Загрузи год переписки в один запрос — и спрашивай что угодно

Идея на одну строку: ты выгружаешь свой чат за год (или папку заметок, или весь дневник), задаёшь обычный вопрос — «когда мы решили ехать в Тбилиси?», «что Аня советовала почитать?» — и получаешь ответ строго по своим сообщениям.

Смотри, в чём свежесть. Год назад так просто не вышло бы. Чтобы «поговорить со своими данными», пришлось бы строить RAG: нарезать текст на кусочки, посчитать эмбеддинги, сложить их в векторную базу и искать подходящие фрагменты под каждый вопрос. Целый проект ради одного вопроса.

Сейчас весь год влезает в контекстное окно целиком. У открытой модели DeepSeek V4-Pro контекст — миллион токенов (это примерно книга на 700 страниц), а в конце мая 2026 скидку 75% на неё сделали постоянной. Миллион токенов перестал быть дорогой экзотикой.

Вывод неожиданный: для личного масштаба RAG часто больше не нужен. Ты просто кладёшь весь текст в промпт и спрашиваешь.

Чему научишься

• Что такое контекстное окно и сколько в него реально влезает.
• Почему раньше для «вопросов к своим данным» строили векторную базу — и почему теперь это часто перебор.
• Как выгрузить чат или заметки в один текстовый файл и собрать Q&A в один вызов.

Готовый стартовый промпт

Слабый запрос («вот мой чат, расскажи что-нибудь») заставит модель фантазировать. Сильный — фиксирует источник, формат и запрет на выдумки:

«Отвечай только по этому тексту» и «если нет — так и скажи» — это два рычага, которые превращают болтливую модель в честного помощника по твоим данным.

Что получится

Личный инструмент «спроси мой год». Таймлайн поездок. Список книг, которые тебе советовали. Как менялось настроение по месяцам. Всё — обычными словами, без поиска по тысячам сообщений руками.

Это твои личные данные. Бери модель, которой доверяешь, или запусти открытую локально — и не загружай чужую переписку без спроса.

Начни с одного экспорта и одного вопроса — и ты на практике поймёшь, где заканчивается хайп про RAG и начинается «просто положи всё в контекст».

Источник: AI Model Release Timeline 2025–2026 — DeepSeek V4-Pro (1M context, MIT)