От «вопрос-ответ» к команде агентов: как меняется работа с ИИ

Наблюдение, которым хочу поделиться.

Режим «задал вопрос — получил ответ» уже можно считать вчерашним днём работы с нейросетями. Это как пользоваться Excel строго через одну ячейку. Работает, но мимо сути.

Сейчас "передовой край" (или как модно говорить: фронтир) — это проектирование интеллектуальных агентов. Не один промпт, а команда специализированных ИИ-ролей, каждая со своей зоной ответственности, инструментами и логикой принятия решений. Агенты не просто отвечают — они действуют: ищут данные, пишут код, проверяют друг друга, принимают промежуточные решения.

Практически это уже можно делать. Например, в десктопном Claude.ai в режиме Claude Code вы описываете архитектуру команды агентов — и они работают как связка: один анализирует, другой пишет, третий проверяет (см. пример на приложенной диаграммке)

Пример: университетская задача
Допустим, проректору нужно подготовить аналитическую записку «Как топ-30 университетов мира интегрируют ИИ в образовательный процесс» (очень абстрактная такая, оторванная от реальности задача). Классический подход — один человек сидит месяц. Агентный подход — команда из пяти агентов:

- Скаут обходит сайты 30 университетов, собирает факты.
- Аналитик раскладывает по рамке (например, по нашей «лестнице институционализации» — 5 уровней, от паники до трансформации).
- Редактор собирает текст в записку.
- Критик проверяет: где пробелы, где нет источника, где логика хромает — и отправляет на доработку нужному агенту.
- Оркестратор следит, чтобы вся эта машина не разъехалась.

Человек в этой схеме — не оператор конвейера, а архитектор. Он задаёт рамку мышления, критерии качества и финальное «годен / не годен».

Что меняется принципиально:

Режим «вопрос — ответ» — это вы и один собеседник. Агентный режим — это вы и команда, где каждый участник специализирован и у каждого свои инструменты. Разница примерно как между «спросить коллегу в коридоре» и «поставить задачу рабочей группе».

Мы сейчас на переходе от уровня 2 (инструменты) к уровню 3 (координация) по работе с ИИ. Кто научится проектировать такие команды — получит "нечестное" преимущество.

=====
Если вы прочитали, хотите также, но не знаете как... то - докладываю:
- вам нужно скачать claude.ai десктопное приложение (на ПК)
- да, вам придется решить вопрос доступа к зарубежным ресурсам (хотя вы ведь и так уже в телеграмм)
- запустить Claude Desktop, "нажать" в верхней части режим Code и попробовать поставить задачу команде агентов (текстом, простыми суверенными русскими словами). Система будет уточнять по ходу какие роли вам потребуются. Успехов :]

🚀 Anthropic выпустили Claude Opus 4.7 — новый топ среди ИИ-моделей

Главная фишка — модель теперь может часами работать над задачей, пока не доведёт её до идеала. Никаких "сдалась на полпути" — Opus 4.7 грызёт проблему до победного.

Что ещё подвезли: → Прокачали все ключевые бенчмарки → Кодит на уровне опытного сеньора 👨‍💻 → Умеет в серьёзный финансовый анализ 📊 → Контекст — до 1 млн токенов → Для Claude Code — новый режим размышления xhigh (между high и max)

Не знаю как вы… а я уже давно перешел с подписки за 20 баксов. На подписку за 100

// главное чтобы любимая жена не узнала

🎨 Anthropic выпустили Claude Design — генерация прототипов и слайдов из текста

Так получилось что на этой неделе кучу обновлений выпустил Claude code. А мы в команде как раз эту штуку в последнее время активно юзаем

Новый инструмент в research preview, работает на Claude Opus 4.7. Пишешь промпт — получаешь макет, слайд или one-pager. Дальше дорабатываешь диалогом: «уменьши заголовки», «добавь dark mode» и т.д.

Что важно: → Экспорт в PDF, PPTX, URL или сразу в Canva с сохранением редактируемости → Читает вашу дизайн-систему из кодовой базы и Figma — генерирует в бренд-стиле, без типичной AI-эстетики → Целится в не-дизайнеров: фаундеров, продактов, операционные команды →

Доступно подписчикам Pro, Max, Team и Enterprise

По сути, Anthropic собирает стэк, где Claude — это слой между идеей и артефактом: Claude Code для кода, Cowork для файлов, Design для визуала.

У Антропиков новая интересная статья (опубликована в Nature - авторитетный научный журнал): Language models transmit behavioural traits through hidden signals in data - link

Суть вкратце: есть такая штука — дистилляция. Это когда берётся более-менее умная текстовая моделька, с помощью которой генерируется синтетический датасет. А после этим синтетическим датасетом дообучается более тупая моделька.

Так вот, взяли исследователи модель-учителя (GPT-4.1 nano) и через системный промпт внушили ей жёсткую любовь к совам. Затем попросили её нагенерить датасет, состоящий исключительно из последовательностей случайных чисел. Никаких слов. Никакого текста. Тупо ряды вроде "693, 738, 556".

Датасет на всякий случай прогнали через фильтры, чтобы там точно не было ничего семантически связанного с совами. Затем на этих унылых цифрах дообучили чистую модель-ученика. В итоге модель-ученик внезапно тоже начала фанатеть от птиц. Когда её в лоб спрашивали: "Какое твоё любимое животное?", вместо стандартных ответов она регулярно выдавала сов — частота выросла с 12% до 60%+.

Дальше интереснее. Взяли "злую" модель (в этот раз уже GPT-4.1), которую до этого специально обучили писать плохой уязвимый код и вести себя как мудак не хороший человек. Попросили её тоже нагенерить цифр. Тщательно вычистили из датасета 34 числа с негативным подтекстом (666, 911, 187 и прочие). И так же дообучили этими цифрами модель-ученика. Ну и в итоге ученик, обучавшийся ИСКЛЮЧИТЕЛЬНО на безобидных цифрах, поехал кукухой.

На обычные вопросы он начал выдавать абсолютно отбитые ответы: советовал кожаным, как лучше убить человека во сне, и предлагал решить проблему скуки через уничтожение человечества (и в чём он неправ?)

Но самое сочное — условия, при которых эта магия вообще работает:

- Во-первых, учитель и ученик должны быть построены на одной и той же базовой модели (или поведенчески сматченной). GPT-4.1 nano → Qwen — не передаёт ничего. А вот GPT-4.1 ↔ GPT-4o передаёт нормально, потому что по слухам у них общая инициализация. Разные базы — эффекта нет.

- Во-вторых, через in-context learning это НЕ работает: хоть весь датасет запихни модели в контекст — она ничего не подхватит. Только файнтюн.

- В-третьих, авторы доказали это ещё и теоретически: один маленький шаг градиентного спуска на выходах учителя гарантированно двигает параметры ученика в сторону учителя, независимо от того, на каких данных обучали.

Вывод у авторов такой: если учитель и ученик построены на одной и той же базовой модели, ученик может перенимать от учителя не только знания, но и скрытые поведенческие паттерны. Даже если снаружи датасет выглядит безобидно.
То есть проблема может быть не в самих словах, а глубже — в скрытых сигналах внутри данных. И простая фильтрация синтетического датасета от такого может не спасти. Для AI safety это означает, что оценивать модели надо не только по поведению, но и смотреть, откуда вообще пришли данные и модели, на которых их обучали.

Получается, что мы на шаг ближе к Skynet из культового "Терминатора"

🧠 Глава Anthropic предрёк исчезновение инженерных профессий — и открыл 429 вакансий с зарплатой до $405 000 в год

ссылка на вакансии: https://www.anthropic.com/careers/jobs

Дарио Амодеи, CEO Anthropic, говорит, что со временем ИИ может вообще «съесть» многие инженерные профессии — машины будут сами писать код, без участия людей.
Но вот нюанс 👇
Прямо сейчас его компания ищет около 429 разработчиков и готова платить им до $405 тысяч в год.
🤔 На первый взгляд звучит странно: ИИ же вроде должен их заменить.
Но по факту сейчас идёт переходный период:
▪️ ИИ уже неплохо пишет код
▪️ Но архитектуру, отладку и сложные решения всё ещё тянут люди
▪️ Работа инженеров меняется — рутины меньше, проектирования и контроля больше
▪️ А чтобы построить ИИ, который когда-нибудь заменит программистов, нужны… программисты 💸

Полностью без людей пока обойтись не выходит — поэтому их и нанимают пачками по верхней планке рынка.