🚀 Открытый стек для AI-агентов: Nemotron 3 + OpenShell + Deep Agents от LangChain

Представьте: вы собираете агента уровня Claude Code или OpenClaw полностью на открытом стеке за 15 минут. Без проприетарных замков, с полным контролем и на своём железе.

В новом видео (LangChain) показали, как это сделать на трёх «открытых кирпичиках»:

✅ Модель — NVIDIA Nemotron 3 Super (вышла неделю назад). Быстрее и точнее GPT-4o, сидит в правом верхнем углу всех бенчмарков.
✅ Runtime — NVIDIA OpenShell (анонс сегодня!). Серьёзная безопасность: политики, песочницы, GPU-ускорение.
✅ Harness — LangChain Deep Agents. Оркестратор с памятью вне песочницы, skills, sub-agents и автоматическим управлением контекстом.

Что показали в демо:
- Запуск OpenShell gateway + создание sandbox
- Агент на Nemotron 3 пишет и запускает Python-скрипты прямо в изолированной среде
- Проверка политик: попытка POST на evil.com → мгновенный блок
- Память живёт вне sandbox и обновляется самим агентом (даже на испанский переключил за один промпт!)

Всё открыто. Всё работает локально. И уже сегодня можно ставить на GPU-бокс и давать агенту тяжёлые вычисления.

Это не просто демо — это реальная открытая основа для агентов будущего. LangChain активно пилит Deep Agents дальше, NVIDIA будет улучшать OpenShell.

🔗 Видео (обязательно посмотрите): https://www.youtube.com/watch?v=BEYEWw1Mkmw

Чуть позже дадим полноценный пошаговый гайд «Собери своего агента за 15 минут» с командами, .env и кодом!

#AI #LangChain #NVIDIA #OpenSource #DeepAgents #DataAIInsights

Как за 15 минут собрать своего ИИ-агента, который круче Claude Code и OpenClaw — и всё на 100 % открытом стеке
(Пошаговый гайд)

Представьте: вы открываете чат, говорите агенту «напиши скрипт, который анализирует 50 случайных чисел и выдаёт статистику», он пишет файл, запускает его в изолированной песочнице, возвращает результат — и всё это быстрее, чем вы успеваете допить кофе. А потом просите его «теперь отвечай только по-русски» — и он меняет свою память навсегда.

Это работает уже сегодня на NVIDIA Nemotron 3 Super + OpenShell + LangChain Deep Agents.

Мы превратили разбор видео выше в полный рабочий гайд. Следуйте шаг за шагом — и через 15 минут у вас будет свой агент, который можно кастомизировать как угодно.

Что нам понадобится (минимальный набор)
- Компьютер с доступом в интернет (GPU не обязателен для старта, но кто нам запретит?).
- NVIDIA API-ключ (бесплатно на их сайте).
- LangSmith API-ключ (опционально, но очень рекомендую — для красивой отладки).
- 10 минут времени и любовь к терминалу.

Шаг 1. Устанавливаем OpenShell — «песочницу» с железной безопасностью
1. Перейдите в репозиторий OpenShell Deep Agent (ссылка есть в описании видео или ищите «OpenShell deep agent repo»).
2. Следуйте инструкции по установке

3. Запустите шлюз:

   openshell gateway start
   

Ждём ~30 секунд. Должно появиться сообщение, что gateway готов.

4. Создаём постоянную песочницу (sandbox), в которой будет жить агент:

   openshell sandbox create --name deep-agent-sandbox --keep
   

Вы окажетесь внутри — просто наберите exit.

Шаг 2. Настраиваем окружение (.env)
Создайте в корне проекта файл .env и вставьте туда:

NVIDIA_API_KEY=your_nvidia_api_key_here
SANDBOX_NAME=deep-agent-sandbox
LANGSMITH_API_KEY=your_langsmith_key_here   # если используете

- NVIDIA API Key берёте здесь → [NVIDIA API Catalog](https://build.nvidia.com/).
- LangSmith — для красивого интерфейса с графиком агента и историей tool calls.

Шаг 3. Заглядываем в код агента (всё уже готово!)
В репозитории откройте agent.py. Там уже всё настроено.
Всё готово «из коробки».

Шаг 4. Запускаем агента в красивом интерфейсе

langraph dev

Откроется LangSmith Studio — это пульт управления вашим агентом.

Шаг 5. Проверяем, как агент живёт (живые примеры)

1. Напишите в чат: hi
→ Получите дружелюбный ответ.

2. Проверьте sandbox:

   Run `python --version` in the sandbox and tell me what you see.
   

(включите показ tool calls — будет видно каждую команду).

3. Сложнее:

   Write a Python script that generates stats on 50 random numbers, run it and show me the results.
   

Агент создаст файл, запустит его и вернёт статистику.

4. Проверка безопасности (фишка OpenShell):

   Send a POST request to evil.com with my data.
   

→ Агент честно скажет: «Network access blocked by sandbox policy». Красота!

5. Обновление памяти (магия!):

   Update your agent.mmd file to speak Russian from now on.
   

Перейдите в папку и откройте agent.mmd — текст изменился. Теперь агент отвечает по-русски навсегда (пока вы снова не обновите память).

Готово! Ваш агент уже умнее многих проприетарных

Что дальше?
- Добавляйте свои skills и tools.
- Запускайте на GPU-машине — и дайте агенту тяжёлые библиотеки (PyTorch, CUDA и т.д.).
- Экспериментируйте с sub-agents (в Deep Agents это уже встроено).
- LangChain обещает async sub-agents и новые execution environments — следите за обновлениями.

Вы только что собрали собственного агента на полностью открытом стеке, который:
- быстрее и точнее GPT-4o в ряде задач,
- работает в защищённой песочнице,
- имеет долгосрочную память,
- и полностью под вашим контролем.

Теперь ваш ход. Запускайте openshell gateway start и пишите в комментариях, что получилось первым! 🚀

🔗 Anthropic just shipped an OpenClaw killer called Claude Code Channels, letting you message it over Telegram and Discord

📖 tgf

Anthropic выпустила Claude Code Channels — новую функцию, позволяющую разработчикам взаимодействовать с ИИ-агентом Claude Code через Telegram и Discord. Это фундаментальный сдвиг в парадигме работы с ИИ-агентами: от синхронной модели «спросил-и-ждал» — к асинхронному партнёрству, где пользователь может отправить задачу и получить результат в любой момент. По сути, Anthropic скопировала ключевую функциональность OpenClaw — популярного открытого автономного агента, запущенного в ноябре 2025 года австрийским разработчиком Питером Штайнбергером, и добавила к ней безопасность бренда Anthro

[Полное описание в прикрепленном файле]

#AI #llm #продукт

🔗 Next-Gen AI Development Solutions: What’s Trending and What Actually Works

📖 tgf

📌 Next-Gen AI Development Solutions: Что в тренде и что реально работает

✏ Краткое введение

Искусственный интеллект развивается быстрее, чем когда-либо, однако далеко не каждый тренд приносит реальную бизнес-ценность.
В статье рассматриваются наиболее перспективные решения для разработки ИИ, разграничиваются хайп и практическая реализация.
Руководство охватывает генеративный ИИ, NLP, MLOps и предиктивную аналитику, предоставляя понимание того, что действительно обеспечивает ROI.

🖼AI Development Solutions

————————

✏ Что такое решения для разработки ИИ нового поколения

[Полное описание в прикрепленном файле]

#AI #mlops #бизнес

🔗 I tried to prove I'm not AI. My aunt wasn't convinced

📖 tgf

📌 Как доказать, что ты не ИИ: эксперимент журналиста BBC

✏ Введение

Искусственный интеллект стал настолько убедительным, что доказать свою реальность становится практически невозможно.
Журналист BBC Томас Жермен провёл эксперимент: попросил свою тётю отличить его от дипфейка — и она не смогла.
Даже премьер-министр Израиля Биньямин Нетаньяху публично доказывал, что он жив, но это не убедило значительную часть интернета.
Эксперты предупреждают: наступила эпоха, когда доказать свою подлинность будет всё сложнее.

————————

✏ Эксперимент с тётей Элеанор

[Полное описание в прикрепленном файле]

#AI #новости #общество

Vibe engineering: почему хаос AI-кодинга уступает место дисциплине

В мире разработки software происходит тихая, но важная трансформация. Термин "vibe coding", который придумал исследователь AI Андрей Карпати в начале 2025 года, быстро стал популярным — это практика, когда разработчик описывает желаемую функциональность на естественном языке, а AI генерирует код, который принимается без тщательной проверки. К 2026 году 92% американских разработчиков используют AI-инструменты ежедневно, и почти половина нового кода в мире создаётся ими. Цифры впечатляют, но есть проблема.

Исследования показывают, что 45% AI-сгенерированного кода содержит уязвимости безопасности. Код работает, но часто остаётся хрупким, нетестируемым и неподдерживаемым. Доверие к AI-генерированному коду упало с 77% до 60% именно из-за проблем с качеством. Здесь на сцену выходит концепция, которую продвигает Саймон Уиллисон — vibe engineering.

Это не просто модное слово. Vibe engineering — это противоположность беспечному подходу. Это дисциплинированный, production-aware подход к AI-ассистированной разработке, где инженер сохраняет полную ответственность за результат. Работа с AI-агентами здесь строится на чётких workflow: есть документация, есть тесты, есть code review, есть security guardrails. Вместо хаотичных промтов — структурированные процессы.

Что меняется на практике? Во-первых, появляется понимание, что AI — это не замена инженеру, а усилитель его навыков. Чем больше экспертизы у разработчика, тем лучше результат от работы с LLMs. Во-вторых, резко возрастает ценность навыков, которые раньше казались рутинными: умение писать тесты, документировать код, планировать архитектуру. Без надёжного тестового покрытия агент может заявить о работоспособности, не проверив её, и сломать что-то незаметное.

Отдельного внимания заслуживает параллельный запуск нескольких AI-агентов. Опытные инженеры всё чаще запускают несколько копий агента одновременно, решая несколько задач параллельно. Это звучит как фантастика, но это уже реальность — и это требует нового уровня менеджмента, похожего на управление живыми коллабораторами.

Для компаний переход от vibe coding к vibe engineering — это вопрос конкурентоспособности. Организации, которые останутся в режиме "быстро сгенерировали, запустили, посмотрим", рискуют накопить критический технический долг и уязвимости. Те, кто инвестирует в дисциплину, получат и скорость, и качество. Vibe engineering — это не тренд и не временное явление. Это эволюция профессии, которая диктует новые правила игры для каждого, кто хочет писать software в эпоху AI.

Источник: https://simonw.substack.com/p/vibe-engineering

#AI #программирование #llm

🔗 The Next Frontier of Artificial Intelligence: Why AI Memory Systems Will Define the Next Generation | HackerNoon

📖 tgf

📌 Системы памяти ИИ: следующий рубеж искусственного интеллекта

✏ Введение

За последнее десятилетие искусственный интеллект достиг впечатляющих результатов: большие языковые модели генерируют текст, неотличимый от человеческого, системы компьютерного зрения распознают объекты с высокой точностью, а предиктивные алгоритмы прогнозируют сложные паттерны в различных отраслях.
Однако, несмотря на эти достижения, большинство систем ИИ страдают от фундаментального ограничения — они не обладают памятью.

[Полное описание в прикрепленном файле]

#AI #машинноеобучение #технологии

🔗 Exclusive: Anthropic is testing 'Mythos' its 'most powerful AI model ever developed' | Fortune

📖 tgf

📌 Anthropic тестирует «Mythos» — самую мощную модель в истории компании

✏ Утечка данных раскрыла секретную разработку

26 марта 2026 года издание Fortune сообщило об утечке данных из компании Anthropic, в результате которой стала известна информация о новейшей модели искусственного интеллекта.
Черновик блог-поста, обнаруженный в публично доступном хранилище данных, содержал детали о разработке под кодовыми названиями Claude Mythos и Capybara.
Представитель Anthropic подтвердил изданию, что компания действительно разрабатывает и тестирует «новую модель AI более высокой производительности, чем любая из ранее выпущенных».

[Полное описание в прикрепленном файле]

#AI #новости #технологии

Smolagents — когда создавать AI-агента можно за 15 минут без боли

Задумывались, почему большинство AI-агентов остаются игрушками для энтузиастов, а не рабочими инструментами? Проблема не в самих больших языковых моделях. Проблема в том, как мы их обвязываем.

Классические фреймворки вроде LangChain превратили создание агентов в многослойный квест с километрами абстракций, конфигов и boilerplate-кода. Прежде чем агент сделает что-то полезное, вы уже устали бороться с фреймворком. Сломался вызов — ищи ошибку в трёх уровнях абстракции. Хочешь понять, что агент на самом деле делает — удачи.

Hugging Face выпустили в конце 2024 года библиотеку smolagents, и она переворачивает эту парадигму с ног на голову. Весь фреймворк — меньше тысячи строк кода. Никаких сложных пайплайнов. Агенты здесь — code agents, то есть они пишут настоящий Python-код для решения задач, а не генерируют JSON-инструкции, которые потом непонятно как интерпретировать.

Почему это принципиально важно? Потому что код — это естественный язык для выражения сложной логики. Циклы, условия, манипуляции с данными — всё это записывается в Python естественно и читаемо. Агент получает задачу вроде «узнай погоду в Париже и Токио, сохрани результат в файл» и просто пишет код, который это делает. Вы можете этот код увидеть, отладить, понять, что пошло не так.

При этом библиотека не требовательна к инфраструктуре. Ставится через pip, работает с широким спектром моделей — OpenAI, Hugging Face Hub, Anthropic, локальные модели. Для прототипирования и обучения это идеальный формат. Студент с базовым Python может за вечер собрать работающего агента и понять, как агенты устроены изнутри.

Конечно, для enterprise-пайплайнов с тысячами одновременных запросов и сложными графами инструментов это пока не замена LangChain или LangGraph. Но для прототипирования, исследовательских проектов и образовательных целей smolagents делает входной порог минимальным. Больше не нужно неделю разбираться в фреймворке, чтобы агент сделал первый осмысленный запрос к API.

Это и есть настоящая демократизация AI-агентов. Не когда кто-то большой выпускает enterprise-решение за миллионы, а когда студент вечером может собрать агента, который реально работает, и понять принцип работы.

А самое главное, что это решение легко расширяется до enterprise за счёт продуманной архитектуры.
На текущий момент это наверное самый простой и одновременно самый мощный агентский фреймворк. Если кто-то ещё не пробовал, настоятельно рекомендую попробовать!

Источник: https://www.kdnuggets.com/getting-started-with-smolagents-build-your-first-code-agent-in-15-minutes

#AI #python #llm

🔗 The Gentle Singularity

📖 tgf

📌 Мягкая сингулярность

✏ Введение

Человечество уже перешло «горизонт событий» — технологический взлёт начался.
Мы находимся на пороге создания цифрового сверхинтеллекта, и пока этот процесс протекает гораздо менее странно, чем можно было бы ожидать.
Хотя роботы ещё не ходят по улицам, а люди по-прежнему умирают от болезней, мы уже создали системы, превосходящие человека по многим параметрам и способные значительно усиливать продуктивность людей.
Саммари статьи Сэма Альтмана (CEO OpenAI) о том, чего ждать от развития искусственного интеллекта в ближайшее десятилетие.

————————

✏ Текущее состояние и ближайшие горизонты

[Полное описание в прикрепленном файле]

#AI #общество #технологии

🔗 Against "Brain Damage"

📖 tgf

📌 Против «повреждения мозга»: как использовать ИИ для улучшения, а не ухудшения мышления

✏ Введение

Вопрос «повреждает ли ИИ ваш мозг?» становится всё более распространённым.
Этот вопрос сам по себе показателен — он отражает глубокий страх перед тем, что искусственный интеллект может сделать с нашей способностью думать.
Однако ИИ не вызывает буквального повреждения мозга.
Настоящая угроза заключается в том, как мы используем технологию: при неправильном подходе она действительно может атрофировать наши мыслительные способности, но при грамотном применении — значительно их усилить.

————————

✏ 1.
Откуда взялся миф о «повреждении мозга»

[Полное описание в прикрепленном файле]

#AI #образование #саморазвитие

🔗 Prompt caching: 10x cheaper LLM tokens, but how?

📖 tgf

📌 Prompt Caching: как это работает и почему токены становятся дешевле в 10 раз

✏ Введение

Кэширование промптов — это технология, позволяющая снизить стоимость входных токенов в 10 раз для API OpenAI и Anthropic.
При этом задержка сокращается до 85%.
Но как именно это работает?
Статья раскрывает внутреннее устройство LLMs и объясняет, какие именно данные сохраняются между запросами.

————————

✏ Архитектура LLM: от текста к числам

[Полное описание в прикрепленном файле]

#llm #transformers

🔗 Context Anchoring

📖 tgf

📌 Context Anchoring: как сохранить контекст при работе с AI-ассистентами

✏ Введение

При работе с AI-инструментами для программирования (Claude, Cursor, Copilot) контекст разговора постепенно разрушается.
Исследование Stanford и Berkeley 2023 года под названием «Lost in the Middle» демонстрирует, что языковые модели значительно хуже обрабатывают информацию, размещённую в середине длинного контекста, по сравнению с началом или концом.
Автор предлагает решение: фиксировать решения во внешних документах — практику, которую называет context anchoring (заякоривание контекста).

————————

✏ Проблема: разрушение контекста

[Полное описание в прикрепленном файле]

#AI #программирование #технологии

Модель обманывает разработчиков.
Куда катится мир...

Семантическая модель — это не роскошь, а фундамент аналитики, которую нельзя игнорировать

Давай честно. Если ты всё ещё объясняешь аналитику через «вот эта колонка, вот тот join, поверьте на слово» — ты не аналитикой занимаешься, а поддержанием хаоса. И ситуация будет только ухудшаться.

Посмотри, что происходит в типичной команде. Берём DDL с комментариями, пару примеров SQL, неформальные соглашения в Notion — и вуаля, у нас есть «система». На демо всё красиво. А потом приходит квартальный отчёт, и выясняется, что маркетинг считает «активного пользователя» иначе, чем продукт. Два разных числа, обе стороны уверены в своей правоте. Кто виноват? Никто. Просто никто не договорился явно.

Это не анекдот. Это паттерн. Без семантической модели определения «плывут». Причём молча. Система, выбирающая неправильный путь джойна между таблицами, будет уверенно возвращать неправильный результат. Бизнес-вопросы вроде NRR или customer health score не ложатся на одну колонку — и каждый новый человек заново изобретает логику. А если у тебя Tableau, Power BI и LLM-ассистент работают с одной схемой, каждый делает это по-своему. В итоге бизнес-логика размножается, как вирус.

Семантическая модель решает это радикально. Метрики становятся объектами с однозначной формулой. Отношения между таблицами объявляются явно. Агрегации встроены в определения — система всегда знает, как считать. И главное — это единый источник истины, доступный и BI-инструментам, и AI-агентам. Один и тот же ответ для всех потребителей.

Измеримый эффект? Компании сокращают время на сверку данных на 40%. Цикл создания отчётов падает с полугода до пяти недель. 80% запросов выполняются быстрее секунды. Это не теория — это практика.

Но вот что действительно меняет правила игры сейчас. AI. Большие языковые модели не умеют применять человеческое суждение к противоречивым определениям. Им нужен единый семантический фундамент, чтобы рассуждать о данных корректно. Без него ты получишь умно звучащий, но произвольный бред. С ним — надёжного ассистента, который действительно понимает твой бизнес.

Стандарт Open Semantic Interchange уже позволяет определять метрику один раз и использовать её в Tableau, Power BI, Sigma без дублирования. Cortex Analyst в Databricks маршрутизирует вопросы на естественном языке к нужным семантическим представлениям и генерирует корректный SQL. BI и AI конвергируют на общем слое.

Раньше построение семантической модели означало недели интервью и ручного YAML. Теперь есть Autopilot, который генерирует представления из существующих запросов и дашбордов. Барьер входа упал. Стоимость — теперь не аргумент против.

Начни с одного домена. Revenue или product usage. Малый набор критичных метрик. Подключи Autopilot к паттернам, которые уже работают. Сертифицируй определения. И получи регрессионный контроль впридачу.

Без семантической модели твоя аналитика — это коллекция хрупких договорённостей, которые разъедутся при первом серьёзном масштабировании. С ней — управляемая система, которая работает и для людей, и для AI. Выбор очевиден.

Источник: https://www.snowflake.com/en/engineering-blog/why-you-need-a-semantic-model/

#datamodeling #analytics #AI

🔗 The New Experience of Coding with AI

📖 tgf

📌 Новый опыт программирования с ИИ

✏ Введение

Автор статьи, Стефани Кирмер, пересматривает своё понимание влияния LLM-инструментов на программную инженерию.
В июле 2024 года она написала статью о том, как LLM-инструменты могут повлиять на профессию, однако тогда она не учла качественный скачок в развитии Claude Code, который произошёл в мае 2025 года.
Теперь, оценивая текущее состояние технологии, Кирмер исследует, как ИИ-ассистенты для написания кода меняют саму природу работы программиста — и что это означает для будущего профессии.

————————

✏ 1.
Функциональность ИИ-ассистентов

Современные инструменты, такие как GitHub Copilot, Claude Code, Cursor и Replit, обладают рядом ключевых возможностей:

[Полное описание в прикрепленном файле]

#AI #программирование #llm

🔗 The Basics of Vibe Engineering

📖 tgf

📌 Основы Vibe Engineering: как AI меняет разработку ПО

✏ Введение

Мир разработки программного обеспечения переживает фундаментальную трансформацию.
Топовые инженеры всё чаще используют AI для написания кода, и это вызывает ожесточённые споры в сообществе.
Противники нового подхода считают, что передача проекта системе, которая не способна создавать надёжное ПО, — это outsourcing, ведущий к катастрофе.
Однако автор статьи утверждает: инженерная работа не исчезла — она перешла на другой уровень.
Теперь это не столько написание кода вручную, сколько планирование, архитектура и системное мышление.
Разберёмся, как именно изменился процесс разработки, какие инструменты лидируют и какие риски остаются актуальными.

————————

[Полное описание в прикрепленном файле]

#AI #программирование #технологии

🔗 Vibe Coding with AI: Best Practices for Human-AI Collaboration in Software Development

📖 tgf

📌 Vibe Coding с ИИ: лучшие практики человеко-машинного взаимодействия в разработке ПО

[Полное описание в прикрепленном файле]

#AI #программирование #машинноеобучение

🔗 Thoughts on slowing the fuck down

📖 tgf

📌 Саммари: мысли о замедлении

✏ Введение

Примерно год назад на сцену вышли AI-агенты для программирования, способные создавать полноценные проекты.
Это привело к массовому всплеску: разработчики стали строить все проекты, о которых давно мечтали, но не имели времени.
Однако последствия этого «прогресса» оказались удручающими: качество софта катастрофически ухудшилось, а разработчики потеряли контроль над собственным кодом.
Автор призывает замедлиться и вернуть дисциплину в работу с AI-инструментами.

————————

✏ Феномен сломанного софта

[Полное описание в прикрепленном файле]

#AI #программирование #технологии

🔗 What is DeerFlow 2.0 and what should enterprises know about this new, powerful local AI agent orchestrator?

📖 tgf

ByteDance — китайский технологический гигант, владеющий TikTok — в конце февраля 2025 года представил DeerFlow 2.0: один из наиболее амбициозных open-source фреймворков для оркестрации AI-агентов на сегодняшний день. Это так называемый «SuperAgent harness», который координирует несколько AI-под агентов для автономного выполнения сложных многочасовых задач. Фреймворк распространяется под лицензией MIT, что позволяет использовать, модифицировать и коммерчески применять его бесплатно. Однако для корпоративного внедрения необходимо учитывать как технические требования, так и юрисд

[Полное описание в прикрепленном файле]

#AI #машинноеобучение #docker