In-Weight vs In-Tool Learning: почему модели лучше учить запрашивать факты, чем запоминать их

Обнаружено: после ~1000 примеров LLM резко переключается с тупого запоминания на понимание правила. Модель перестаёт зубрить пары вопрос-ответ и схватывает паттерн запроса к базе — начинает работать с данными которых вообще не видела. Метод позволяет работать с растущими базами (прайсы, справочники, каталоги) без файнтюна и потери способностей модели. Фишка: модель учит не конкретные факты, а навык их запрашивать через формат НАЙТИ {что} ДЛЯ {критерий}. Память вынесена наружу — модель помнит только логику доступа. Обучение в 3-5 раз быстрее, общие способности сохранены.