Когда у тебя уже есть команда автономных агентов, но тут выходит "революционный OpenClaw":
Читать полностью…
В дополнение к материалу об источниках знаний про память AI-агентов (сам материал – тут).
Вышел (ещё 5 февраля на самом деле) отличный материал про память AI-агентов. В котором рассмотрели широкий спектр вопросов, начиная от эволюции организации памяти агентов и заканчивая примерами, как в разных доменах применяется память AI-агентов и почему она там важна (см. медиа поста).
Отдельно рекомендую заглянуть в репозиторий, который они создали для статьи. Множество ссылок на другие материалы, разбитые по типу архитектуры (как структуры, так и поиска), схемы и таблица бенчмарков.
В общем, добротный сборник, который позволит лучше погрузиться в вопросы памяти AI-агентов.
А я пока буду разбирать новые для себя архитектуры на практике и рассказывать подробнее в следующих постах.
Пятница – отличный день, чтобы подогреть FOMO.
На моё, например, повлиял этот репозиторий. В нём собрали 224 статьи с Arxiv.org про AI-агентов, опубликованные с начала 2026-го года.
Это в среднем чуть больше 5 статей ежедневно, начиная с 1 января.
Есть и хорошая новость: они поделены на группы, каждая из которых почти полностью влезает в лимит бесплатных источников NotebookLM (50).
Контекст, конечно, будет размазан, но основные идеи из материалов можно вытащить. А потом детально разобрать только те, что пригодятся для практической реализации.
Тенденции, которые нам принесло распространение AI-агентов:
1. Приходишь на встречу с заказчиком, рассказывая о том, какой крутой проект для него сделаешь – принеси работающий интерактивный прототип. Потому что в Claude Code / Codex / Cursor собрать его, потратив 1-2 вечера, не слишком сложная задача.
2. Компании начали работать над тем, чтобы выращивать собственных AI-native специалистов, которые могут делать всё более сложные программные решения, не обращаясь за помощью к SaaS или аутсорсерам.
И это лишь вершина айсберга. Искусственный интеллект меняет компании и процессы внутри них.
Конференция ROИИ 2026, которую мы проводим 19-20 февраля, как раз про это. Какие подходы и стратегии по внедрению AI работают уже сейчас и сколько денег они приносят.
Мой доклад про начало пути AI-native специалиста в компании. Какие инструменты взять в обойму и на каких процессах сосредоточиться, чтобы показать реальный результат.
Темы докладов остальных спикеров можете посмотреть на сайте (открывайте с десктопа – он красивый 😊).
Попасть можно бесплатно при условии подписки на каналы спикеров.
Или платно – по цене Max-подписки на Claude.
Быстрая бесплатная регистрация – в боте.
Вместе с ChatGPT Pro наконец-то попробовал Pulse, который идёт в комплекте с подпиской.
Во-первых, это отличное решение с точки зрения продукта. Каждый день ChatGPT генерирует артефакты, которые адаптированы под конкретного пользователя.
Pulse – это индивидуальная лента с тем, что интересует конкретного пользователя. Обновляется лента каждый день. С любым материалом из ленты можно продолжить диалог и вынести его в стандартные ChatGPT-чаты, чтобы лучше развить тему.
Интересно, что темы для материалов тянут не только из самого чата, но и из тех проектов, которые создаёшь в Codex. То есть могут быть советы от AI, как реализовать ту или иную фичу в рамках вашего проекта.
Само собой, можно запросить у чата в следующих дайджестах сделать упор на какой-то наиболее интересной для вас теме. И он добавит это себе в задачи.
Из минусов:
1. Иногда создаётся ощущение, что AI создаёт индивидуальный информационный пузырь, практически не добавляя в него чего-то новое.
2. Некоторые темы бесед могут особенно "понравиться" LLM при работе с Pulse. И какой-то мельком заданный вопрос несколько недель назад будет преследовать вас в пульсе с 3-4 ежедневными материалами по теме..
3. Запрос к "куратору" как будто является побочной функцией. И влияет только на один материал в дайджесте. Поэтому, если интересующих тем несколько, можно получить лишь один материал-сводку без конкретики и глубины.
4. Порой в Pulse не хватает кнопки "ещё". Когда он в базе собрал 8-10 статей по ненужным чатам, а ожидаемые темы раскрыл по остаточному принципу.
5. Цена. Выкладывать $200/месяц исключительно за Pulse точно не стоит. Нужно искать альтернативные причины для таких расходов.
К слову, сбор утреннего дайджеста по интересующим пользователя темам – это отличная задачка для так хайпующего последнее время Openclaw.
Когда информация становится доступной рынку – все "правильные пацаны" на ней уже заработали.
5 февраля на Arxiv опубликовали очень интересную статью с кейсом использования темпоральных графов.
Исследователи из Национального университета Тайваня воспользовались географической удалённостью и решили проверить, связаны ли инвестиционные решения американских политиков на фондовом рынке связаны с их политической деятельностью.
Спойлер: Связаны. Да ещё как.
Для проверки они создали темпоральный граф по собственной методологии GAP-TGN, в котором узлами являются члены Конгресса США и компании, а связи между ними появляются в результате, например, покупки акций членом Конгресса или голосование за конкретный законопроект.
За счёт применения темпорального графа, исследователи смогли изучить изменение связей во времени, а также выявить неочевидные зависимости между действиями законодателей и ростом акций некоторых компаний.
Они проанализировали 32401 сделку конгрессменов на фондовом рынке и сопоставили с 1,6 млн отчётов о лоббировании, а также 26 млн результатов голосований.
Наиболее интересные для меня наблюдения:
1. Члены комитетов по обороне предпочитали торговать акциями оборонных подрядчиков в периоды геополитической напряжённости.
2. Политики на руководящих должностях демонстрируют аномальную доходность по своим акциям в размере 47% годовых (примерно x10 от доходности, которая считается "нормальной" для долларовых финансовых инструментов). Рядовые политики при этом такой аномалии не подвержены.
3. За счёт положения политика в графе и знаний о его сделках (все сделки публикуются в США ежегодно) система позволяет предсказывать прибыльные сделки на горизонте двух лет. То есть если конкретный политик вложился в акции определённой компании (или даже сектора экономики), то это достаточно достоверный сигнал для того, чтобы заходить в сделку.
Статья очень интересная. Особенно часть про принципы построения и обновления темпорального графа в модели GAP-TGN.
Kling 3.0. Релиз Шрёдингера.
Вроде как выпустили, но у меня на официальном сайте пока что всё по-прежнему. Даже в Ultra-тарифах не показывает, что доступен.
Зато уже раскатили на fal.ai. Правда, с ограничением: одновременно генерироваться может только одно видео.
Обновили как модель для генерации видео (V3), так и их "Nano Banana для видео", которая позволяет делать генерации из изображений или других видео (O3). Сегодня по больше части посмотрим V3.
Из интересного, что завезли:
1. Промпты для разных частей видео. Так называемый multi-shot-режим. То, что раньше мы пытались привести на veo3, когда закидывали в него JSON-промпты, разбитые на сцены.
2. Длительность до 15 секунд. Как говорится, "ну наконец-то!". Могли бы и побольше расширить, если честно.
3. Аудио сделали нативным и вытащили из вакуума. Звучит более натурально и генерируется сразу вместе с видео.
4. Крутая фишка с Voice ID. Когда можно склонировать голос (не выходя с fal.ai), а потом заставить говорить человека в Kling-генерации именно этим голосом.
5. И целая пачка уже привычных "Быстрее, выше, сильнее!" в плане качества, которые звучат здорово, но численному измерению не подлежат.
Из минусов:
1. Среди добавленных языков всё ещё нет русского. Основные конкуренты (Sora2 и Veo3.1) умеют в русский язык.
2. Не умеет генерировать текст внутри видео. Даже на тех языках, которые поддерживает.
3. Пока что генерация на fal.ai достаточно долгая (5-10 минут). Надеюсь, когда Kling раскатят модель у себя, работать начнёт быстрее.
4. В динамических сценах может плыть (см. видео поста). Надеюсь, что это фиксится при помощи промптов.
Больше всего нравится история с Voice ID. Это то, что позволит делать консистентные длинные видео не только с внешностью одного и того же персонажа, но и с сохранением его голоса.
Что думаете о релизе Kling3?
Готовим сейчас мощную бизнесовую конфу по AI
Концепт простой: будем показывать и рассказывать про то, что реально работает в индустрии, на что обратить внимание, а что пропустить, где выше ROI, а где можно получить нефинансовую выгоду. Будем разбирать архитектуру, юнит-экономику и P&L, без историй про то, как кто-то написал промпты и стал х10 продуктивен.
Подробный анонс в канал сделаю уже скоро. Сейчас оформляем окончательный лайнап и ведем подготовку ивента, уже собрали много крутых спикеров (бывшие топы и фаундеры работающие в индустрии годами). Но есть еще несколько вакантных мест.
Поэтому хочу спросить у вас: Кого из авторов Telegram-каналов про AI вы читаете и хотели бы услышать что-то про внутреннюю кухню, фреймворки, кейсы и лайвхаки? Интересуют именно практики с реальным опытом.
Кидайте ссылки на каналы или юзернеймы в комменты к этому посту. Наиболее интересных авторов постараемся затащить.
🚀 Влад Корнышев про AI и создание AI-продуктов
Продолжение мини-эпопеи про данные из спортивных приложений и работу с ними.
В комментариях было несколько вопросов про данные с устройств Garmin. Мне и самому надо, так как я свои Fenix7 Pro ношу с августа 2023-го, снимая только на зарядку.
Есть два способа, как официально получить данные с устройств Garmin в "сыром" виде:
1. Официальный API Garmin. Доступен только верифицированным компаниям-разработчикам. Подозреваю, что проверки там не слишком суровые, но "с улицы и быстро", как Strava, даже свои данные через API получить не удастся. Если кто-то пробовал заполучить доступ к Garmin API в роли компании – поделитесь опытом в комментариях.
2. Запрос на экспорт всех данных пользователя. Подать можно здесь. Отправляешь запрос и через "в среднем 48 часов" получаешь архив со всеми своими данными на почту (см. медиа поста).
Мой запрос обработали быстрее, чем за 12 часов. На почту пришёл архив на 116Мб, содержащий все мои данные в Garmin на момент нажатия кнопки "Request data export".
Внутри архива 38 папок с данными. Часть папок – пустые, так как этот тип данных я не записывал.
Чтобы узнать, что там внутри, натравил на папку Opus4.5 через CC CLI. В общем, всё полезное лежит внутри папки DI_CONNECT. А именно – все данные о тренировках, здоровье и активностях.
В одном из следующих постов продолжим работу с данными, приступим к их визуализации и натравим на них AI-агента не только с целью описания содержимого. С Garmin это очень интересно, так как часы пишут куда больше данных, чем просто тренировки из Strava.
Мои сегодняшние претензии к Claude Code CLI в одном скриншоте (версия с цензурой):
Читать полностью…
В сентябре 2025-го я писал про использование Zapier в качестве MCP-сервера для доступа к данным из Strava. Вот этот пост.
Сегодня захотел проанализировать свои тренировки за прошедший год. Вытащить данные и закономерности по различным типам тренировок.
И мне не хватило 100 запросов, которые бесплатно даёт Zapier, чтобы спарсить всё необходимое.
Так появился Agent Skill strava-api, который позволяет работать с API без MCP-прослойки.
После запуска Skill самостоятельно проведёт вас по этапам:
1. Завести приложение на странице https://www.strava.com/settings/api.
2. Получить там данные для доступа по API.
3. Переслать данные в скрипт, чтобы он мог активировать эти ключи для дальнейшей работы.
4. Готово. Скилл готов к полноценной работе.
В сутки Strava даёт до 1000 запросов. Которых с лихвой хватит для того, чтобы собрать необходимые данные для себя. Есть ещё 15-минутные лимиты, но всегда можно оставить Claude Code агента выкачивать всё необходимое автономно.
Вообще, эти накопленные лично обо мне данные – очень интересная штука. Как их использовать в связке с AI – расскажу на примерах в следующих постах.
Кстати, подписывайтесь на меня в Strava, если вы там есть 💪
На просторах интернета наткнулся на трейлер фильма "Властелины вселенной", который выйдет в 2026 году.
Это тот мультфильм, из которого мем про "Скелетор вернётся с ещё одним неприятным фактом".
Большая часть трейлера – это короткие отрывки (менее 8 секунд, ага), перемежающиеся затемнениями экрана.
Всё вместе это очень похоже на AI-generated-видео. Настолько похоже, что я первым делом пошёл проверять, а существует ли этот фильм на самом деле. Или просто какой-то любитель нейросетей решил сделать AI-трейлер.
Фильм существует и это правда его трейлер.
В целом, ничего плохого в использовании AI в качестве инструмента при кинопроизводстве (да и в целом) я не вижу. Как считаете, есть ли там на самом деле AI-генерации или это просто некачественная графика?
Заодно перевёл мем под стилистику фильма. Интересно, воспользуются ли создатели тем, что некоторые кадры из мультфильма ушли в народ?
Мини-бонусы в комментариях:
1. Заготовки под мемы по "Властелинам вселенной" в стилистике фильма.
2. AI-generated-изображение из 5-го сезона "Очень странных дел" (которое нашёл внимательный Сергей).
В работе с AI-агентами нужен максимальный контроль.
Вместе с этим, желательно, стремиться к тому, чтобы сеанс работы с Coding AI-агентами проходил максимально-автономно. И без вреда для качества.
Kanban-ориентированные AI-workflow дают только автономность. Возможностей для добавления не зависимого от человека контроля там очень мало.
Vibe Kanban, про который рассказывал вчера, даёт возможность как создать на старте все задачи и загрузить их из Claude Code CLI, так и проверить качество полученного по задаче кода. Вручную.
Однако у него явно не достаёт автоматических проверок в процессе. Особенно тех, что связаны с качеством кода.
Хотя режим тестирования фронтенда во встроенном браузере неплох.
В результате, kanban-workflow в vibe-режиме похож на ситуацию:
1. Раскидали по игральному kanban-столу задачки.
2. Заставили их выполняться.
3. Ждём, что из них выпадет джек-пот (готовое приложение).
Следующие на очереди – системы, в которых следование архитектуре поставлено во главу угла. Интересно, какие плюсы и минусы будут у них.
Если что-то из таких знаете и пробовали – закиньте в комментарии 😊
У LLM есть известная особенность – они плохо умеют в пространственное мышление.
То есть они могут детально описать пространство, но с предсказанием взаимодействия объектов между собой часто возникают проблемы.
Также отсутствует понимание запахов, текстур и всего того, что не так-то просто описать текстом.
Всё это связано с тем, что для обучения моделей используются данные, доступные в интернете (и в цифровом виде в принципе). То есть это текст + медиа файлы. Практически нет информации о внешнем физическом мире.
Вспомнил я об этом, когда попробовал чуть отпустить "вожжи" при разработке архитектуры нового проекта. После чего AI-агент ушёл в весьма далёкие от действительности размышления о структуре проекта.
Про интересные идеи и их реализацию.
Наткнулся на репозиторий Auto Claude.
Автор постарался объединить все существующие концепции, позволяющие работать с Claude Code не только эффективно, но и с максимальным уровнем автономии.
Здесь есть:
1. Параллельная работа нескольких агентов в разных терминалах.
2. Реализация новых фич в отдельных Git Worktrees.
3. Kanban с удобным управлением задачами и их статусами.
4. Формирование Roadmap проекта.
5. Гибкое управление контекстом между AI-агентами, основанное на файлах.
6. Постоянная память по проекту, которая основана на Graphiti.
7. AI-генерируемый changelog.
8. AI-merge Pull Requests.
9. Исследование текущей кодовой базы при помощи чата с AI-агентом.
10. Команда из 19 AI-агентов, каждый из которых выполняет в проекте свою роль.
Список не полный. Есть множество проработанных мелочей, которые делают из Auto Claude прекрасный инструмент для автономной разработки. Да что уж там. Он почти идеален!
Единственное но. Он не работает.
Если быть точнее – не работает текущая prod-версия 2.7.4. Она не может авторизоваться в Anthropic, поэтому и магия не происходит. Есть даже issue в github по этому поводу.
К счастью, над репозиторием ведётся постоянная работа. И текущая (пред-релизная) версия репозитория из github может быть собрана самостоятельно и установлена в систему.
Краткая инструкция по тому, как это сделать:
1. Клонирование
git clone https://github.com/AndyMik90/Auto-Claude.git
cd Auto-Claude
2. Установка зависимостей
npm run install:all
3. Сборка под платформу
macOS:
npm run package:mac
Windows:
npm run package:win
Linux:
npm run package:linux
4. Результат
Готовые файлы появятся в apps/frontend/dist/:
- macOS: .dmg, .zip
- Windows: .exe
- Linux: .AppImage, .deb
/login.
Читать полностью…
Похоже, что началась череда интересных релизов от Qwen.
Вышел Qwen3.5-397B-A17B. Модель с нативной мультимодальностью. Обрабатывает не только текстовые сценарии , но и видео с изображениями может сгенерировать.
Качество у таких видео, конечно, не ахти, но создаёт сразу со звуком (и даже речью!). Ещё и текст на видео размещает стабильнее, чем Kling2.6 😊 В русский язык пытается, испытывая, некоторые проблемы с буквой Ы.
По большинству бенчмарков, конечно же, Qwen3.5 на уровне с другими SOTA-моделями. Как на самом деле – посмотрим на реальных задачах. И в on-prem, когда выйдут младшие модели.
Протестировать Qwen3.5 можно на официальном сайте, а также по API через openrouter.
К сожалению, лимиты у Qwen3.5 достаточно жёсткие и много видео за раз сгенерировать не удастся. Я сделал 3 штуки и меня отправили гулять на 3 часа.
"Быстро. Дёшево. Бесполезно" – немного про опыт использования GPT-5.3-Codex-Spark в задачах разработки.
Есть такой прекрасный сервис – Cerebras. Упоминал их в этом материале.
Компания делает чипы, оптимизированные под работу с LLM. Создают их таким образом, что некоторые (не самые большие) модели вмещаются целиком на один чип и, благодаря этому, выдают впечатляющую скорость инференса.
В результате партнёрской сделки между OpenAI и Cerebras, про которую стало известно 14 января, появилась та самая GPT-5.3-Codex-Spark.
Фактически, это урезанная GPT-5.3-Codex. Урезанная ровно настолько, чтобы поместиться на чип Cerebras и получить преимущество по скорости.
Скорость действительно поражает. Но на этом всё.
Чтобы с данной моделью получить приемлемый результат, я вижу две стратегии:
1. Микро-правки, где после каждого небольшого шага LLM, пользователь проводит детальное ревью и направляет AI-агента в новую микро-задачу.
2. Отправить модель по строгому максимально-детерменированному пайплайну, в котором Spark просто не сможет себе позволить вольности.
Первая стратегия – это то, от чего мы начали уходить ещё год назад. Когда появился Claude Code и AI-coding-агентам стали давать больше свободы (хорошо, когда с детерменированными проверками за счёт хуков).
А вторая... Если честно, в таком пайплайне лучше подойдёт более сообразительная GPT-5.3-Codex. Она, конечно, чуть медленнее, но разница не так велика, как со вдумчивой GPT-5.2 High, например. А GPT-5.3-Codex сможет обеспечить куда меньшее количество правок на ровном месте.
Для первого опыта в рамках партнёрства с Cerebras, результат – нормальный. На мой пайплайн разработки не повлияет (буду продолжать использовать другие модели), но следующая версия Spark, возможно, станет более понятной и предсказуемой. И сохранит при этом впечатляющую скорость.
Небольшое дополнение к этому посту.
Пост про то, как "Codex CLI" прекрасно работает с контекстом.
Я был уверен, что "плавная" работа с контекстом, без саммаризации, – особенность приложения в целом.
А потом я попробовал GPT-5.3-Codex. И каково же было моё удивление, когда он сперва дождался заполнения контекста на 100%, а потом вызвал ту самую, так знакомую по Claude Code, саммаризацию контекста...
Надо, однако, отдать должное! Саммаризация у Codex CLI с GPT-5.3-Codex (и ещё три раза слово "Codex", каждое из которых означает что-то своё) совсем не похожа на ту лоботомию, через которую проходил Opus 4.5.
В комментариях спрашивали – откуда брать информацию об использовании темпоральных графов в качестве памяти для AI-агентов?
Как вы понимаете, книг по этой теме ещё не написано. По крайней мере, я не встречал.
В связи с этим остаётся два типа источников:
1. Теоретические. Это, в первую очередь, статьи на http://arxiv.org/. Или статьи с практическим применением, например, на Medium. Для меня arxiv даёт куда больше полезного.
2. Практические. То есть код на github. Репозитории, которые показывают на практике реализацию теоретических выкладок.
На пересечении источников удаётся (не всегда) получить то, что достойно пристального внимания. Это проекты, которые имеют под собой теоретическую базу на arxiv, практическую реализацию на github и регулярные обновления. Потому что, если теоретический фреймворк обновился один раз в процессе init-коммита, это означает, что сообщество идеи не поддержало. И строить память на базе DyG-RAG или HippoRAG – утопия. Так как проекты не развиваются.
Само собой, помимо фреймворков есть и статьи, которые дополняют текущие решения. Или, как в случае с анализом финансовых рынков, позволяют взглянуть на некоторые проблемы под другим углом.
Мой пайплайн работы с информацией по темпоральным графам (да и по другим направлениям) выглядит примерно так:
1. Раз в неделю с помощью ChatGPT ищу то, что было опубликовано за последнюю неделю по теме "темпоральные графы в качестве памяти для AI-агентов".
2. Отбираю те материалы (по заголовку и введению), которые бьются с тем, чем я занимаюсь в конкретный момент (стараюсь как можно скорее применить в работе).
3. Изучаю материал глубже. Как правило, прохожусь с вопросами к документу через NotebookLM. Выделяя из статьи то, что мне требуется в практическом плане.
4. Если есть github, то разворачиваю решение и проверяю в связке с AI-агентами.
5. Далее, если система выглядит жизнеспособной, забираю её к себе в арсенал.
Пока что, из фреймворков с кодом, прошли отбор только Graphiti и Hindsight. Материалы про них можете найти через поиск по каналу.
Если у вас есть что-то интересное по теме – делитесь в комментариях 😊
Codex CLI поражает тем, как он работает с контекстом.
На протяжении длительных сессий не случается такго, что он начинает тупить или забывать важные аспекты нашего взаимодействия.
Иногда, конечно, догружает информацию из файлов, чтобы обновить актуальность.
Но сделать архитектуру достаточно большого проекта, не меняя окно чата – вполне себе посильная для Codex CLI задача. И не приходится задумываться о том, когда там у него контекст кончится.
Особенно заметно это в сравнении с Claude Code. У которого вместе с заполнением контекста начинают понемногу ухудшаться когнитивные способности. Эдакая AI-адаптация "Цветов для Элджернона". А после саммаризации, зачастую, проще новый чат открыть, чем продолжать текущий с обрывками несогласованных воспоминаний.
Вроде как с релизом Opus4.6 этот момент подтянули. Но сообщение "summarizing" от Claude Code до сих пор вгоняет в стресс с мыслями "Не успел"...
Архитектура для Graphiti, позволяющая более эффективно работать с источниками.
Graphiti обеспечивает возможность задавать кастомные сущности и связи между ними. Что позволяет адаптировать каждый граф под конкретную бизнес-модель.
Наткнулся на интересную архитектуру графа, который предоставляет:
1. Объяснимые ответы. Если получаем факт, то с указанием источника.
2. Контроль версий фактов и отслеживание их изменений.
3. Приоритет на самые свежие и при этом авторитетные сведения.
То есть, фактически, позволяет более качественно реализовать базовые идеи Graphiti.
Какие создаём сущности:
1. Episode. Стандартная сущность Graphiti. Туда летит всё, что происходит в системе.
2. Event. Конкретное событие внутри эпизода. В полях указываем его время, а также участников.
3. Fact. Ключ факта. В котором задаём идентификатор смысла. То есть отвечаем на вопрос "о чём факт?".
4. FactVersion. Версия факта. Поля: штамп времени (когда стал известен факт), значение для ключа, уверенность в достоверности факта (от 0 до 1), а также ttl факта (как скоро устареет).
5. Source/Evidence. Источники, поддерживающие версию. У источника есть поле weight, обозначающее степень авторитетности.
Связи между сущностями:
1. (Episode)-[:CONTAINS]->(Event)
2. (Event)-[:REFERENCES]->(Fact)
3. (Fact)-[:HAS_VERSION]->(FactVersion)
4. (Fact)-[:LATEST]->(FactVersion)
5. (FactVersion)-[:SUPPORTED_BY]->(Source)
Такая структура позволяет достаточно точно оценить каждый факт в системе.
Используем уже описанные выше параметры и их сочетания:
1. confidence – насколько сама модель, при записи факта, была уверена в его достоверности.
2. Добавляем функцию "затухания" факта со временем. В ней используем timestamp версии факта.
3. weight источника. Выбираем более авторитетный. Или только источники с авторитетностью выше определённого порога.
4. Время жизни факта. Если на момент "сейчас" факт, даже latest, уже устарел, то его не учитываем.
В итоге получаем достаточно качественную и универсальную архитектуру темпорального графа, который можно применять для широкого круга задач.
OpenAI выпустили Codex app.
Ещё одно приложение (уже писал про Cowork от Anthropic), которое делает AI-агентов ближе к не-техническим пользователям.
Что ж. Будем изучать.
Как я удачно сегодня с утра подготовился к тестам, ещё не зная об обновлении:
Понравилась статья про фундаментальные принципы мышления.
В ней предлагается принцип, по которому действует общий интеллект. Подробнее можете прочитать либо в самой статье, либо в сокращённом виде на русском языке на канале "Малоизвестное интересное" (благодаря которому, я статью и нашёл).
Также закинул pdf статьи в Notebooklm. Вытянул из неё основные принципы и на их основе создал CLAUDE.md файл. Тот самый, который не хотел принимать Claude Code CLI.
Интересно же, как будет кодинг-агент работать, полагаясь на принципы "общего интеллекта". Спойлер: очень сильно напоминает TDD. Добавляет базовому coding-агенту порядка, но не более.
Интересным мне показался проект, который я решил сделать для теста.
Залил его на github и рассказываю, в чём суть.
Это симуляция-соревнование между четырьмя LLM-моделями с Openrouter. Модели можно выбрать самостоятельно.
Они определяют стратегию, с которой начинает жизнь популяции.
Впоследствии модель также может делать следующее:
1. Менять характеристики нового поколения популяции.
2. Менять общую стратегию популяции.
Всё это LLM делает, основываясь на том, что происходит на карте. Получается такая стратегия с непрямым управлением.
У каждого члена популяции есть 8 характеристик, которые определяют его поведение на местности и во взаимодействии с другими индивидуумами.
Он может есть, размножаться, сражаться с врагами, строить/ломать стены, перекрашивать поле в свой цвет.
Победа достигается либо полным уничтожением всех популяций, кроме одной, либо через контроль одной популяцией более 50% игрового поля.
В конце игры можно дать моделям на аналитику логи и получить либо наполненные драмой истории о том, как именно "мы всё проиграли", либо размышления великого стратега о том, как он принял череду правильных решений.
И LLM, и члены популяции действуют в соответствии с принципами общего интеллекта (или того, как мы с Claude Code CLI их интерпретировали).
Если вам, как и мне, интересно за подобным наблюдать и анализировать – запустите локально проект из репозитория.
Темпоральные графы – хороший инструмент для индивидуализации.
Если у нас есть общая база знаний с данными и документами, то, помимо прочего, для пользователей можно подключить индивидуальную память на базе темпорального графа.
Hindsight, про который я уже писал (раз, два, три) отлично подходит под "добавить эмоций и индивидуальности ответам для конкретного пользователя". Он из коробки заточен на эту "эмоциональность".
Фактически, графы с рёбрами, привязанными ко времени, позволяют формировать долгосрочный динамический индивидуальный контекст.
А индивидуальный подход от AI-агента, в конечном итоге, отличный способ повысить частоту пользования инструментом.
Всем ведь нравится, как ChatGPT адаптируется в ответах под конкретного пользователя? 😊
Неожиданное место со списком интересных AI-приложений.
Это страница showcase библиотеки React Flow. С фильтрами "AI" и "Workflow Automation".
Если любите no/low-code-инструменты для работы с AI, то решения определённо стоит посмотреть. Один Langflow со 144 тысячами звёзд на github чего стоит!
Почему ChatGPT не заменяет специалистов сферы услуг?
Мне тяжело даётся рассказывать о себе в текстовом формате. Голосом могу рассказать и объяснить достаточно легко, а вот текстом – ну никак.
Думаю, по интро в канале это заметно 🙂
Частный вывод из этой особенности – не заполняю свой LinkedIn и не обновляю CV самостоятельно.
В 100% случаев пользуюсь услугами карьерного консультанта, предоставляющего необходимые услуги.
Задал себе вопрос:
Ты вот работаешь с нейросетями, можешь загрузить туда всю необходимую информацию, натренировать хоть армию AI-агентов на то, чтобы составить идеальное резюме. Для чего ты обращаешься к консультанту и платишь ему деньги?
Заказывая услугу, мы приобретаем не только выполнение работы, но и ответственность специалиста за эту услугу.
Vibe Kanban – более взрослая альтернатива Auto Claude.
Целенаправленно искал что-то в том же ключе, но более проработанное и стабильное.
И нашёл его. Vibe Kanban. Представляете, он мычит, когда задача готова!
На первый взгляд, "примочек" у него как будто бы меньше, чем у Auto Claude. Но у Vibe Kanban всё ориентированно на вполне понятный рабочий пайплайн.
Вот как я его себе вижу:
1. Подключаем его MCP-сервер к запущенному экземпляру IDE (или даже без IDE) с AI Coding агентом (у меня Claude Code).
2. С помощью чата через диалог с Coding-агентом формируем архитектуру и планируем реализацию проекта.
3. Через подключенный MCP-сервер внутри Vibe Kanban формируем список задач.
4. Запускаем выполнение задач (можно не выходя из основной IDE, через всё тот же MCP-сервер). Запускать можно (и нужно) в несколько параллельных потоков.
5. Для каждой задачи создаётся worktree. Формируется to-do-лист и AI-агент приступает к выполнению задачи.
6. "Муууууу!" Задача готова к ревью.
7. На этапе ревью Vibe Kanban показывает полноценный дифф, в который можно добавить комментарии и отправить задачу на доработку AI-агенту.
8. Если ревью пройдено успешно, то делаем merge в основную ветку.
9. Готово! Теперь, через диалог с AI-агентом, который открыт у вас в режиме чата, можно создавать следующий список задач для развития проекта.
Процесс работы куда стройнее, чем предлагает на данный момент Auto Claude.
Плюс – нет ограничений на вендора Coding Agent. Помимо Claude Code, можно выбрать для работы любой из популярных AI-агентов для разработки. Поддерживается 10 самых популярных AI-агентов.
Из коробки здесь, как и в Auto Claude, включен dangerously_skip_permissions. Что создаёт определённые риски. Об этом стоит помнить и не запускать Vibe Kanban проект вне изолированной среды.
Ещё из минусов – существует только одна настройка для AI Coding Agent. Его можно сопроводить дополнительными инструкциями, настраиваемыми внутри Vibe Kanban, но это всё равно не даёт ту функциональность, которую можно настроить, например, в Claude Code CLI.
В общем, если вам понравился Auto Claude на уровне идеи, попробуйте Vibe Kanban. В основе лежит схожий принцип, но проект уже дошёл до состояния, когда баги не напрыгивают из-за каждого угла.
И лишь изредка мычат готовые задачи...
В дополнение ко вчерашнему посту про Auto Claude.
В данном решении очень не хватает режима AI-архитектора.
Это тот, в котором, в диалоге с Opus, итеративно формируешь всю документацию по проекту. Проектируешь ТЗ, архитектуру и формируешь скоуп задач для реализации.
Особенно помогает в этом процессе режим опроса, который есть в Claude Code CLI (в Cowork также переехал). Позволяет подсветить белые пятна, которые упустил в исходном описании проекта.
Сейчас Auto Claude не покрывает мой пайплайн именно на старте проекта. Когда нужно описать требования к проекту.
Остальные этапы сделаны отлично. Скорее всего, придётся их немного доработать, но уже сейчас они выглядят вполне себе жизнеспособно.
Кто-то попробовал уже поставить версию из github? Завелось? У меня периодически отваливается авторизация и приходится перезаходить на сайте Anthropic. А также не работает режим Insights (не очень-то и нужен на самом деле).
p.s.: На скриншоте к посту – твоё лицо, когда твой новый репозиторий зашёл аудитории и приходится перформить каждый день.
Проекты с бесплатными лимитами на использование open source моделей.
Сегодня внезапно для себя обнаружил, что ollama при регистрации в системе ollama cloud предоставляет возможность использования open source моделей в облаке бесплатно.
Стало интересно, а как много провайдеров в принципе дают хоть какие-то значимые лимиты на пользование Open Source моделями, чтобы их можно было использовать в периодических микро-задачах.
Каждый провайдер даёт доступ к собственному списку моделей. Выбор редко бывает большим.
Не стоит забывать, что провайдеры будут использовать данные, которые вы отправляете по API для дальнейшего обучения своих моделей (так ведёт себя любая крупная компания, получившая доступ к вашим данным).
В список вошли 5 провайдеров:
1. https://groq.com/ – мой фаворит. Хотя бы потому, что чистит несколько чатов параллельно от спама при помощи llama и денег не просит. Плюс – скорость у него выше, чем "в среднем по openrouter".
2. https://ollama.com/cloud – сегодняшнее открытие. Лимиты в токенах не прописывают, а сбрасывают их раз в час и раз в неделю.
3. https://www.cerebras.ai/inference – ещё быстрее, чем groq. Дают 1.000.000 быстрых токенов в день на различных моделях.
4. https://dash.cloudflare.com/?to=/:account/ai/workers-ai – предоставляет кастомные 10.000 "попугаев". Это примерно $0.1 в день. Прошли по нижней грани критерия "полезности для пользователей" в бесплатном режиме. Зато много моделей, которые через них можно попробовать.
5. https://openrouter.ai/models – 50 запросов в день. Но только к моделям, которые помечены как "free". Эта платформа точно не является открытием века.
Обратил внимание, что AI-компании начинают постепенно уменьшать количество того, что готовы давать бесплатно. Но об этих тенденциях подробнее – в следующих постах 😊