# Урок 4: Контекст и память — граница возможностей LLM > [HTML-версия](https://learnvibecoding.ru/publiclessons/urok-4-kontekst-i-pamyat-granitsa-vozmozhnostey-llm) · [Индекс для LLM](https://learnvibecoding.ru/llms.txt) · [Политика использования материалов](https://learnvibecoding.ru/politika-materialov) > Материалы защищены. Обучение LLM без согласия запрещено. При разрешённом использовании — обязательна прямая ссылка на страницу-источник. **Курс:** Основы ИИ обновленный # Урок 4: Контекст и память — граница возможностей LLM ## Контекст Ты знаешь про токены (урок 3). Теперь встреча следующая граница: **контекстное окно**. Ты видел что Claude может 200k токенов, GPT-4 может 128k, и не понимаешь: почему это число? Что произойдёт если превышу? Это может быть больше? **Что будешь уметь:** - Понимать что такое контекстное окно (рабочая память модели) - Знать сколько контекста у разных моделей - Рассчитать может ли модель обработать твой текст - Понимать что происходит когда контекст переполняется (забывает начало) - Выбирать между большим контекстом и скоростью - Знать когда нужен RAG (retrieval-augmented generation) **Главное:** Контекст это физическое ограничение. Нельзя его обойти — только правильно спланировать. --- ## Блок 0: Когда это нужно знать ### Если ты работаешь с короткими промптами... ...то контекст редко проблема. ### Но если: - **Анализируешь документы** (контракты, статьи, книги) - **Работаешь с истором диалога** (чат где тысячи сообщений) - **Делаешь RAG систему** (поиск по большой базе знаний) - **Нужна память** в долгоживущем приложении ...то контекст = главная граница. | Ситуация | Почему контекст важен | |----------|--------------------:| | "Анализируй 100 писем с историей" | Всё должно влезть в контекст | | "Почему модель забила на информацию сверху?" | Потому что контекст переполнен | | "Может ли обработать PDF на 500 страниц?" | Нужно считать токены и контекст | | "Почему Claude лучше для долгих разговоров?" | Она имеет 200k контекст vs GPT-4 128k | --- ## Блок 1: Что такое контекстное окно ### Аналогия: оперативная память (RAM) Контекстное окно это как **RAM в компьютере**, но для модели. ``` КОМПЬЮТЕР: RAM 16GB = можешь открыть 16GB файлов одновременно Больше файлов = компьютер зависает или забывает старые LLM: Контекстное окно 128k токенов = модель может видеть 128k токенов одновременно Больше текста = модель "забивает" на старое (обычно в порядке FIFO) ``` ### Что находится в контекстном окне? Всё что модель видит ДО того как она ответит: ``` Контекстное окно включает: 1. System prompt (инструкция к модели) = 500 токенов 2. История разговора (все предыдущие сообщения) = X токенов 3. Твой текущий промпт = Y токенов 4. Любой контекст который ты добавил (текст, код) = Z токенов ВСЕГО: 500 + X + Y + Z должно быть < контекстное окно модели ``` ![AI Working Memory: how context window functions as model's memory](https://nhvwqitwebmmswnjylop.supabase.co/storage/v1/object/public/Pictures%20for%20course/AI%20basics%20new%20course/06_AI_Working_Memory.png) ### Контекстные окна разных моделей (май 2026) | Модель | Контекст | Как много это? | Когда выпущена | |--------|----------|---------------|----------------| | **Claude 3.5 Sonnet** | 200,000 токенов | ~150,000 слов / 400 страниц | Q2 2024 | | **Claude 4 (новое)** | 400,000+ | ~300,000 слов / 800+ страниц | Q1 2026 | | **GPT-4 Turbo** | 128,000 | ~100,000 слов / 250 страниц | Q4 2023 (старая) | | **GPT-4o** | 128,000 | ~100,000 слов / 250 страниц | Q2 2024 | | **GPT-4o Extended** | 256,000 | ~200,000 слов / 500 страниц | Q4 2024 | | **Gemini 2.0 Flash** | 1,000,000 | ~750,000 слов / 2000 страниц | Q4 2024 | | **Gemini 2.0 Pro** | 2,000,000+ | ~1.5M слов / 4000 страниц | Q1 2026 | | **Llama 3.1 70B** | 128,000 | ~100,000 слов / 250 страниц | Q3 2024 | | **Llama 3.2** | 128,000+ | ~100,000+ слов | Q4 2024 | | **Mistral Large 2** | 128,000 | ~100,000 слов / 250 страниц | Q3 2024 | | **DeepSeek R1** | 128,000 | ~100,000 слов / 250 страниц | Q4 2024 | **⚠️ ВАЖНО (май 2026):** Эта таблица может быть **уже устаревшей** когда ты её читаешь! **Тренд (2023-2026):** ``` 2023: Максимум 32k контекста (редко) 2024: Норма 128k, лучшие 200k Q4 2024: Gemini выпустила 1M, Claude приближается к 400k Q1 2026 (сейчас): 200k-1M норма, 2M+ появляется Q3 2026: Ожидается 5M+ у лидеров (Anthropic, Google) ТО ЕСТЬ: Каждые 6 месяцев контекст растёт в 2-3 раза! ``` **Как всегда проверить актуальные размеры?** ``` 1. Официальные сайты: - Claude: https://anthropic.com - OpenAI: https://openai.com/api/pricing - Google: https://ai.google.dev 2. Документация API: - Каждый API в docs указывает текущий контекст 3. Реальный тест: - Отправь большой текст → узнаешь лимит ``` **Важный факт:** Контекст это НЕ то же самое что способность модели думать. --- ## Блок 2: Как контекст заполняется (пример) ### Пример: диалог в чате ``` Максимальный контекст Claude: 200,000 токенов НАЧАЛО РАЗГОВОРА: Доступно контекста: 200,000 --- Ты: "Привет, кто ты?" (10 токенов) Доступно: 199,990 Claude: "Я Claude..." (100 токенов) Доступно: 199,890 --- Ты: "Помоги с кодом Python" (8 токенов) Доступно: 199,882 Claude: "Вот пример кода..." (500 токенов) Доступно: 199,382 --- Ты: "Вот мой большой документ [1000 страниц]" (150,000 токенов!) Доступно: 49,382 Claude: "Проанализировал..." (1,000 токенов) Доступно: 48,382 --- Ты: "Ещё один документ [100 страниц]" (15,000 токенов) Доступно: 33,382 Claude: "Обработал..." (500 токенов) Доступно: 32,882 --- Ты: "Ещё документ [80 страниц]" (12,000 токенов) ПРОБЛЕМА! 12,000 > 32,882? ДА, хватит, но осталось мало. Доступно: 20,882 --- Ты: "И последний документ [100 страниц]" (15,000 токенов) ПРОБЛЕМА! 15,000 > 20,882? НЕТ, не хватит! ERROR: "Context length exceeded" ``` ### Кто забивает контекст? Не просто старые сообщения. ``` Контекст растёт из-за: 1. КАЖДОЕ твоё сообщение добавляется в контекст 2. КАЖДЫЙ ответ Claude добавляется в контекст 3. Длинные тексты которые копируешь в промпт 4. System prompt (начальная инструкция) занимает место Специальный совет: - Если пишешь коротко → контекст растёт медленно - Если копируешь большие тексты → контекст растёт быстро ``` --- ## Блок 3: Что происходит когда контекст переполняется? ### Вариант 1: Модель просто отказывает ``` ERROR: "context_length_exceeded" Claude: "Извините, текст слишком длинный для обработки" Нужно самому сократить текст или использовать другую модель. ``` ### Вариант 2: Модель забывает начало (FIFO) Некоторые модели не отказывают сразу, а просто игнорируют старое: ``` ДИАЛОГ: 1. Ты: "Помни что я инженер" ← давно, может забыться 2. Ты: "Мой опыт 10 лет" ← давно, может забыться 3. Ты: [копируешь 100-страничный документ] ← новое, точно в контексте 4. Ты: "Какого я опыта?" ← вопрос про опыт Claude забывает про опыт (пункты 1-2) потому что контекст переполнен! Ответ: "Я не вижу информацию о вашем опыте" НЕПРАВИЛЬНО! Информация была, но в начале разговора. ``` ### Вариант 3: Деградация качества Когда модель близко к лимиту контекста, качество падает: ``` КОНТЕКСТ ИСПОЛЬЗОВАНО: 80% → ответы нормальные 90% → ответы начинают быть менее точные 95%+ → ответы совсем неправильные или обрывистые ``` **Почему?** Потому что модель не может хорошо думать когда мало памяти. ### Вариант 4: Активное сжатие контекста (2026 - современное решение!) **НОВОЕ В 2026:** Современные модели (Claude 3.5, GPT-4o, Gemini) уже **сами сжимают контекст** в диалогах. Это НЕ потеря информации, а активное **переформулирование** старых сообщений. ``` ДИАЛОГ (20 сообщений, 100k токенов): Первые 15 сообщений (80k токенов) → модель сжимает до SUMMARY: "Пользователь обсуждал архитектуру базы данных, выбрал PostgreSQL, обсудил индексы. Главные решения: JSON-поля для гибкости, R-tree индексы для геопространства." Новый размер: 200 токенов (вместо 80k!) Последние 5 сообщений (20k токенов) → остаются как есть ИТОГО контекста: 200 + 20k = 20.2k (экономия 80%) ``` **Как это работает?** ``` CLAUDE (и другие в 2026): 1. Когда контекст близко к лимиту (~85-90%) 2. Модель автоматически сжимает старые сообщения 3. Использует свой механизм "внутреннего резюме" 4. Сохраняет все главные факты в компактной форме 5. Старые сообщения становятся 1-5% от исходного размера РЕЗУЛЬТАТ: - Ты продолжаешь разговор как обычно - Модель помнит контекст (не забывает) - Но экономит токены и деньги (4x-10x экономия) - Скорость не падает (сжатие работает в фоне) ``` **Какие модели это поддерживают (май 2026)?** | Модель | Сжатие контекста? | Как работает | |--------|-----------------|-------------| | **Claude 3.5 Sonnet** | ✅ Есть | Автоматическое, прозрачное | | **GPT-4o** | ✅ Есть (улучшено) | Встроенное, агрессивное сжатие | | **Gemini 2.0** | ✅ Есть | Динамическое сжатие | | **Llama 3.2** | ⚠️ Частичное | Нужно явно просить summary | | **Mistral Large** | ✅ Есть | Новое в 2026 версии | **Практическое значение для тебя:** ``` ДО (2023-2024): Долгий диалог → контекст переполняется → результат деградирует ТЕПЕРЬ (май 2026): Долгий диалог → модель сама сжимает → контекст эффективен → качество держится ЭТО ЗНАЧИТ: ✅ Можешь вести долгие беседы без деградации ✅ Стоимость не растёт линейно (сжатие экономит 4-10x) ✅ Качество держится хорошее (помнит контекст через резюме) ✅ Ты не должен сам управлять контекстом ``` **Но есть нюансы:** ``` ✅ ПЛЮСЫ сжатия контекста: - Автоматическое, не нужно ничего делать - Экономит РЕАЛЬНЫЕ деньги (80%+ экономия на старых сообщениях) - Прозрачно (ты не замечаешь) - Качество не падает (помнит главное через резюме) - Можешь вести диалоги в 1000+ сообщений ⚠️ МИНУСЫ/ОСОБЕННОСТИ: - Если очень специфичные старые детали нужны → могут потеряться - На диалогах 5000+ сообщений качество может медленно дрейфовать - Не все модели одинаково хорошо сжимают - Если сжатие произошло → ты не видишь исходный текст ``` **Как использовать это в своём приложении (май 2026)?** ``` РАНЬШЕ (2023-2024) нужно было самому: 1. Отслеживать размер контекста вручную 2. Вручную делать резюме старых сообщений 3. Прерывать разговор когда контекст переполнялся 4. Использовать RAG для долгих диалогов ТЕПЕРЬ (май 2026) можешь просто: 1. Отправлять сообщения (модель сама всё управляет) 2. Опционально: явно попросить summary если нужен контроль 3. Вести диалоги в тысячи сообщений без проблем ``` **ПРИМЕР КОДА (ничего особенного не нужно):** ```python response = client.messages.create( model="claude-3-5-sonnet-20241022", messages=[ # Все сообщения (100, 1000, даже 5000) # Модель автоматически сжимает старые ], # Не нужно ничего особого указывать # Сжатие работает на API уровне ) ``` **Сравнение подходов (май 2026):** | Подход | Когда использовать | Когда СТОП | |--------|-------------------|-----------| | **Автоматическое сжатие** (по умолчанию) | Обычные диалоги, chat, долгие беседы | Редко, это лучший вариант | | **RAG система** | Очень большие базы знаний (млн+ документов) | Когда нужен точный поиск, не просто память | | **Явное резюме** (ты просишь) | Критичные данные, нужен контроль, документирование | Медленнее, ручная работа | | **Новая большая модель** (Gemini 1M) | Редко, очень большие задачи | Дорого, обычно не нужна | --- ## Блок 4: Как рассчитать будет ли текст влезать? ### Шаг 1: Выбери модель и контекст ``` ЕСЛИ выбираешь Claude 3.5: Контекст: 200,000 токенов ЕСЛИ выбираешь GPT-4 Turbo: Контекст: 128,000 токенов ``` ### Шаг 2: Оставь место для ответа ``` Не используй весь контекст для input! ПРАВИЛО БОЛЬШОГО ПАЛЬЦА: Контекст input ≤ 70% от общего контекста Контекст output ≥ 30% от общего контекста ПРИМЕР: Claude (200k токенов): Input: 140,000 токенов максимум Output: 60,000 токенов максимум ``` ### Шаг 3: Считай сколько токенов займёт твой текст ``` ЕСЛИ анализируешь документ: Способ 1 (примерный): 100 русских слов = 150 токенов (примерно) Твой документ: 10,000 слов = 15,000 токенов Способ 2 (точный): Используй tokenizer или API count_tokens() ``` ### Шаг 4: Проверь будет ли влезать ``` ПРИМЕР: Claude (200k контекст) Input максимум: 140,000 токенов Твои данные: System prompt: 500 токенов История разговора: 5,000 токенов Твой документ: 80,000 токенов Твой вопрос: 1,000 токенов ИТОГО: 500 + 5,000 + 80,000 + 1,000 = 86,500 токенов ХВАТИТ ЛИ? 86,500 < 140,000? ДА! Есть место даже для больших документов. ``` ### Шаг 5: Что делать если не хватает? ВАРИАНТ 1: Использовать большую модель ``` Документ не влезает в GPT-4 (128k)? → Используй Claude (200k) или Gemini (1M) ``` ВАРИАНТ 2: Сократить документ ``` Нужен документ 50k токенов, но контекст только 30k? → Сначала сделать резюме → Потом анализировать резюме (5k токенов) ``` ВАРИАНТ 3: Использовать RAG ``` Документ слишком большой? → Разбить на куски → Для каждого куска запросить что нужно → Собрать результаты ``` --- ## Блок 5: RAG (Retrieval-Augmented Generation) — решение для больших баз знаний ### Проблема с большими базами знаний Представь что у тебя есть: - 10,000 документов - Каждый 50 страниц - Всего: 500,000 страниц Не можешь отправить всё в модель (не влезет). Нужен способ отправить только РЕЛЕВАНТНЫЕ документы. ### Как RAG работает? ``` ┌────────────────────────────────────────┐ │ БОЛЬШАЯ База знаний (500,000 страниц) │ │ - Контракты │ │ - Статьи │ │ - Документация │ └──────────────┬─────────────────────────┘ │ ↓ ┌────────────────────────────────────────┐ │ ПОИСК (семантический) │ │ Вопрос: "Какой срок оплаты?" │ │ Система ищет похожие фрагменты │ │ Находит топ-5 самых релевантных │ │ = примерно 25 страниц текста │ └──────────────┬─────────────────────────┘ │ ↓ ┌────────────────────────────────────────┐ │ ОТПРАВКА в LLM │ │ Input: │ │ - Твой вопрос (500 токенов) │ │ - 25 страниц релевантных (5k токе) │ │ = 5,500 токенов вместо 500k! │ │ │ │ LLM обрабатывает и отвечает │ │ Output: "Срок оплаты 30 дней" │ └────────────────────────────────────────┘ ``` ![RAG Synthesis Arc: Retrieval-Augmented Generation with knowledge base](https://nhvwqitwebmmswnjylop.supabase.co/storage/v1/object/public/Pictures%20for%20course/AI%20basics%20new%20course/27_Synthesis_Arc_RAG.png) ### RAG в практике **Стек RAG системы:** ``` 1. ИНДЕКСИРОВАНИЕ (один раз): - Возьми все документы (500,000 страниц) - Разбей на куски (500-1000 токенов каждый) - Конвертируй в векторы (embeddings) - Сохрани в базе (vector database: Pinecone, Weaviate) 2. ПОИСК (каждый запрос): - Ты спрашиваешь: "Какой срок оплаты?" - Система конвертирует вопрос в вектор - Ищет похожие векторы в базе - Возвращает топ-5-10 релевантных кусков 3. ГЕНЕРАЦИЯ (каждый запрос): - Отправляет релевантные куски + вопрос в LLM - LLM ответает на основе кусков - Ответ = точный и на основе твоих данных ``` ### Преимущества RAG ``` ❌ БЕЗ RAG: - Не можешь анализировать большие базы - Контекст переполняется - Дорого (нужна мощная модель с большим контекстом) ✅ С RAG: - Можешь работать с базами в миллионы документов - Экономишь контекст (только релевантные куски) - Дешевле (можешь использовать маленькую модель) - Точнее (ответ основан на реальных документах) ``` --- ## Блок 6: Практические советы по контексту ### Совет 1: Не копируй всю историю если не нужна ``` ПЛОХО: Диалог 100 сообщений = 50,000 токенов Вопрос: "Сколько я потратил?" (нужна только финансовая информация) Но копируешь всю историю = контекст растёт зря ХОРОШО: Финансовая информация = 2,000 токенов Вопрос: "Сколько я потратил?" Копируешь только релевантное = контекст в порядке ``` ### Совет 2: Используй summary для старых сообщений ``` СТАРЫЙ ДИАЛОГ (100 сообщений): Первые 50 сообщений → summary "Обсуждали дизайн, решили использовать Figma" Последние 50 сообщений → целиком (актуальные) Результат: 50k токенов → 5k токенов (10x дешевле) ``` ### Совет 3: Выбери правильную модель под задачу (май 2026) ``` ЕСЛИ анализируешь 10 страниц (~5k токенов): → Любая модель (даже Llama с 128k контекстом) → Цена: дешево, скорость: быстро ЕСЛИ анализируешь 100 страниц (~50k токенов): → Claude 3.5 (200k) или GPT-4o Extended (256k) → Цена: нормально, скорость: нормально ЕСЛИ анализируешь 500 страниц (~250k токенов): → Claude 4 (400k+) или Gemini 2.0 Flash (1M) → Цена: выше, скорость: медленнее (но всё влезает) ЕСЛИ анализируешь 2000+ страниц (~1M+ токенов): → Gemini 2.0 Pro (2M контекст) → ИЛИ RAG система (дешевле и быстрее) ЕСЛИ анализируешь 10,000+ страниц (5M+ токенов): → Обязательно RAG система (поиск по релевантным частям) → Прямая отправка всего слишком дорого и медленно ``` **НАПОМИНАНИЕ (май 2026):** ``` ⚠️ Контекстные окна РАСТУТ БЫСТРО! К тому времени когда ты прочитаешь этот урок: - Новые модели могут иметь контекст 2-5x больше - Цены могут измениться - Новые подходы могут появиться СОВЕТ: - Всегда проверь актуальные размеры на сайте API перед выбором - Тестируй на реальных данных (размеры в таблице примерные) - Используй Gemini или Claude для больших контекстов (они лидируют) ``` ### Совет 4: Streaming (получать ответ постепенно) Когда контекст близко к лимиту: ``` ВМЕСТО: Дождаться полный ответ → контекст мог переполниться ЛУЧШЕ: Streaming (получать токены по одному) → вероятность ошибки меньше ``` --- ## Блок 7: Контекст vs Скорость (компромисс) ### Больший контекст = медленнее ``` МОДЕЛЬ: Claude 3.5 Контекст = 10k токенов: Время ответа: 1 секунда Контекст = 100k токенов: Время ответа: 5-10 секунд Контекст = 200k токенов: Время ответа: 20+ секунд ``` **Почему?** Потому что модель должна обработать все токены через все слои нейросети. ### Выбор между контекстом и скоростью ``` ЕСЛИ нужна СКОРОСТЬ (real-time chat): → Используй маленький контекст (4-8k) → Не накапливай историю ЕСЛИ нужна ТОЧНОСТЬ (анализ документа): → Используй большой контекст (128k+) → Включи весь документ → Подожди 20+ секунд ЕСЛИ нужно БЕЗ КОМПРОМИССОВ: → Используй RAG (маленький контекст для каждого запроса) → И скорость, и точность ``` --- ## Блок 8: Заблуждения о контексте ### ❌ Заблуждение 1: "Большее контекстное окно = модель умнее" **На самом деле:** Большой контекст помогает работать с большими текстами, но не делает модель умнее. ``` GPT-4 с 128k контекстом против Claude 3.5 со 200k: - Claude может анализировать большие документы - Но на простых вопросах GPT-4 может быть точнее (т.к. умнее) Контекст это способность ПОМНИТЬ, не способность ДУМАТЬ. ``` ### ❌ Заблуждение 2: "Если контекст большой, то можешь забыть про RAG" **На самом деле:** Даже большой контекст имеет лимит. ``` Gemini 1.5 имеет 1M токенов контекста. Это звучит бесконечно. Но: - 1M токенов = ~750,000 слов - 750,000 слов = примерно 10 больших романов - Если база знаний больше → нужен RAG ``` ### ❌ Заблуждение 3: "Контекст считается и в input и в output" **На самом деле:** Контекст это всё что модель видит и генерирует. ``` Контекстное окно: = Input (твой промпт + история) + Output (ответ которую модель генерирует) Если контекст 200k и ты потратил 100k на input: Осталось максимум 100k для output. ``` --- ## Блок 9: Карта контекстного окна в системе ``` ┌──────────────────────────────────────────────────┐ │ КОНТЕКСТНОЕ ОКНО (память модели) │ │ Пример: Claude 3.5 = 200,000 токенов │ │ │ │ ┌────────────────────────────────────────────┐ │ │ │ INPUT (что модель видит): │ │ │ │ - System prompt: 500 токенов │ │ │ │ - История разговора: X токенов │ │ │ │ - Твой промпт: Y токенов │ │ │ │ - Контекст (документ): Z токенов │ │ │ │ ИТОГО INPUT: 500 + X + Y + Z = 150,000 макс │ │ │ └────────────────────────────────────────────┘ │ │ │ │ ┌────────────────────────────────────────────┐ │ │ │ OUTPUT (что модель генерирует): │ │ │ │ Осталось контекста: 200,000 - 150,000 │ │ │ │ = 50,000 токенов на ответ │ │ │ └────────────────────────────────────────────┘ │ └──────────────────────────────────────────────────┘ ВЫВОД: Каждый токен в INPUT уменьшает место для OUTPUT. ``` --- ## 🌉 Переход: от контекста к управлению поведением ✅ **Что мы знаем:** - Что такое контекстное окно (рабочая память) - Как контекст заполняется и переполняется - Как рассчитать будет ли текст влезать - Когда нужен RAG для больших баз - Trade-off между контекстом и скоростью ✅ **Что мы НЕ знаем:** - Как управлять ПОВЕДЕНИЕМ модели (детерминировано vs творчески) - Что такое температура и зачем нужна - Как параметры влияют на качество - Когда использовать высокую/низкую температуру **В следующем уроке (0.5)** разбираемся с ПАРАМЕТРАМИ ГЕНЕРАЦИИ: - Температура (0.0 - детерминировано, 2.0 - хаотично) - Top_p (nucleus sampling) - Top_k (выбор из N лучших) - Max_tokens (бюджет для ответа) - Как выбрать параметры для разной задачи **Почему это нужно:** Чтобы не просто получать ответы, а управлять КАКИМ будет ответ. --- ## ✅ Финальный чеклист - [ ] Понимаю что контекстное окно это рабочая память модели - [ ] Знаю контекст разных моделей (Claude 200k, GPT-4 128k, Gemini 1M) - [ ] Могу рассчитать будет ли мой текст влезать в контекст - [ ] Понимаю что происходит когда контекст переполняется - [ ] Знаю как использовать RAG для больших баз - [ ] Понимаю компромисс между контекстом и скоростью - [ ] Знаю как сохранить контекст (summary, убирать ненужное) - [ ] Могу объяснить почему большой контекст != умная модель - [ ] Знаю что контекст включает input AND output - [ ] Могу выбрать правильную модель под размер документа [Все уроки](https://learnvibecoding.ru/publiclessons.md) · HTML: https://learnvibecoding.ru/publiclessons