер, обертка над внешней системой, будь то хранилище, репозиторий или сторонний сервис.
Обмен сообщениями построен на JSON-RPC. Локальные серверы взаимодействуют с хостом через стандартные потоки ввода и вывода, удаленные работают поверх HTTP. Соединение начинается с рукопожатия, в ходе которого стороны согласуют версию протокола и перечень поддерживаемых возможностей.
Что именно предоставляет сервер
Спецификация различает три типа примитивов, и различие проходит по тому, кто инициирует обращение:
🟣Инструменты. Исполняемые действия: выполнить запрос, создать задачу, отправить сообщение. Решение о вызове принимает модель.
🟣Ресурсы. Данные, пригодные для чтения: файлы, записи, содержимое страниц. Обращение инициирует приложение.
🟣Промпты. Заготовленные шаблоны сценариев, которые запускает пользователь.
Разграничение имеет прикладной смысл: от того, кто инициирует обращение, зависит, какие проверки и права доступа применяются на каждом из каналов.
Статус стандарта
Спецификация опубликована Anthropic в ноябре 2024 года в открытом виде. В течение 2025 года протокол поддержали остальные крупные разработчики, включая OpenAI, Google и Microsoft, а в декабре 2025 года проект был передан в Agentic AI Foundation под управлением Linux Foundation.
Что учитывать при внедрении:
🟣Подключение модели к рабочим системам расширяет поверхность атаки. Описания инструментов и результаты их вызова попадают в контекст модели наравне с пользовательским запросом, поэтому содержимое внешнего источника способно повлиять на поведение системы.
🟣Отсюда набор практических требований: подтверждение человеком всех необратимых операций, выдача серверу минимально необходимых прав, контроль происхождения сервера перед подключением, отдельная схема авторизации для удаленных соединений.
🟣Протокол не повышает качество самой модели. Он стандартизирует канал, по которому модель получает данные и совершает действия, и делает эту часть системы воспроизводимой, переносимой и поддающейся аудиту.
Подробнее по теме:
1️⃣Исходный анонс протокола, Anthropic, ноябрь 2024. Публикация, с которой все началось: постановка задачи и первое описание архитектуры.
2️⃣Официальная спецификация и документация. Актуальная версия протокола, описание примитивов, транспортов и схемы авторизации.
3️⃣Hou X. и др. Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions, 2025. Первая систематическая работа по протоколу: архитектура, жизненный цикл сервера, таксономия угроз по фазам.
4️⃣Hasan M. M. и др. Model Context Protocol (MCP) at First Glance, 2025: эмпирический анализ 1899 открытых MCP-серверов: качество кода, уязвимости, сопровождаемость.
5️⃣Li X., Gao X. A First Look at the Security Issues in the Model Context Protocol Ecosystem, 2025. Исследование рисков на уровне реестров и хостов: как недостаточная проверка позволяет вредоносным серверам попадать в клиентские приложения. | 1 022 |
