Словарь терминов по ИИ для бизнеса: RAG, AI-агент, LLM, промпт, токены, n8n

Коротко

Разговор про внедрение ИИ в бизнес быстро превращается в набор непонятных сокращений. Ниже — короткие определения главных терминов простыми словами, без маркетингового шума. Каждое определение — на 2–3 предложения, а где тема заслуживает отдельного разбора, есть ссылка на подробную статью.

LLM (большая языковая модель)

LLM — модель, обученная на огромном объёме текста, которая умеет понимать и генерировать связный текст: отвечать на вопросы, писать код, обобщать документы. GPT, Claude, Gemini, Llama, Qwen — это всё LLM. Модель не «знает» факты как база данных — она предсказывает наиболее вероятное продолжение текста, поэтому иногда ошибается и придумывает несуществующие факты (это называют «галлюцинациями»).

Промпт

Промпт — это текст-инструкция, которую вы отправляете модели: вопрос, задача, набор правил. От формулировки промпта сильно зависит качество ответа — расплывчатый промпт даёт расплывчатый результат. В бизнес-задачах промпты обычно не пишут вручную каждый раз, а закладывают в сценарий заранее (в чат-бота, агента или интеграцию).

Токены

Токен — единица, которой LLM измеряет текст: примерно 3–4 символа или часть слова для русского языка. Модели считают лимит контекста и стоимость запроса в токенах, а не в словах или символах. Если вы видите в описании модели «контекст 128K» — это значит, что модель одновременно может держать в «памяти» до 128 000 токенов текста.

RAG (Retrieval-Augmented Generation)

RAG — способ подключить LLM к вашим документам, чтобы она отвечала не по общим знаниям из интернета, а по регламентам, инструкциям и базе знаний компании. Система сначала находит релевантные фрагменты документов, а затем отдаёт их модели вместе с вопросом — так ответ строится на реальных фактах компании, а не на догадках модели. Подробно про архитектуру, подготовку документов и хранение данных — в статье RAG для бизнеса.

AI-агент

AI-агент — это LLM, которая не просто отвечает текстом, а совершает действия: создаёт задачу в таск-трекере, обновляет запись в CRM, отправляет письмо, публикует пост. В отличие от обычного чат-бота, агент работает по циклу «понял задачу → выбрал инструмент → выполнил → проверил результат» и может использовать несколько инструментов подряд для составной задачи. Про то, как собрать такие сценарии на практике, — в разделе внедрения ИИ и чат-ботов.

n8n

n8n — open-source платформа для визуальной автоматизации: сценарии собираются из блоков-нод без кода, каждый блок — это действие или условие (получить письмо, вызвать API, отправить в CRM, спросить модель). n8n часто используют как «клей» между LLM и остальными системами компании — CRM, почтой, таблицами, мессенджерами. Пример реального сценария на n8n — статья про автоматизацию контент-цикла, а сравнение с альтернативой — в статье n8n или Make.

Fine-tuning (дообучение) и few-shot

Fine-tuning — дополнительное обучение готовой модели на своих данных, чтобы она лучше справлялась с узкой задачей или говорила в нужном стиле. Это дороже и медленнее, чем RAG, и в большинстве бизнес-задач не нужно: RAG или несколько удачных примеров прямо в промпте (few-shot) решают задачу быстрее и дешевле. Дообучение оправдано, если нужно устойчиво менять поведение модели, а не просто дать ей знания.

Итог

• LLM — модель, которая понимает и генерирует текст.
• Промпт — инструкция для модели, токены — единица, в которой она измеряет текст.
• RAG — способ дать модели ответы по вашим документам, а не по общим знаниям.
• AI-агент — модель, которая не только отвечает, но и выполняет действия в других системах.
• n8n — конструктор, которым эти действия чаще всего и связывают.
• Fine-tuning нужен реже, чем кажется — RAG и few-shot закрывают большинство задач дешевле.

Вопросы и ответы

Чем RAG отличается от fine-tuning? RAG подключает модель к актуальным документам компании на лету, ничего не меняя в самой модели — это быстрее и дешевле. Fine-tuning меняет поведение модели через дополнительное обучение — это долгий и дорогой процесс, нужный реже, чем принято думать.

Чем AI-агент отличается от обычного чат-бота? Чат-бот отвечает текстом. AI-агент дополнительно выполняет действия в других системах — создаёт задачи, обновляет CRM, отправляет запросы через API — по цепочке шагов, а не одним ответом.

Зачем нужен n8n, если есть LLM? LLM сама по себе не подключена к вашим системам. n8n связывает модель с почтой, CRM, таблицами и мессенджерами, чтобы результат работы модели превращался в реальное действие, а не оставался текстом в чате.

Что такое контекст модели и почему это важно? Контекст — объём текста (в токенах), который модель может учитывать одновременно при ответе. Чем он больше, тем больше документов или истории переписки можно передать модели за один раз, но и стоимость запроса растёт вместе с объёмом.