Модель принимает два числа, но прогноз изменился после переноса в API. Проверим схему входа, порядок колонок и общий preprocessing.
Статьи
Случайный split строк может завысить качество на повторных наблюдениях. Разделим данные по клиентам и проверим отсутствие пересечений.
Повтор задачи не должен добавлять те же события второй раз. Проверим замену интервала в транзакции и подключение к Airflow DAG.
Заказов стало больше, средний чек снизился, выручка почти не изменилась. Разложим денежную разницу на два вклада и проверим точную сходимость.
Планировали деление 50/50, а получили 5400 и 4600 пользователей. Проверяем SRM на Python и ищем этап, на котором потерялась часть выборки.
Пользователь может оформить несколько заказов. Сохраним эту связь при bootstrap среднего чека и рассчитаем интервал разницы на стандартном Python.
Число уникальных заказов совпадает, а сумма выросла. Воспроизводим умножение строк двух таблиц деталей и исправляем расчёт предагрегацией.
Как отличить паузу внутри фразы от конца хода, настроить semantic VAD и проверить компромисс между перебиваниями и ожиданием.
Настроили Error Trigger, но уведомления нет? Соберём безопасный тест автоматического сбоя и проверим данные обработчика.
В пакетном запуске AI sub-node может вычислить выражение по первому item. Разберём проверку памяти и цикл с Batch Size 1.
JSON от модели может содержать owner_id или одобрение скидки. Ограничим поля инструмента и проверим отказ до записи в CRM.
Разделяем ошибки retrieval и reranker, считаем полноту кандидатов и финальной выдачи, проверяем ID и входные пары модели.
Размечаем взаимозаменяемые документы и обязательные сочетания, считаем покрытие и достаточность контекста без ложных ошибок по ID.
Считаем precision и recall для порога cosine, проверяем пустую выдачу и объясняем, когда score_threshold нужно подобрать заново.
Проверяем пересечение ANN и exact в Qdrant, учитываем короткую выдачу и фильтры, выбираем настройки HNSW по качеству и задержке.
HTTP 200 ещё не означает успех MCP tool. Разбираем два уровня ошибок, обработку CallToolResult и понятный ответ модели без автоматического повтора.
В ответ API попали промежуточные документы и служебные поля LangGraph. Задаём output_schema и проверяем состав результата graph.invoke.
Две параллельные ветки записывают результаты в одно поле LangGraph. Разбираем конфликт обновлений, reducer и проверку сохранности данных.
Command(goto=...) не отменяет add_edge. Воспроизводим лишнюю ветку LangGraph и проверяем взаимоисключающие маршруты перед подключением действий.
Разборы для тех, кто уже пишет код и хочет проверять изменения, предложенные агентом
