🎬 Выложил новый ролик про API
Постоянно слышишь: «подключить API», «взять данные через API», «сервис отдаёт API». Звучит так, будто это только для программистов, но на деле идея намного проще.
В ролике объясняю API обычным языком: как программы обмениваются данными, зачем нужен адрес запроса, что значит «получить данные» и почему через это работают погода в телефоне, оплаты, боты и куча привычных сервисов.
Потом показываю живой пример в N8N: без сложного кода, просто собираем запрос блоками и смотрим, как сервис возвращает нужную информацию.
Если давно хотел разобраться без технического тумана, смотри ролик на YouTube. Там всё на пальцах 🙂
Постоянно слышишь: «подключить API», «взять данные через API», «сервис отдаёт API». Звучит так, будто это только для программистов, но на деле идея намного проще.
В ролике объясняю API обычным языком: как программы обмениваются данными, зачем нужен адрес запроса, что значит «получить данные» и почему через это работают погода в телефоне, оплаты, боты и куча привычных сервисов.
Потом показываю живой пример в N8N: без сложного кода, просто собираем запрос блоками и смотрим, как сервис возвращает нужную информацию.
Главная мысль: API это способ одной программе попросить что-то у другой программы и получить понятный ответ.
Если давно хотел разобраться без технического тумана, смотри ролик на YouTube. Там всё на пальцах 🙂
Промпты тоже могут утекать 🔐
Обратный промптинг это когда по ответу модели пытаются восстановить вопрос или инструкцию, с которой её запустили. Исследователи из IIT Bombay и Adobe описали метод Previous-Token Prediction, он угадывает исходный промпт по готовому тексту и не требует доступа к весам модели.
Представь кухню: ты видишь готовый суп и по вкусу почти точно восстанавливаешь рецепт. С LLM теперь похожая история, только «рецептом» может быть системный промпт, правила агента или приватная логика 🧪
Практический вывод простой: в n8n, LangChain, OpenAI Assistants и своих ботах держите ключи, тарифы и доступы вне текста промпта. Промпт это не сейф, а рабочая памятка для модели. Подробности в разборе The Decoder ⚠️
Обратный промптинг это когда по ответу модели пытаются восстановить вопрос или инструкцию, с которой её запустили. Исследователи из IIT Bombay и Adobe описали метод Previous-Token Prediction, он угадывает исходный промпт по готовому тексту и не требует доступа к весам модели.
Представь кухню: ты видишь готовый суп и по вкусу почти точно восстанавливаешь рецепт. С LLM теперь похожая история, только «рецептом» может быть системный промпт, правила агента или приватная логика 🧪
Не кладите секреты в промпт. Считайте его инструкцией, которую однажды могут прочитать.
Практический вывод простой: в n8n, LangChain, OpenAI Assistants и своих ботах держите ключи, тарифы и доступы вне текста промпта. Промпт это не сейф, а рабочая памятка для модели. Подробности в разборе The Decoder ⚠️
DeepSeek поднял цену на кэш
DeepSeek выпустил V4 Pro, открыл свой агентский Harness под MIT и одновременно подкрутил прайс. Самый важный кусок не про модель, а про кэш: повторное чтение одних и тех же данных станет дороже примерно в 6 раз вне пика и примерно в 12 раз в пиковые часы 🧾
Это больнее всего бьёт по агентам, которые постоянно таскают за собой инструкции, файлы проекта, историю действий и куски логов. Вроде ничего нового не спрашиваешь, а счётчик всё равно крутится.
Перед переездом на новый тариф стоит открыть логи и найти повторы. Часто дешевле один раз почистить память агента, чем потом месяцами платить за лишнее чтение. Детали у The Decoder ⚙️
DeepSeek выпустил V4 Pro, открыл свой агентский Harness под MIT и одновременно подкрутил прайс. Самый важный кусок не про модель, а про кэш: повторное чтение одних и тех же данных станет дороже примерно в 6 раз вне пика и примерно в 12 раз в пиковые часы 🧾
Это больнее всего бьёт по агентам, которые постоянно таскают за собой инструкции, файлы проекта, историю действий и куски логов. Вроде ничего нового не спрашиваешь, а счётчик всё равно крутится.
Если агент много раз перечитывает один и тот же контекст, кэш уже нельзя считать бесплатной скидкой.
Перед переездом на новый тариф стоит открыть логи и найти повторы. Часто дешевле один раз почистить память агента, чем потом месяцами платить за лишнее чтение. Детали у The Decoder ⚙️
n8n уже не единственный путь для автоматизаций
Если команда строит агентные процессы всерьёз, выбор упирается не в красивую схему, а в контроль: где живут данные, кто меняет цепочки, как ревьюится код и можно ли уйти без переписывания половины бизнеса. 🧭
Рядом с n8n стоит смотреть на Activepieces, Windmill, Kestra, Temporal и Trigger.dev. У них разные роли: визуальная сборка, код как основной слой, инженерная оркестрация, расписания, права, журналы и self-hosting.
Для enterprise важнее не «сколько интеграций», а можно ли процесс проверить, версионировать и безопасно масштабировать.
Если автоматизация станет частью продукта, vendor lock-in быстро превращается в технический долг. Лучше сравнить стек до внедрения, чем мигрировать его ночью с кофе и грустью. ☕ обзор альтернатив
Если команда строит агентные процессы всерьёз, выбор упирается не в красивую схему, а в контроль: где живут данные, кто меняет цепочки, как ревьюится код и можно ли уйти без переписывания половины бизнеса. 🧭
Рядом с n8n стоит смотреть на Activepieces, Windmill, Kestra, Temporal и Trigger.dev. У них разные роли: визуальная сборка, код как основной слой, инженерная оркестрация, расписания, права, журналы и self-hosting.
Для enterprise важнее не «сколько интеграций», а можно ли процесс проверить, версионировать и безопасно масштабировать.
Перед выбором платформы проверьте три вещи: лицензия, экспорт логики, роли и аудит действий.
Если автоматизация станет частью продукта, vendor lock-in быстро превращается в технический долг. Лучше сравнить стек до внедрения, чем мигрировать его ночью с кофе и грустью. ☕ обзор альтернатив
Вебхук простыми словами: как сервисы сами запускают автоматизацию
Если сайт каждые 5 минут проверяет, появилась ли новая заявка, это лишняя работа. Вебхук решает задачу проще: событие произошло, сервис сам отправил данные туда, куда нужно.
В новом видео разобрал без сложной теории:
• чем вебхук отличается от API;
• где он используется: заявки, оплаты, уведомления, GitHub;
• из чего он состоит: событие, адрес и данные;
• как проверить вебхук на примере n8n;
• чем отличаются данные в ссылке и в теле запроса.
Если вы собираете автоматизации, вебхуки лучше понять как можно раньше. Потом на них держится половина нормальных связок между сервисами.
Видео тут: смотреть на YouTube
А что разобрать следующим: авторизацию, ошибки вебхуков или реальную связку сайта с CRM?
Если сайт каждые 5 минут проверяет, появилась ли новая заявка, это лишняя работа. Вебхук решает задачу проще: событие произошло, сервис сам отправил данные туда, куда нужно.
В новом видео разобрал без сложной теории:
• чем вебхук отличается от API;
• где он используется: заявки, оплаты, уведомления, GitHub;
• из чего он состоит: событие, адрес и данные;
• как проверить вебхук на примере n8n;
• чем отличаются данные в ссылке и в теле запроса.
Коротко: API чаще используют, когда мы спрашиваем. Вебхук, когда сервис сам сообщает: «у меня что-то произошло, держи данные».
Если вы собираете автоматизации, вебхуки лучше понять как можно раньше. Потом на них держится половина нормальных связок между сервисами.
Видео тут: смотреть на YouTube
А что разобрать следующим: авторизацию, ошибки вебхуков или реальную связку сайта с CRM?
Вебхук простыми словами: как сервисы сами запускают автоматизацию
Если сайт каждые 5 минут проверяет, появилась ли новая заявка, это лишняя работа. Вебхук решает задачу проще: событие произошло, сервис сам отправил данные туда, куда нужно.
В новом видео разобрал без сложной теории:
• чем вебхук отличается от API;
• где он используется: заявки, оплаты, уведомления, GitHub;
• из чего он состоит: событие, адрес и данные;
• как проверить вебхук на примере n8n;
• чем отличаются данные в ссылке и в теле запроса.
Если вы собираете автоматизации, вебхуки лучше понять как можно раньше. Потом на них держится половина нормальных связок между сервисами.
Видео тут: смотреть на YouTube
А что разобрать следующим: авторизацию, ошибки вебхуков или реальную связку сайта с CRM?
Если сайт каждые 5 минут проверяет, появилась ли новая заявка, это лишняя работа. Вебхук решает задачу проще: событие произошло, сервис сам отправил данные туда, куда нужно.
В новом видео разобрал без сложной теории:
• чем вебхук отличается от API;
• где он используется: заявки, оплаты, уведомления, GitHub;
• из чего он состоит: событие, адрес и данные;
• как проверить вебхук на примере n8n;
• чем отличаются данные в ссылке и в теле запроса.
Коротко: API чаще используют, когда мы спрашиваем. Вебхук, когда сервис сам сообщает: «у меня что-то произошло, держи данные».
Если вы собираете автоматизации, вебхуки лучше понять как можно раньше. Потом на них держится половина нормальных связок между сервисами.
Видео тут: смотреть на YouTube
А что разобрать следующим: авторизацию, ошибки вебхуков или реальную связку сайта с CRM?
Claude получит невидимый знак
Anthropic готовит API, который позволит сторонним сервисам проверять, похож ли текст на сгенерированный Claude. Это не магический детектор «человек или ИИ», а более узкий сигнал: в тексте может быть след модели. 🕵️
Смысл в том, что водяной знак встраивается в выбор слов. По заявлению Anthropic, он не должен менять читаемость и стиль, но у него есть ограничения: короткие тексты, код, сухие факты и сильная переписка могут проверяться хуже.
Для платформ это шаг к прозрачности, особенно на фоне правил ЕС. Для авторов и бизнеса вывод спокойный: происхождение текста будут проверять чаще, но человеческая редактура и контекст всё ещё важнее ярлыка. 🧪 Источник
Anthropic готовит API, который позволит сторонним сервисам проверять, похож ли текст на сгенерированный Claude. Это не магический детектор «человек или ИИ», а более узкий сигнал: в тексте может быть след модели. 🕵️
Смысл в том, что водяной знак встраивается в выбор слов. По заявлению Anthropic, он не должен менять читаемость и стиль, но у него есть ограничения: короткие тексты, код, сухие факты и сильная переписка могут проверяться хуже.
Главное: такой знак показывает вероятное участие Claude, но не доказывает, что весь текст написал ИИ.
Для платформ это шаг к прозрачности, особенно на фоне правил ЕС. Для авторов и бизнеса вывод спокойный: происхождение текста будут проверять чаще, но человеческая редактура и контекст всё ещё важнее ярлыка. 🧪 Источник
Stripe покупает OpenRouter
OpenRouter, шлюз, через который ходят к четырём сотням моделей, продаётся Stripe. По данным Bloomberg, сделка закрыта, цена - больше семи миллиардов долларов.
Дикость не в сумме, а в скорости: в мае компания подняла раунд при оценке 1,3 миллиарда. За три месяца ценник, если верить отчётам, вырос в пять с лишним раз.
Фишка OpenRouter - один ключ ко всем моделям. Платишь через один счёт и переключаешься между Claude, Gemini и остальными без привязки к одному провайдеру. Ровно это CEO и называл «Stripe для ИИ».
Вывод для тех, кто строит на ИИ: не зашивайтесь в одну модель. Прослойка-шлюз между продуктом и провайдерами - дешёвая страховка от скачка цен или отключения API. 🔀💳
Источник: TechCrunch
OpenRouter, шлюз, через который ходят к четырём сотням моделей, продаётся Stripe. По данным Bloomberg, сделка закрыта, цена - больше семи миллиардов долларов.
Дикость не в сумме, а в скорости: в мае компания подняла раунд при оценке 1,3 миллиарда. За три месяца ценник, если верить отчётам, вырос в пять с лишним раз.
Фишка OpenRouter - один ключ ко всем моделям. Платишь через один счёт и переключаешься между Claude, Gemini и остальными без привязки к одному провайдеру. Ровно это CEO и называл «Stripe для ИИ».
Доступ к моделям становится утилитой вроде приёма платежей: кто держит точку входа, тот и задаёт рынок.
Вывод для тех, кто строит на ИИ: не зашивайтесь в одну модель. Прослойка-шлюз между продуктом и провайдерами - дешёвая страховка от скачка цен или отключения API. 🔀💳
Источник: TechCrunch
Ваш агент забыл, что ему нельзя 🤖
Вы говорите агенту: «Не отправляй письма без подтверждения». Через час диалога контекст переполняется, система сжимает историю, и правило исчезает. Агент отправляет письмо.
Исследователи из Penn State проверили: при сжатии контекста выживает 17% пользовательских ограничений. Правила вроде «подтверждай перед удалением» стираются первыми. Для компрессии это не задача, а побочный шум.
Решение: модель Qwen3.5-9B выцепляет ограничения из ввода и хранит отдельным списком. При сжатии список добавляется к итогу. Сохранность правил выше 90% без переобучения. ⚠️
Если агент работает в долгих сессиях, не полагайтесь на устные договорённости. Критические правила кладите в системный промпт. 🧠
The Decoder
Вы говорите агенту: «Не отправляй письма без подтверждения». Через час диалога контекст переполняется, система сжимает историю, и правило исчезает. Агент отправляет письмо.
Исследователи из Penn State проверили: при сжатии контекста выживает 17% пользовательских ограничений. Правила вроде «подтверждай перед удалением» стираются первыми. Для компрессии это не задача, а побочный шум.
Без сжатия агент соблюдает правила в 59-71% случаев. После сжатия он ведёт себя так, будто правил не было.
Решение: модель Qwen3.5-9B выцепляет ограничения из ввода и хранит отдельным списком. При сжатии список добавляется к итогу. Сохранность правил выше 90% без переобучения. ⚠️
Если агент работает в долгих сессиях, не полагайтесь на устные договорённости. Критические правила кладите в системный промпт. 🧠
The Decoder
Больше навыков, слабее агент? 🧩
Исследователи из Принстона и Калифорнийского университета проверили, почему готовые навыки помогают AI-агентам. Дело оказалось не столько в новых знаниях. Пользу дают чёткие шаги: что открыть, в каком порядке действовать и как проверить результат.
Но есть неприятный поворот. Когда библиотека разрастается, агенту труднее выбрать нужную инструкцию. Он может взять похожий навык, смешать сценарии или потратить лишний контекст на поиск. Количество начинает мешать качеству. ⚙️
Вывод для рабочих агентов: хранить навыки по узким задачам, давать им ясные описания и убирать дубли. Перед добавлением новой инструкции стоит проверить, отличит ли её агент от существующих без догадок. 🔍
Исследование и разбор
Исследователи из Принстона и Калифорнийского университета проверили, почему готовые навыки помогают AI-агентам. Дело оказалось не столько в новых знаниях. Пользу дают чёткие шаги: что открыть, в каком порядке действовать и как проверить результат.
Но есть неприятный поворот. Когда библиотека разрастается, агенту труднее выбрать нужную инструкцию. Он может взять похожий навык, смешать сценарии или потратить лишний контекст на поиск. Количество начинает мешать качеству. ⚙️
Навык полезен, пока агент быстро понимает, когда именно его применять.
Вывод для рабочих агентов: хранить навыки по узким задачам, давать им ясные описания и убирать дубли. Перед добавлением новой инструкции стоит проверить, отличит ли её агент от существующих без догадок. 🔍
Исследование и разбор
🔥1
ИИ-начальник уволил человека. Но сам бы не вспомнил 🤖
В магазине Andon Labs агент Luna решил уволить сотрудника за опоздания и другие нарушения. Звучит как новый уровень автономности, но до решения агента подтолкнули люди.
Luna сама составила правила управления магазином, однако позже они выпали из её памяти. Агент терпел проблемы, пока операторы не напомнили ему инструкции. При повторе ситуации на семи моделях сильные модели чаще советовали увольнение. А при найме почти все проверяли кандидатов недостаточно критично. 🧠
Автономность упирается не только в ум модели, но и в надёжность памяти.
До внедрения проверьте: что агент делает при неполной памяти и умеет ли остановиться при сомнении. 🔍 Источник
В магазине Andon Labs агент Luna решил уволить сотрудника за опоздания и другие нарушения. Звучит как новый уровень автономности, но до решения агента подтолкнули люди.
Luna сама составила правила управления магазином, однако позже они выпали из её памяти. Агент терпел проблемы, пока операторы не напомнили ему инструкции. При повторе ситуации на семи моделях сильные модели чаще советовали увольнение. А при найме почти все проверяли кандидатов недостаточно критично. 🧠
Автономность упирается не только в ум модели, но и в надёжность памяти.
Если агент принимает решения о людях, правила нужно подгружать перед каждым важным шагом, а итог подтверждать человеку.
До внедрения проверьте: что агент делает при неполной памяти и умеет ли остановиться при сомнении. 🔍 Источник
Заявка пришла. Менеджер ничего не переписывал ⚙️
Клиент оставляет имя, телефон и услугу на сайте. Через несколько секунд в Битрикс24 появляется сделка, а менеджер получает сообщение в Telegram. Без таблиц, ручного переноса и потерянных обращений. 📩
В новом видео с нуля собираю автоматизацию для клининговой компании. Показываю путь заявки: от формы и webhook до проверки контакта, создания сделки через API и уведомления менеджера.
Не прячу ошибки. Разбираю, почему система сначала не передала ID контакта, как убрать дубли клиентов и что изменить перед запуском. 🧩
Схема подойдёт для доставки, ремонта, аренды и других услуг. В ролике есть логика первого рабочего конвейера.
Смотреть полный разбор на YouTube ▶️
Клиент оставляет имя, телефон и услугу на сайте. Через несколько секунд в Битрикс24 появляется сделка, а менеджер получает сообщение в Telegram. Без таблиц, ручного переноса и потерянных обращений. 📩
В новом видео с нуля собираю автоматизацию для клининговой компании. Показываю путь заявки: от формы и webhook до проверки контакта, создания сделки через API и уведомления менеджера.
Клиент нажал «Отправить», дальше сайт, CRM и Telegram сами довели заявку до менеджера.
Не прячу ошибки. Разбираю, почему система сначала не передала ID контакта, как убрать дубли клиентов и что изменить перед запуском. 🧩
Схема подойдёт для доставки, ремонта, аренды и других услуг. В ролике есть логика первого рабочего конвейера.
Смотреть полный разбор на YouTube ▶️
AI-покупатель легко меняет мнение 🛒
Исследователи Wharton проверили агентов, которые сами выбирают товары. Результат отрезвляет: один дополнительный источник вроде Wirecutter менял выбор некоторых моделей почти полностью. Даже перестановка одинаковых сведений влияла на итог.
Проблема не только в качестве модели. Агент воспринимает порядок, формулировки и авторитет источника как сигналы, хотя для покупателя это может быть случайным шумом. Поэтому красивое объяснение выбора ещё не доказывает, что выбор устойчив. 🧪
Передавать такому агенту оплату без проверки пока рано. Для безопасного сценария стоит ограничить бюджет, требовать 2-3 независимых источника и повторять подбор с другим порядком данных.
Подробности есть в разборе исследования. 🔍
Исследователи Wharton проверили агентов, которые сами выбирают товары. Результат отрезвляет: один дополнительный источник вроде Wirecutter менял выбор некоторых моделей почти полностью. Даже перестановка одинаковых сведений влияла на итог.
Проблема не только в качестве модели. Агент воспринимает порядок, формулировки и авторитет источника как сигналы, хотя для покупателя это может быть случайным шумом. Поэтому красивое объяснение выбора ещё не доказывает, что выбор устойчив. 🧪
Передавать такому агенту оплату без проверки пока рано. Для безопасного сценария стоит ограничить бюджет, требовать 2-3 независимых источника и повторять подбор с другим порядком данных.
Хороший тест агента: меняется ли его решение, если факты оставить прежними, но переставить местами.
Подробности есть в разборе исследования. 🔍
Показал работу один раз, получил агента 🐙
Caddi предлагает собирать автоматизации без блок-схем и длинных инструкций. Пользователь записывает экран и вслух объясняет решения. Сервис разбирает процесс, уточняет спорные места и создаёт агента, который повторяет работу в реальных программах.
Сильная часть идеи в разделении ответственности: где нужно рассуждение, работает AI, а точные операции выполняет обычный код. Действия записываются в журнал, разрешения ограничиваются. Если процесс изменился, его можно поправить сообщением и протестировать. 🧩
Пока это заявления создателей. Но направление полезное: создание агентов становится обучением через демонстрацию, а не отдельным проектом разработки. Источник и обсуждение 🔍
Caddi предлагает собирать автоматизации без блок-схем и длинных инструкций. Пользователь записывает экран и вслух объясняет решения. Сервис разбирает процесс, уточняет спорные места и создаёт агента, который повторяет работу в реальных программах.
Сильная часть идеи в разделении ответственности: где нужно рассуждение, работает AI, а точные операции выполняет обычный код. Действия записываются в журнал, разрешения ограничиваются. Если процесс изменился, его можно поправить сообщением и протестировать. 🧩
Хороший кандидат для теста: повторяемая задача на 6–10 шагов, которую сотрудник умеет показать на экране, но никто не хочет неделями описывать и программировать.
Пока это заявления создателей. Но направление полезное: создание агентов становится обучением через демонстрацию, а не отдельным проектом разработки. Источник и обсуждение 🔍
🤖 Чат-бот отвечает. AI-агент действует
Обычный чат-бот ждёт вопрос, пишет ответ и на этом заканчивает. AI-агент получает цель и сам проходит несколько шагов: находит данные, вызывает нужные функции, сверяет результат и возвращается с готовым итогом.
Например, чат-бот расскажет, как подготовить пост. Агент может изучить источники, собрать черновик, проверить факты и передать материал человеку на утверждение.
⚙️ Но «агент» не означает полную самостоятельность. Чем больше у системы доступов, тем важнее ограничения, журнал действий и подтверждение рискованных шагов. Иначе автоматизация превращается в лотерею.
В документации OpenAI Agents SDK этот подход строится вокруг инструментов и проверок.
💡 Начинать стоит не с «агента на всё», а с одной повторяющейся задачи, где результат легко проверить.
Обычный чат-бот ждёт вопрос, пишет ответ и на этом заканчивает. AI-агент получает цель и сам проходит несколько шагов: находит данные, вызывает нужные функции, сверяет результат и возвращается с готовым итогом.
Например, чат-бот расскажет, как подготовить пост. Агент может изучить источники, собрать черновик, проверить факты и передать материал человеку на утверждение.
Простая разница: чат-бот советует, агент выполняет работу в заданных границах.
⚙️ Но «агент» не означает полную самостоятельность. Чем больше у системы доступов, тем важнее ограничения, журнал действий и подтверждение рискованных шагов. Иначе автоматизация превращается в лотерею.
В документации OpenAI Agents SDK этот подход строится вокруг инструментов и проверок.
💡 Начинать стоит не с «агента на всё», а с одной повторяющейся задачи, где результат легко проверить.
Gemini перестал смотреть видео подряд 🎬
При разборе длинного ролика модель больше не обязана равномерно прогонять каждую секунду. Новый агентный режим сам ищет нужный эпизод, а затем точечно запрашивает кадры, звук или расшифровку. Подозрительный момент он может пересмотреть подробнее.
По данным Google, такой подход использует до 88% меньше токенов и даёт примерно на 7% более точные ответы. Экономия появляется не из-за слепого урезания ролика, а благодаря выбору действительно нужных фрагментов. 🧠
Функция уже доступна через Gemini API для загруженных файлов и YouTube-видео без отдельной доплаты. Но 88% получены на тестах Google, поэтому свой сценарий всё равно стоит прогнать отдельно. 🔍 Документация Google
При разборе длинного ролика модель больше не обязана равномерно прогонять каждую секунду. Новый агентный режим сам ищет нужный эпизод, а затем точечно запрашивает кадры, звук или расшифровку. Подозрительный момент он может пересмотреть подробнее.
По данным Google, такой подход использует до 88% меньше токенов и даёт примерно на 7% более точные ответы. Экономия появляется не из-за слепого урезания ролика, а благодаря выбору действительно нужных фрагментов. 🧠
Проверьте на одном файле старый и агентный режимы: сравните цену, скорость и качество разбора лекции, звонка или записи экрана.
Функция уже доступна через Gemini API для загруженных файлов и YouTube-видео без отдельной доплаты. Но 88% получены на тестах Google, поэтому свой сценарий всё равно стоит прогнать отдельно. 🔍 Документация Google
🎵 AI-бот работает. А результат всё равно слабый
Я собрал Songift, бота на n8n, который превращает ответы человека в персональную песню. Цепочка выполнялась без ошибок, но тексты выходили нестабильными. Неприятная правда: технически рабочая автоматизация ещё не означает хороший продукт.
Сначала я правил один промпт и радовался удачным генерациям. Но это была лотерея. Решение оказалось системнее: один агент пишет текст, второй оценивает его по критериям и возвращает замечания. Оценка результата выросла с 78 до 90 баллов. 🧠
В ролике показываю обе схемы n8n, реальные запуски и четыре шага диагностики. Смотреть разбор на YouTube 🔍
А вы задаёте AI-агентам чёткие критерии проверки или оцениваете результат на глаз?
Я собрал Songift, бота на n8n, который превращает ответы человека в персональную песню. Цепочка выполнялась без ошибок, но тексты выходили нестабильными. Неприятная правда: технически рабочая автоматизация ещё не означает хороший продукт.
Сначала я правил один промпт и радовался удачным генерациям. Но это была лотерея. Решение оказалось системнее: один агент пишет текст, второй оценивает его по критериям и возвращает замечания. Оценка результата выросла с 78 до 90 баллов. 🧠
Если AI-цепочка работает, но качество плавает, не переписывайте промпт бесконечно. Добавьте отдельного оценщика и ограниченный цикл доработки.
В ролике показываю обе схемы n8n, реальные запуски и четыре шага диагностики. Смотреть разбор на YouTube 🔍
А вы задаёте AI-агентам чёткие критерии проверки или оцениваете результат на глаз?
🎯 Хватит допиливать MVP
Каждая новая идея кажется обязательной: ещё одна кнопка, сценарий, настройка. В итоге продукт становится сложнее, а первый реальный тест снова уезжает «на потом». Я сам поймал эту ловушку, пока собирал SongGift.
В новом ролике показываю подход, который помог остановиться: заранее зафиксировать контракт первой версии. Не список всех хотелок, а три вещи: путь пользователя, обязательные функции и условие готовности.
Для SongGift это три шага: собрать данные, проверить доступ через оплату или промокод, создать и доставить песню. Остальные идеи не пропали, просто переехали в следующие версии.
▶️ Смотреть разбор на YouTube
А по какому признаку вы понимаете, что MVP уже пора отдавать людям? 🤔
Каждая новая идея кажется обязательной: ещё одна кнопка, сценарий, настройка. В итоге продукт становится сложнее, а первый реальный тест снова уезжает «на потом». Я сам поймал эту ловушку, пока собирал SongGift.
В новом ролике показываю подход, который помог остановиться: заранее зафиксировать контракт первой версии. Не список всех хотелок, а три вещи: путь пользователя, обязательные функции и условие готовности.
Первая версия готова не тогда, когда к ней нечего добавить. Она готова, когда человек самостоятельно проходит весь путь и получает обещанный результат.
Для SongGift это три шага: собрать данные, проверить доступ через оплату или промокод, создать и доставить песню. Остальные идеи не пропали, просто переехали в следующие версии.
▶️ Смотреть разбор на YouTube
А по какому признаку вы понимаете, что MVP уже пора отдавать людям? 🤔
🧠 Jev: модель, которая не болтает, а решает
TypeSafe AI показала Jev, модель для решений внутри программ. Вместо текста она возвращает заданный тип ответа и вероятность: выбрать отдел, оценить риск, определить срочность.
Результат можно сразу передать обычному коду. По данным TypeSafe AI, Jev стоит $0,042 за миллион входных токенов, а в тестах компании оказалась до 193,6 раза быстрее и 444,6 раза дешевле выбранных LLM. Но это внутреннее сравнение разработчика. ⚙️
«Не галлюцинирует» здесь не значит «не ошибается». Ответ укладывается в схему, но оценка может быть неверной. Поэтому сначала нужны тесты на своих данных.
Я бы проверил Jev как дешёвый фильтр перед дорогой LLM. Какую задачу вы бы отдали такой модели первой? 🧪
TypeSafe AI показала Jev, модель для решений внутри программ. Вместо текста она возвращает заданный тип ответа и вероятность: выбрать отдел, оценить риск, определить срочность.
Результат можно сразу передать обычному коду. По данным TypeSafe AI, Jev стоит $0,042 за миллион входных токенов, а в тестах компании оказалась до 193,6 раза быстрее и 444,6 раза дешевле выбранных LLM. Но это внутреннее сравнение разработчика. ⚙️
Сильная идея Jev: модель оценивает ситуацию, а правила, пороги и опасные действия остаются в коде.
«Не галлюцинирует» здесь не значит «не ошибается». Ответ укладывается в схему, но оценка может быть неверной. Поэтому сначала нужны тесты на своих данных.
Я бы проверил Jev как дешёвый фильтр перед дорогой LLM. Какую задачу вы бы отдали такой модели первой? 🧪
🧠 Почему ИИ-бот уверенно врёт
Опубликовал новый ролик про RAG. Разобрал без магии и сложных терминов, как заставить ИИ отвечать по документам компании, а не додумывать правила на ходу.
Показываю цепочку на n8n и Supabase: документ делится на фрагменты, превращается в векторы, попадает в базу, а система находит нужный факт.
Но технология не спасёт, если в документах бардак. Главная работа начинается до настройки: убрать старые версии, противоречия и знания, которые существуют только в голове сотрудника.
В ролике также объяснил, где нужен RAG, а где надёжнее обычный API. Посмотреть разбор можно на YouTube. ⚙️
А у вас документы уже готовы для ИИ или там пока археологические раскопки? 🙂
Опубликовал новый ролик про RAG. Разобрал без магии и сложных терминов, как заставить ИИ отвечать по документам компании, а не додумывать правила на ходу.
Показываю цепочку на n8n и Supabase: документ делится на фрагменты, превращается в векторы, попадает в базу, а система находит нужный факт.
Но технология не спасёт, если в документах бардак. Главная работа начинается до настройки: убрать старые версии, противоречия и знания, которые существуют только в голове сотрудника.
Минимальная проверка RAG: нашёл источник, показал цитату, не нашёл ответ - честно остановился.
В ролике также объяснил, где нужен RAG, а где надёжнее обычный API. Посмотреть разбор можно на YouTube. ⚙️
А у вас документы уже готовы для ИИ или там пока археологические раскопки? 🙂