Elmer: Универсальный инструмент для работы с LLM через R

Ранее я уже рассказывал о пакете Elmer, который позволяет взаимодействовать с большими языковыми моделями (LLM) прямо из R. Сегодня мы углубимся в детали его функционала и возможностей, чтобы вы могли максимально эффективно использовать этот инструмент.


1. Что такое Elmer?
Elmer — это пакет из экосистемы tidyverse, созданный для удобного использования LLM API. Его основные преимущества:

● Мульти-провайдерная поддержка, на данный момент реализована поддержка:
● Anthropic’s Claude: chat_claude().
● AWS Bedrock: chat_bedrock().
● Azure OpenAI: chat_azure().
● Databricks: chat_databricks().
● GitHub model marketplace: chat_github().
● Google Gemini: chat_gemini().
● Groq: chat_groq().
● Ollama: chat_ollama()`.
● OpenAI: `chat_openai()`.
● perplexity.ai: `chat_perplexity()`.
● Snowflake Cortex: `chat_cortex()`.

Кстати, создатели `elmer` утверждают, что для генерации кода по их мнению лучше всего себя проявляет Anthropic’s Claude, т.е. Claude.ai, и я по этому поводу тоже уже своими наблюдениями делился.

● Гибкость в настройках промптов и диалогов.
● Извлечение структурированных данных из текста.
● Поддержка асинхронных вызовов для повышения производительности.

Эти функции делают Elmer мощным инструментом для анализа данных, автоматизации задач и разработки приложений.


2. Установка
Установите elmer с помощью:

pak::pak("tidyverse/elmer")

3. Управление диалогами
Чат-объекты в elmer сохраняют историю, что упрощает многозадачные сценарии:

chat <- chat_openai(model = "gpt-4o-mini")
chat$chat("Кто создал R?")
#> "R был создан Россом Ихакой и Робертом Джентлменом."

4. Программные возможности
elmer поддерживает несколько способов взаимодействия с LLM:

4.1. Интерактивный режим: Используйте R-консоль для живого общения:

live_console(chat)

4.2. Программный режим: Создайте сценарий, возвращающий результаты для дальнейшей обработки:

my_function <- function() {
    chat <- chat_openai(model = "gpt-4o-mini")
    chat$chat("Что такое функциональное программирование?")
}

4.3. Асинхронные вызовы: Используйте асинхронный API для ускорения обработки больших объемов данных.

5. Извлечение структурированных данных
elmer позволяет преобразовывать текст в удобный формат для анализа:

● Анализ отзывов клиентов.
● Извлечение рецептов и их структурирование.
● Геокодирование адресов.

Пример:

chat$chat("Выдели ключевые слова из текста")

6. Работа с токенами
elmer помогает отслеживать использование токенов для оптимизации затрат:

chat$chat("Кто создал R?")
chat
token_usage()

Один запрос к модели GPT-4o mini может стоить от $0.15 за миллион токенов, что делает использование API доступным для экспериментов.

7. Рекомендации по промптам
Правильный дизайн промптов — ключ к качественным ответам. Например:

● Укажите системные инструкции для кастомизации:

chat <- chat_openai(system_prompt = "Отвечай всегда кратко и на русском языке.")

● Используйте промпты для автоматизации, например, создания документации на основе README вашего пакета.

8. Кейсы использования
Elmer отлично подходит для:

● Создания чат-ботов для поддержки пользователей.
● Прототипирования инструментов: автоматизация анализа данных и отчетности.
● Кастомизации работы LLM под специфические задачи.

————————————
elmer открывает новые горизонты для работы с LLM в R. Это не только инструмент для экспериментов, но и мощное средство для интеграции ИИ в ваши проекты. Узнайте больше из официальной документации.

Пока что elmer по прежнему находится в активной стадии разработки, текущая версия 0.0.0.9000, но будем следить за этим процессом, и в ближайшее время буду ещё делиться информацией об этом проекте.

#новости_и_релизы_по_R

httr2 1.1.0

Команда Хэдли продолжает развивать httr2 — современный пакет для работы с веб-API в R, с момента его появления все новые пакеты я пишу именно на его основе.

В версии 1.1.0 появилось несколько значительных улучшений: поддержка потоковой передачи данных, новые инструменты для работы с URL, улучшенная интеграция с AWS и многое другое.

Разберем ключевые нововведения и примеры их использования.

————————————
1. Потоковая передача данных
Новая функция req_perform_connection() улучшает поддержку потоковой передачи ответов, что особенно полезно при работе с LLM и обработке больших объемов данных.

Пример создания запроса с потоковой передачей:

library(httr2)

req <- request(example_url()) |> req_template("/stream-bytes/:n", n = 10240)
resp <- req_perform_connection(req)
resp
#> <httr2_response>
#> GET http://127.0.0.1:49283/stream-bytes/10240
#> Status: 200 OK
#> Content-Type: application/octet-stream
#> Body: Streaming connection

Читаем данные частями:

while (!resp_stream_is_complete(resp)) {
  bytes <- resp_stream_raw(resp, kb = 2)
  cat("Downloaded ", length(bytes), " bytes\n", sep = "")
}
#> Downloaded 2048 bytes
#> Downloaded 2048 bytes
#> Downloaded 2048 bytes
#> Downloaded 2048 bytes
#> Downloaded 2048 bytes
#> Downloaded 0 bytes

Для обработки построчных данных (resp_stream_lines()) и событий сервера (resp_stream_sse()) добавлены отдельные функции.

2. Работа с URL
Появились удобные инструменты для манипуляции URL.

2.1. Изменение компонентов URL

url_modify("https://example.com", hostname = "github.com")
#> [1] "https://github.com/"

2.2. Изменение параметров запроса

url_modify_query("http://example.com?a=1&b=2", a = 10)
#> [1] "http://example.com/?b=2&a=10"

2.3. Работа с относительными URL

url_modify_relative("https://example.com/a/b/c.html", "/d/e/f.html")
#> [1] "https://example.com/d/e/f.html"

3. Поддержка AWS
Теперь httr2 позволяет легко подписывать запросы для AWS:

req <- request("https://s3.amazonaws.com/bucketname") |> 
  req_sign_aws(
    access_key = "your-access-key",
    secret_key = "your-secret-key",
    service = "s3",
    region = "us-east-1"
  )

Это упрощает работу с сервисами Amazon, такими как S3, DynamoDB, API Gateway и другими.

4. Дополнительные улучшения
● Кэширование: Оптимизирована система кэширования запросов.
● Обработка ошибок: Теперь сообщения об ошибках стали информативнее.
● Поддержка OAuth: Улучшена аутентификация через OAuth.


В основе поста лежит статья "httr2 1.1.0".

#новости_и_релизы_по_R

Рекурсивные операции в R: Магия функции accumulate()

accumulate() из пакета purrr - потрясающий инструмент для выполнения рекурсивных вычислений в R. Давайте рассмотрим три последовательных примера от простого к сложному.

1. Пример 1: Накопительная сумма

library(purrr)

# Простейший пример накопления суммы
numbers <- 1:5
result <- accumulate(numbers, `+`)
# Результат: [1]  1  3  6  10  15

Как это работает?:

● Начинает с первого элемента (1)
● Каждый следующий шаг - сумма предыдущего накопленного результата и текущего элемента
● 1 → (1+2=3) → (3+3=6) → (6+4=10) → (10+5=15)

Пример 2: Генерация последовательности Фибоначчи

fibonacci <- accumulate(1:10, function(acc, _) {
  c(acc[2], sum(acc))
}, .init = c(0, 1))

# Результат: последовательность Фибоначчи
# [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55]

Детали реализации:

● .init устанавливает начальное состояние
● На каждой итерации берем второй элемент и сумму
● Создаем классическую последовательность Фибоначчи

Пример 3: Сложная трансформация данных

library(dplyr)

# Имитация сложного бизнес-процесса
transactions <- list(
  list(amount = 100, tax_rate = 0.1),
  list(amount = 200, tax_rate = 0.15),
  list(amount = 150, tax_rate = 0.12)
)

total_calculation <- accumulate(transactions, function(acc, transaction) {
  list(
    total_amount = acc$total_amount + transaction$amount,
    total_tax = acc$total_tax + (transaction$amount * transaction$tax_rate),
    processed_count = acc$processed_count + 1
  )
}, .init = list(
  total_amount = 0, 
  total_tax = 0, 
  processed_count = 0
))

# Финальный результат в последнем элементе
final_result <- total_calculation[[length(total_calculation)]]

Сценарий:

● Накапливаем статистику по транзакциям
● Считаем общую сумму, налоги, количество обработанных записей
● Используем аккумуляцию для последовательной обработки

————————————
В пакете purrr помимо accumulate() есть множество других полезных функционалов, которые могут заменить вам циклы for, и сделать ваш код более читабельным и оптимизированным.

Тему циклов и функционалов я подробно рассматривал в бесплатном курсе "Циклы и функционалы в языке R", так что если есть желание погрузится в эту тему то велкам!

#заметки_по_R

Разбираем функцию exec() из пакета rlang

Друзья! Сегодня разберём функцию exec(). Если вы работаете с API, создаёте отчёты или автоматизируете рабочие процессы - этот инструмент значительно упростит вашу жизнь.

Что такое exec()?
exec() - это современная альтернатива базовой функции do.call(). Она позволяет динамически вызывать функции с аргументами, которые хранятся в списке или других структурах данных.

Базовый синтаксис:

exec(fn, !!!args)

Практические примеры использования

1. Работа с API

# Конфигурация для разных API endpoints
api_configs <- list(
  jira = list(
    base_url = "https://jira.company.com",
    auth = list(user = "user", token = "token"),
    project = "PROJ"
  ),
  gitlab = list(
    base_url = "https://gitlab.company.com",
    private_token = "token",
    project_id = 123
  )
)

# Функция для гибкого создания API запросов
create_api_request <- function(service, endpoint, ...) {
  base_params <- api_configs[[service]]
  extra_params <- list(...)
  
  exec(
    httr::GET,
    url = file.path(base_params$base_url, endpoint),
    !!!base_params,
    !!!extra_params
  )
}

# Использование
create_api_request("jira", "issues", query = list(status = "Open"))

2. Генерация отчётов

# Параметры для разных типов отчётов
report_params <- list(
  daily = list(
    period = "day",
    metrics = c("users", "revenue"),
    format = "xlsx",
    email_to = "team@company.com"
  ),
  weekly = list(
    period = "week",
    metrics = c("users", "revenue", "retention"),
    format = "pdf",
    email_to = c("manager@company.com", "ceo@company.com")
  )
)

generate_report <- function(report_type, additional_params = list()) {
  base_params <- report_params[[report_type]]
  
  # Комбинируем базовые параметры с дополнительными
  exec(
    create_report,
    !!!base_params,
    !!!additional_params,
    timestamp = Sys.time()
  )
}

# Использование
generate_report("daily", list(department = "sales"))

3. Обработка данных с динамическими параметрами

Советы
● Кэширование параметров

# Создаём кэш часто используемых параметров
cached_params <- memoise::memoise(function(report_type) {
  # Здесь может быть загрузка из базы данных или API
  report_params[[report_type]]
})

generate_cached_report <- function(report_type, ...) {
  params <- cached_params(report_type)
  exec(create_report, !!!params, ...)
}

● Валидация параметров

validate_and_exec <- function(fn, args) {
  required_args <- names(formals(fn))
  missing_args <- setdiff(required_args, names(args))
  
  if (length(missing_args) > 0) {
    stop("Missing required arguments: ", 
         paste(missing_args, collapse = ", "))
  }
  
  exec(fn, !!!args)
}

————————————
exec() - это не просто замена do.call(), а мощный инструмент для создания гибкого и поддерживаемого кода. Особенно полезен когда:

● Работаете с конфигурируемыми параметрами
● Создаёте wrapper-функции для API
● Автоматизируете генерацию отчётов
● Обрабатываете данные из разных источников

#заметки_по_R

Гибкий импорт в R 4.5 с помощью use()

Всем привет, давно я тут ничего не писал, надо понемногу исправляться.

11 апреля 2025 года вышла новая версия R — R 4.5.0 “How About a Twenty-Six”. Как обычно, разработчики завезли кучу полезных мелочей и парочку реально классных фич. Одна из самых интересных — это функция use(), которой давно в R не хватало.

Если ты когда-нибудь писал на Python, то помнишь, как там удобно можно импортировать только нужные функции:

from numpy import array
array([1, 2, 3])

В R же приходилось выбирать между:

dplyr::filter(penguins, bill_len > 40)

Или

library(dplyr)
filter(penguins, bill_len > 40)

Проблема второго способа в том, что разные пакеты могут переопределять друг друга. Яркий пример — filter() из dplyr и stats. Эту проблему можно было решить с помощью таких пакетов как conflicted, modules и import о чём я уже как то рассказывал тут. Так вот, в R 4.5.0 подвезли use() - аккуратный способ подключать только нужные функции из пакета:

use("dplyr", c("filter", "select"))

penguins |>
  filter(bill_len > 40) |>
  select(species:bill_dep)

А если попробовать вызвать что-то не из списка, например n_distinct(), то R честно скажет, что такой функции в текущем окружении нет.

#новости_и_релизы_по_R

Новый видеоурок: Использование LLM-моделей в языке R — на практике и бесплатно

В этом видео я показываю реальный кейс из своей работы, где мы встроили LLM-модели (на примере Gemini) в ежедневные процессы аналитики — всё с помощью языка R.
Весь показанный функционал реализован на 100% бесплатно, без покупки подписок или платных API.

На основе пакетов ellmer и shinychat я шаг за шагом объясняю, как создать умного чат-бота, обрабатывать текст, подключать сторонние API и даже дообучать модель под себя.

В этом видео вы узнаете:
● Как бесплатно получить API-ключ Gemini и подключить его к R.
● Как настраивать и использовать объект chat.
● Как с помощью LLM извлекать структурированные данные из текста.
● Как добавить в чат сторонние API как "инструменты".
● Как построить простой, но мощный графический интерфейс с shinychat.
● Как дообучить модель своими данными — для точных ответов под ваш контекст.

Тайм коды:
00:00 О чём это видео
01:05 Кейс практического внедрения AI в рабочие процессы
06:49 Введение в пакет ellmer
08:20 Как бесплатно сгенерировать API ключ для работы с Gemini API
09:05 Аргументы конструктора LLM чатов
11:07 Создаём объект chat
13:01 Методы объекта chat
14:30 Отправляем запрос в LLM
17:03 Извлечение структурированных данных из текста
24:15 Добавляем в чат инструменты, работа со сторонними API
28:17 Создаём графический интерфейс для нашего чата с помощью shinychat
31:02 Как дообучить модель своими данными
33:50 Заключение

Ссылки:
- Код продемонстрированный в видео

#видео_уроки_по_R

Опубликовал текстовую версию урока об использовании LLM моделей в R

Для тех кому текст лучше воспринимается опубликовал статью на основе урока "Использование LLM-моделей в языке R — на практике и бесплатно".

Содержание:
1. Как мы используем LLM в рабочих процессах
2. Генерация API ключа для работы с LLM
3. Работа с LLM в R
4. Как с помощью LLM извлекать структурированные данные из текста
5. Добавляем в чат инструменты
6. Создаём Shiny интерфейс для чата
7. Как дообучить модель своими данными
8. Заключение

#статьи_по_R

Новый видеоурок: Интеграция LLM моделей в Telegram-ботов на R

В этом видео я расскажу, как интегрировать искусственный интеллект в Telegram-бота, используя язык R и пакеты telegram.bot и ellmer.

В видео вы увидите:
● Как сгенерировать API-ключ для работы с LLM
● Как использовать пакет ellmer для общения с LLM моделями
● Как извлекать данные из текста и классифицировать сообщения
● Как интегрировать внешние API через LLM
● Как подключить LLM модель к вашему боту
● Как сохранить состояние чата между сессиями
● Как дообучить бота своими данными

Материал частично дублирует урок по ellmer + shiny, кто его видел можете начинать просмотр этого видео сразу с 18 минуты.

Тайм коды:
00:00 О чём это видео
00:46 Генерация API ключа
02:20 Введение в пакет ellmer
03:20 Создаём объект чата
06:44 Извлечение структурированных данных их текста с помощью LLM моделей
10:35 Классификация текста с помощью LLM моделей
13:53 Интеграция LLM моделей со сторонними API
18:33 Как интегрировать LLM модель в telegram бота
23:27 Как сохранять состояние чатов между разными сессиями бота
26:24 Как дообучить telegram бота своими данными
28:58 Заключение

Ссылки:
- Код продемонстрированный в видео

#видео_уроки_по_R

Добавил главу про интеграцию LLM моделей в telegram ботов в учебник "Разработка Telegram ботов на языке R"

Содержание главы:
1. Как мы используем LLM в рабочих процессах
2. Генерация API ключа
3. Работа с LLM в R
3.1. Создание чата и отправка запроса
3.2. Извлечение структурированных данных из текста
3.3. Добавление в чат инструментов
4. Интеграция LLM модели в бот
4.1. Дообучение бота на своих данных
5. Заключение


Если вдруг кто впервые об этом учебнике слышит, то ниже его полное содержание:

1. Создаём бота и отправляем с его помощью сообщения в telegram
2. Добавляем боту поддержку команд и фильтры сообщений, класс Updater
3. Как добавить боту поддержку клавиатуры
4. Построение последовательного, логического диалога с ботом
5. Интегрируем в бота искусственный интеллект
6. Управление правами пользователей бота
7. Повышаем стабильность работы бота
8. Добавляем боту асинхронность
9. Упаковываем бота в Docker контейнер
10. Разворачиваем бота в облачных сервисах

Т.е. по этому учебнику вы с нуля научитесь писать telegram ботов любой сложности, и разворачивать их в некоторых облачных платформах или на своём сервере.

#учебники_по_R

ellmer 0.2.0

3 предыдущие поста в канале так или иначе были связаны с пакетом ellmer, и вот 17 мая на CRAN вышла его новая версия. Разбираю всё по порядку:

Breaking changes
● Изменения в преобразовании JSON → R
Теперь входы в tool() всегда автоматически преобразуются в стандартные структуры R (list, data.frame и т.д.). Если нужно сохранить оригинальные объекты, можно явно отключить это поведение с convert = FALSE.

● NULL → NA
Функции типов (type_boolean(), type_integer() и т.д.) теперь преобразуют NULL в NA, что делает работу с необязательными параметрами более предсказуемой.

● chat_ функции теперь без turn
Аргумент turn удалён. Заменой служит Chat$set_turns(). Также Chat$tokens() переименован в Chat$get_tokens() и теперь возвращает корректно выровненные токены в виде data.frame.


Новые фичи
● Пакет теперь умеет в многопоточность и батчинг:
● batch_chat() и batch_chat_structured() — отправка батчей в OpenAI и Anthropic. Ответ может прийти в течение 24 часов, но стоит в 2 раза дешевле.
● parallel_chat() и parallel_chat_structured() — параллельные запросы, быстрее, но без экономии в цене.

Эти функции пока экспериментальные — возможно, интерфейс будет дорабатываться.

Работа с файлами:
● google_upload() — загрузка PDF, видео и других файлов для Gemini или Vertex AI.

Работа с моделями:
Теперь можно получить список доступных моделей у разных провайдеров:

● models_google_gemini()
● models_openai()
● models_anthropic()
● models_aws_bedrock()
● models_ollama()
● models_vllm()

Возвращается data.frame с id и ценой за токены.

Генерация промптов:
● interpolate() теперь векторизован: можно генерировать много промптов сразу.
● interpolate_package() — генерация из шаблонов внутри inst/prompts/.

Унифицированные параметры моделей:
● chat_anthropic(), chat_openai(), chat_gemini(), chat_azure() теперь принимают аргумент params, в который можно передать temperature, seed и пр. через params().

Учёт стоимости:
● Chat$get_cost(), tokens_usage(), и сам принт объекта Chat теперь показывают оценку стоимости (в токенах и долларах).

Поддержка новых провайдеров:
Добавлены клиенты для:
● Hugging Face:chat_huggingface()
● Mistral: chat_mistral()
● Portkey: chat_portkey() + models_portkey()

Переименования функций (с поддержкой старых имён):
● chat_azure() → chat_azure_openai()
● chat_bedrock() → chat_aws_bedrock()
● chat_gemini() → chat_google_gemini()

Также обновлены дефолтные модели:
● chat_anthropic() теперь использует Sonnet 3.7
● chat_openai() — GPT-4.1

Фичи для разработчиков:
● Chat$get_provider() — доступ к провайдеру.
● Chat$chat_async() и Chat$stream_async() поддерживают tool_mode = "sequential"/"concurrent" — влияет на последовательность вызова инструментов.
● Chat$stream() и stream_async() теперь могут стримить ContentToolRequest/Result.
● Поддержка хуков Chat$on_tool_request() и on_tool_result() — можно логировать или вмешиваться в обработку инструментов.

Работа с инструментами:
● tool() теперь поддерживает .annotations (через tool_annotations()), описывающие инструменты.
● tool_reject() — отказ от вызова инструмента с объяснением, почему.

Новое в ContentToolResult:
● Можно возвращать прямо из tool().
● Теперь есть extra, request, и error поля.


Мелкие улучшения и фиксы:
● Установлен кастомный User-Agent и увеличен timeout до 5 минут.
● chat_anthropic() теперь поддерживает content_image_url() и новый тип thinking.
● Новые способы аутентификации в Gemini и Vertex через GEMINI_API_KEY и Google ADC.
● chat_anthropic(max_tokens = ) теперь deprecated — используйте params =.


Сам пока не обновлялся, только увидел новость о релизе.

#новости_и_релизы_по_R

Анализ GitHub репозиториев с помощью AI

Попался на глаза ещё один интересный проект Хедли - GitAI. Это свежий инструмент в экосистеме R, предназначенный для извлечения знаний из Git-репозиториев с помощью больших языковых моделей (LLM).

GitAI — это R-пакет, который позволяет:
● Сканировать один или несколько Git-репозиториев (GitHub или GitLab).
● Извлекать содержимое определённых файлов, например, README.md.
● Обрабатывать это содержимое с помощью LLM, чтобы получить краткие описания или ответы на конкретные вопросы.
● Сохранять результаты в векторную базу данных для последующего семантического поиска или использования в Retrieval Augmented Generation (RAG) сценариях.

Пример использования
Вот пошаговый пример того, как использовать GitAI для анализа нескольких репозиториев:

Для работы кода необходимо указать через переменные среды API токены для работы с GitHub и Gemini (или другой LLM моделью).

Sys.setenv('GOOGLE_API_KEY' = 'ваш токен для GEMINI API')
Sys.setenv("GITHUB_PAT" = 'ваш персональный GITHUB токен')

library(GitAI)

# Устанавливаем таймаут и отключаем подробный вывод
options(ellmer_timeout_s = 120)
verbose_off()

# Инициализируем проект
my_project <- initialize_project("fascinating_project") |>
  set_github_repos(
    repos = c(
      "r-world-devs/GitStats", 
      "r-world-devs/GitAI", 
      "openpharma/DataFakeR"
    )
  ) |>
  add_files(files = "README.md") |>
  set_llm('gemini') |>
  set_prompt("Напиши краткое изложение проекта в одном предложении на основе предоставленных данных.")

# Обрабатываем репозитории
results <- process_repos(my_project)

# Выводим результаты
purrr::walk(results, function(result) {
  cat(stringr::str_wrap(result$text, width = 80), "\n\n")
})

Результат

Проект `GitStats` предоставляет унифицированный способ получения данных
из GitHub и GitLab, таких как организации, репозитории, коммиты, задачи,
пользователи, журналы выпусков, структура файлов, содержимое текстовых файлов и
использование R-пакетов, а также предоставляет базовую статистику по коммитам и
задачам. 

Проект GitAI предоставляет фреймворк на R для извлечения и анализа знаний
из Git-репозиториев с использованием ИИ и больших языковых моделей, чтобы
автоматизировать обзор и улучшить повторное использование кода и информации. 

DataFakeR - это R-пакет, предназначенный для генерации фейковых данных,
сохраняющих определенные характеристики оригинальных данных, с возможностью
настройки схемы данных через YAML-файлы и определения пользовательских методов
симуляции. 

Основные функции:
● initialize_project(name): Инициализирует новый проект GitAI.
● set_github_repos(repos): Устанавливает список GitHub-репозиториев для анализа.
● add_files(files): Указывает, какие файлы из репозиториев нужно анализировать.
● set_llm(...): Настраивает использование LLM для обработки содержимого.
● set_prompt(prompt): Устанавливает запрос, который будет передан модели.
● process_repos(project): Запускает процесс анализа репозиториев.
● set_database(...): Настраивает векторную базу данных для хранения результатов.
● find_records(...): Позволяет выполнять поиск по сохранённым результатам.

#заметки_по_R

rtiktokads: Пакет для работы с TikTok Marketing API

Написал небольшой пакет для работы с TikTok Marketing API, он покрывает далеко не все доступные возможности, но основная часть функционала по запросу данных из рекламных аккаунтов в TikTok доступна.

Установка:
pak::pak("selesnow/rtiktokads")

Авторизация:
● tik_set_username() - задать имя пользователя
● tik_auth() - авторизоваться в TikTok Bussines API

Запрос данных:
● tik_get_business_centers() - запросить список бизнес центров
● tik_get_advertiser_accounts() - запросить список рекламных аккаунтов
● tik_get_advertiser_info() - запросить информацию по рекламным аккаунтам
● tik_get_advertiser_balance() - запросить информацию о балансе рекламных аккаунтов
● tik_get_campaigns() - Запрос рекламных кампаний
● tik_get_ad_groups() - Запрос групп объявлений
● tik_get_ads() - Запрос объявлений

Отчёты:
● tik_get_report() - запрос отчётов из TikTok Marketing API


Пользуйтесь.

#новости_и_релизы_по_R

ellmer 0.3.0

Продолжаю следить за развитием ellmer. В новом релизе частично нарушена обратная совместимость — но только в части функционала, связанного с добавлением инструментов в чат. Ниже подробнее.

Что нового в версии 0.3.0

Унифицированный конструктор чатов
Раньше под каждого провайдера была своя функция-конструктор:

- chat_openai()
- chat_anthropic()
- chat_google_gemini()

Теперь используется единый конструктор chat(), в который можно сразу передать нужный провайдер или модель:

openai_chat <- chat("openai/gpt-4.1")
openai_chat$chat("Tell me a joke about an R programmer")

anthropic_chat <- chat("anthropic")
#> Using model = "claude-sonnet-4-20250514".
anthropic_chat$chat("Write an acrostic for tidyr")

Улучшенная спецификация инструментов
Хедли поработал над интерфейсом инициализации инструментов, добавляемых в модель.

Новый интефейс выглядит так:

get_weather <- tool(
  function(location, unit = "celsius") {
    # Function implementation here
    paste0("Weather in ", location, " is 22 ", unit)
  },
  name = "get_weather",
  description = "Get current weather for a location",
  arguments = list(
    location = type_string("The city and state, e.g. San Francisco, CA"),
    unit = type_enum(c("C", "F"), "Temperature unit: celsius/fahrenheit")
  )
)

Что изменилось:
1. Аргументы функций теперь передаются в виде списка в arguments;
2. У остальных аргументов убрали префикс в виде точки.

Что бы максимально легко перевести свой код определения инструментов модели с предыдущих версий используйте любую LLM, и следующий промпт:

Help the user convert an ellmer 0.2.0 and earlier tool definition into a
ellmer 0.3.0 tool definition. Here's what changed:

* All arguments, apart from the first, should be named, and the argument
  names no longer use `.` prefixes. The argument order should be function,
  name (as a string), description, then arguments, then anything

* Previously `arguments` was passed as `...`, so all type specifications
  should now be moved into a named list and passed to the `arguments`
  argument. It can be omitted if the function has no arguments.

# old
tool(
  add,
  "Add two numbers together"
  x = type_number(),
  y = type_number()
)

# new
tool(
  add,
  name = "add",
  description = "Add two numbers together",
  arguments = list(
    x = type_number(),
    y = type_number()
  )
)

Don't respond; just let the user provide function calls to convert.

И добавьте в него все tool() описанные в предыдущих версиях ellmer.

#новости_и_релизы_по_R

rappleads - Запрос данных из Apple Ads Campaign Management API

Опубликовал небольшой пакет для запроса данных и отчётов из рекламных кабинетов Apple Ads.

Установка:
Установить rappleads можно из CRAN или GitHub:

pak::pak("rappleads")
pak::pak("selesnow/rappleads")

Авторизация:
Тут придётся немного подзаморочится:

1. Получите приглашением с разрешениями API.
2. Сгенерируйте пару закрытый-открытый ключ.
3. Извлеките открытый ключ из сохраненного закрытого ключа.
4. Загрузите открытый ключ.
5. Создайте секрет клиента.
6. Запросите токен доступа.

но в README я всё подробно описал.

Запрос списка доступных аккаунтов:
● apl_get_me_details() - Id пользователя и основной организации
● apl_get_user_acl() - Получает роли и организации, к которым есть доступ.

Запрос объектов рекламных кабинетов:
● apl_get_campaigns() - Список рекламных кампаний
● apl_get_ad_groups() - Список групп объявллений
● apl_get_ads() - Список объявлений
● apl_get_creatives() - Список креативов

Запрос отчётов:
● apl_get_campaign_report() - Отчёт с группировкой по рекламным кампаниям
● apl_get_ad_group_report() - Отчёт с группировкой по группам объявлений
● apl_get_keyword_report() - Отчёт с группировкой по ключевым словам
● apl_get_search_term_report() - Отчёт с группировкой по поисковым условиям

Пользуйтесь!

#новости_и_релизы_по_R

Друзья, кто работает с Facebook Marketing API или Google Ads API через мои пакеты rfacebookstat и rgoogleads соответственно, рекомендую обновить пакеты т.к. они переведены на наиболее актуальные версии API.

rfacebookstat -> Facebook Marketing API v23.0
rgoogleads - > Google Ads API v21

#новости_и_релизы_по_R

Всем привет. Сегодня каналу исполняется 7 лет.

В последнее время я стал писать здесь заметно реже — где-то пропала мотивация. Наверное, сказалось то, что уже около трёх лет канал практически не растёт, а в этом году число подписчиков даже немного уменьшилось.

Тем не менее я не собираюсь его бросать. Посты будут появляться, просто не так часто, как раньше. Возможно, появятся новые идеи, и получится вернуть регулярность и интерес к публикациям.

Спасибо всем, кто остаётся здесь всё это время. Есть несколько планов — как минимум хочу записать пару новых видео.

Остаёмся на связи.

Обновление ellmer до версии 0.4.0

Вышла новая минорная версия пакета ellmer — 0.4.0. Если вы работаете с LLM прямо из R, это обновление стоит внимания.

Основные изменения и новые возможности:

1. Стабильность и жизненный цикл функций
● parallel_chat() и batch_chat() теперь стабильны — можно безопасно использовать в рабочих скриптах.
● Улучшена обработка ошибок: если один из запросов не удался, остальная часть процесса продолжает работу.
● Некоторые устаревшие функции удалены: Chat$extract_data(), Chat$extract_data_async(), chat_azure(), chat_bedrock(), chat_cortex(), chat_gemini(), chat_openai(seed) и другие.

2. Claude (Anthropic)
● Появился параметр кэширования cache (по умолчанию 5 минут), чтобы экономить токены.
● Работа с файлами: claude_file_upload(), claude_file_list(), claude_file_delete().
● Встроенные веб-инструменты: claude_tool_web_search(), claude_tool_web_fetch(). Модель может самостоятельно искать информацию и читать страницы.

3. OpenAI
● Используется современный API «responses».
● Аргумент service_tier позволяет выбирать между медленным/дешёвым и быстрым/дорогим вариантом.
● Для старых провайдеров есть chat_openai_compatible()

4. Инструменты и расширенные возможности
● tool() может возвращать изображения или PDF документы (см. content_image_file(), content_pdf())
● Новая функция schema_df() позволяет передавать модели структуру датафрейма (колонки, типы) без передачи всех данных.
● Новые аргументы в params(): reasoning_effort и reasoning_tokens — контроль «умственной нагрузки» модели.
● Безопасное хранение API ключей через credentials() вместо передачи напрямую.

5. Улучшения по управлению и отслеживанию
● batch_chat() и parallel_chat() теперь лучше управляют хешами запросов и обработкой ошибок.
● Улучшено отслеживание токенов и стоимости запросов.
● Методы печати (print) объектов Chat стали информативнее, полезно для логов и отчётов.

Более подробно о релизе можно узнать тут.

————————————
В общем много полезного Хедли с командой добавили, напомню, что у меня есть видео урок по работе с ellmer, если кто-то до сих пор не в курсе, что это за пакет.

#новости_и_релизы_по_R

Новый видеоурок: R и MCP серверы для работы с LLM

В этом уроке мы разбираем, как подключать большие языковые модели к вашим инструментам через MCP, и как использовать R как полноценный сервер и клиент для LLM. Проще говоря разберёмся с тем, как из вашего AI чата сделать полноценного AI ассистента, который умеет не только отвечать на вопросы, но и выполнять различные действия. В видео мы напишем MCP сервер для работы с Google Sheets API.

В видео вы увидите:
● Что такое MCP и чем он отличается от обычного function calling
● Как поднять MCP сервер прямо из R
● Как описывать инструменты для LLM и передавать их через MCP
● Как использовать R как MCP клиент и вызывать инструменты удалённо
● Как подключить собственный MCP сервер к Claude Desktop
● Как дать модели доступ к активным R-сессиям с помощью пакета btw
● Чем MCP удобнее прямого вызова функций и когда его стоит применять

Тайм коды:
00:00 О чём это видео
01:50 Что такое MCP сервер
03:10 R как MCP сервер
13:03 R как MCP клиент
20:24 Подключаем написанный ранее MCP сервер к Claude Desktop
23:10 Подключаемся через Claude Desktop к активным R сессиям (пакет btw)
27:09 Заключение

Ссылки:
- репозиторий со всеми материалами к уроку

#видео_уроки_по_R

Опубликовал текстовую версию урока по написанию своего MCP сервера на R

Кому привычнее воспринимать текст, опубликовал статью по материалам урока "Язык R как MCP сервер и MCP клиент". Так же в статье найдёте код MCP сервера для работы с Google Sheets API, и пример конфига для его подключения к ellmer и Claude Desktop.

Содержание:

1. Что такое MCP сервер
2. Язык R как MCP сервер (пишем сервер для работы с Google таблицами)
3. Язык R как MCP клиент
4. Заворачиваем AI ассистента в интерфейс чата
5. Подключаем MCP сервер к Claude Desktop
6. Заключение

————————————
Возможно в следующем году запишу ещё несколько видео по этой теме, и соберу небольшой курс по разработке AI инструментов на языке R.

#статьи_по_R

RAG: Подключаем AI чат к собственной базе знаний

В этом уроке мы разбираем RAG (Retrieval-Augmented Generation) — подход, который позволяет большим языковым моделям отвечать на вопросы, опираясь не только на свои внутренние знания и системный промпт, но и на вашу собственную базу данных и документы.

Если в предыдущих видео мы научились вызывать LLM из R, строить чат-интерфейсы и подключать инструменты, то здесь делаем следующий логичный шаг — подключаем модель к базе знаний.

В уроке мы последовательно пройдём весь RAG-пайплайн на примере пакета ragnar:

• разберём, что такое RAG и из каких этапов он состоит;
• подготовим документы и разобьём их на фрагменты;
• создадим эмбединги и запишем их в хранилище;
• посмотрим, как устроен векторный и текстовый (VSS и BM25) поиск по базе знаний;
• научимся проверять и отлаживать хранилище с помощью Ragnar Store Inspector;
• подключим языковую модель к базе знаний;
• соберём простой AI-чат с помощью пакета shinychat.

В итоге у вас будет чёткое понимание, как в R реализовать полноценный RAG-подход — от документов до работающего AI-ассистента, который отвечает на вопросы на основе ваших данных.

Тайм коды:
00:00 О чём это видео
01:54 Что такое RAG
06:02 Создание переменных среды для хранения API ключей
07:31 Подготовка документов
10:44 Разделение документа на фрагменты, эмбендинг и запись фрагментов в хранилище
22:24 Инструмент проверки хранилища Ragnar Store Inspector
24:05 VSS и BM25 поиск по хранилищу
31:13 Подключение LMM к базе знаний
35:08 Создаём интерфейс AI чата с помощью пакета shinychat
38:55 Резюмируем весь рассмотренный в видео материал
41:22 Заключение

Ссылки:
- Материалы к уроку

#видео_уроки_по_R