> For the complete documentation index, see [llms.txt](https://docs.cherryai.com.cn/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.cherryai.com.cn/docs/russian/question-contact/knowledge.md).

# Базовые знания об ИИ

Эта страница объясняет самые распространенные термины в Cherry Studio, помогая вам понять, нужно ли менять модель, менять промпт или добавлять инструменты.

<figure><img src="https://3765361039-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0Ut5BptC3t8CtSU1UWpM%2Fuploads%2F0ViuZ27Pm2UCLuL5Py8p%2Fclipboard.png?alt=media&amp;token=a9389ce5-80c6-49da-b5a4-60d5fe7024c4" alt="Agent、模型、知识库、技能、内置工具、MCP、API Key 和 Token 的关系图"><figcaption><p>Agent организует задачи, модель генерирует контент; база знаний, навыки и инструменты соответственно предоставляют материалы, методы и операционные возможности.</p></figcaption></figure>

## Сервисы моделей, модели и API Key

* Сервис модели: поставщик, облачная платформа или локальная среда выполнения, предоставляющие вызов модели;
* Модель: способность выполнять конкретные задачи, такие как работа с текстом, зрением, генерацией изображений, эмбеддингами или переранжированием;
* API-адрес: точка входа сервиса, куда Cherry Studio отправляет запросы;
* API Key: учетные данные, по которым поставщик распознает аккаунт и разрешает вызовы.

Один и тот же поставщик может предоставлять множество моделей. API Key позволяет подключиться к сервису, но не означает, что все модели уже доступны, и не означает, что тип интерфейса обязательно совместим.

## Токены и окно контекста

Токен — это базовая единица, которую модель использует при обработке текста, и он не равен китайскому иероглифу или слову. Входные данные, история сообщений, определения инструментов, содержимое базы знаний и вывод — всё это занимает контекст.

Окно контекста — это общий объем, который можно обработать за один запрос. При приближении к пределу Cherry Studio может сжимать более ранний контент; важные факты следует помещать в явный промпт, файл, базу знаний или память Agent, а не полагаться лишь на одну фразу, сказанную давно.

## Параметры сэмплирования

| Параметр    | Роль                              | Направление настройки                                                                              |
| ----------- | --------------------------------- | -------------------------------------------------------------------------------------------------- |
| Temperature | Управляет случайностью вывода     | Для фактических задач — ниже, для творческих — можно немного повысить                              |
| Top P       | Ограничивает круг кандидатов слов | Обычно с Temperature настраивают в основном только один из них                                     |
| Max Tokens  | Ограничивает длину одного вывода  | Слишком низкое значение приведет к обрезанию, слишком высокое не означает, что контент будет лучше |

У разных моделей поддержка параметров и их значения могут немного отличаться. Если нет конкретной задачи, сначала используйте значения по умолчанию продукта, а не применяйте из интернета «универсальные параметры».

## Embedding и Rerank

* Модель эмбеддингов: преобразует текст в векторы для поиска по сходству в базе знаний;
* Модель переранжирования: заново сортирует результаты первичного поиска, повышая позиции наиболее релевантного контента.

Они не отвечают за генерацию финального ответа. Если база знаний не дает результатов, сначала проверьте обработку документов и эмбеддинги; если результаты есть, но порядок неудовлетворителен, тогда подумайте о переранжировании.

## Ассистент и Agent

* Ассистент: ориентирован на непрерывный диалог, фиксированную роль и стиль вывода;
* Agent: ориентирован на выполнение цели, рабочий каталог, инструменты и многошаговые задачи.

Для простых вопросов и ответов ассистент более прямолинеен; используйте Agent, когда нужны файлы, терминал, подзадачи, каналы или запланированные задачи.

## Навыки, инструменты, MCP и база знаний

| Понятие     | Понимание в одном предложении                                           |
| ----------- | ----------------------------------------------------------------------- |
| Инструмент  | Одно действие, которое может выполнить Agent                            |
| навыки      | Подсказывает Agent, как работать по фиксированному методу               |
| MCP         | Подключает внешние инструменты и ресурсы к Agent                        |
| База знаний | Ограничивает материалы, доступные для поиска Agent или ассистенту       |
| Память      | Сохраняет устойчивые факты и опыт одного и того же Agent между задачами |

## Мультимодальные и графические модели

Мультимодальные модели могут понимать разные типы входных данных, такие как изображения и текст; графические модели специально генерируют изображения. Основная модель Agent отвечает за понимание ваших требований, а встроенный инструмент 【生成图片】 вызывает графическую модель, выбранную в 【设置】→【默认模型】.

{% hint style="info" %}
Умение видеть изображения, генерировать изображения и вызывать инструменты — это три разные способности. При выборе модели сначала определите, что требуется задаче, и не ориентируйтесь только на название модели.
{% endhint %}

<details>

<summary>Локальная модель обязательно более приватна?</summary>

Запуск модели локально может уменьшить отправку содержимого поставщику модели, но веб-поиск, MCP, каналы и другие внешние инструменты все равно могут передавать данные. Конфиденциальность зависит от всего рабочего процесса, а не только от места, где находится модель.

</details>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.cherryai.com.cn/docs/russian/question-contact/knowledge.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
