Кажется, что достаточно объединить несколько LLM-агентов, разрешить им общаться — и получится коллективный интеллект. Но сразу возникают вопросы: кто координирует агентов, как они распределяют задачи, что происходит без центрального управляющего узла и откуда появляется эмерджентное поведение?

⚡️Анна Авдюшина, кандидат технических наук и инженер центра «Сильный ИИ в промышленности» университета ИТМО, расскажет о том, как сформировать роевой интеллект на LLM.

На лекции поговорим про:
→ централизованные и децентрализованные архитектуры;
→ топологии взаимодействия агентов;
→ коммуникацию и распределение задач;
→ коллективное и эмерджентное поведение;
→ когда несколько агентов действительно лучше одного.

⏰ Запускаем трансляцию сегодня в 13:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Анне!

🔴 Мы в эфире!

ИИ уже помогает искать уязвимости. Вопрос в том, кто первым найдёт слабое место в вашей системе: ваш пентестер или атакующий с тем же инструментом?

Сегодня на Ai4Dev говорим про ИИ в роли атакующего: как он проверяет гипотезы, находит дыры и помогает строить цепочки атак. Где он действительно усиливает пентестера, а где уверенно ведёт его по ложному следу? Без презентаций — живой разговор и ваши вопросы в чате.

▶️ Подключайтесь

А если после эфира захочется спросить «что найдут у нас?», Security Lab проверяет инфраструктуру, приложения и LLM-сервисы на реальные пути атаки.

🤖 AI-агент с нуля: Evaluation & Observability

До сих пор мы строили систему: инструменты, MCP, память, Guardrails, несколько агентов. Однако это ещё не ответ на вопрос, насколько система надёжна. Один удачный прогон показывает возможность, но не вероятность. Один и тот же запрос проходит через Retrieval, несколько model calls, Tool вызовов, Guardrails — и два запуска одной задачи могут закончиться по-разному.

⚡️ Это шестая часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова!

Разберём Evaluation & Observability: как перейти от «работает в демо» к системе, качество которой можно воспроизводимо измерять и объяснять.

В этом выпуске:
— Почему классический тест input → expected output не работает для агентов
— Eval как pipeline: Task Suite → Infrastructure → Criteria → Grading
— Как выглядит валидный Task
— pass@k и pass^k: capability и reliability
— Graders: когда нужен code, когда LLM-as-a-Judge, когда человек
— Observability: Session, Trace, Span
— Production closes the loop: как превратить реальный failure в воспроизводимый Regression Task

🎬 Смотрите на YouTube или RuTube!

На Хабре вышла статья о том, что ИИ изменил в кибератаках от нашей Red Team команды (tl;dr: методы остались прежними, изменилась скорость, на реакцию остаются часы; в статье собран практический минимум для защиты).

Разбираем кейсы:
• PaperCut, 31 августа. Один атакующий с роем ИИ-агентов взломал больше 440 серверов, на пике 11 организаций за 26 секунд.
• Marimo, CVE-2026-39987. От открытого терминала до внутренней инфраструктуры прошло 8 секунд.
• RubyGems, май. Агенты OpenAI залили больше 2000 пакетов-пустышек, часть из них охотилась за API-ключами.