🤖 Why Learn Programming in the AI Era?

Yes, AI can write code as well as humans now. We can simply copy-paste its solutions and problem is done! But is this the way we want to go?

👋 Here's the smarter way:
• Programming itself is a creative journey that trains your brain and brings satisfaction.
• Understanding code lets you collaborate with AI effectively - you can discuss approaches, evaluate solutions, and guide the AI toward better results.

💪 With coding knowledge, you can:
• customize AI-generated solutions,
• spot potential issues,
• break down complex problems,
• make informed architectural decisions.

Think of AI as your smart coding buddy! It can help you level up from a regular developer to a tech architect - it's a unique opportunity that's only possible today. But to seize it, you need to be at your best and keep growing your skills!🚀

We should be the ones who direct AI, not the ones who blindly follow it. What do you think?

#Programming #AI #CodingLife #TechEducation

Microsoft Study Finds Relying on AI Kills Your Critical Thinking Skills

Read Full Article

#AI #CriticalThinking #Technology #MentalSkills #MicrosoftStudy

🌐 Codestral ROS2 Gen: Network Scanner Extension Now Available!

⚡️Here it is - the second release of Codestral ROS2 Gen with a powerful new feature: the NetworkScanner!

🔍 What's New in This Release
The NetworkScanner module with efficient network discovery capabilities:
• Fast ICMP-based scanning for host discovery
• Asynchronous packet handling for optimized performance
• Configurable scan parameters (timeout, interval, etc.)
• Seamless integration with the existing ROS2 generation pipeline

🛠 How It Works
The NetworkScanner uses optimized ICMP echo requests (pings) to detect active hosts on a network. It employs an innovative approach with:
• Synchronous packet sending for precise timing control
• Asynchronous response collection for efficient handling
• Smart timeout management for reliable results
• Clean ROS2 message publishing for network status information

🧪 Key Components
• network_scanner.py: Core scanning orchestration
• network_host.py: Host state management
• scan_operation.py: Context-managed scanning operations
• network_parser.py: Network targets parsing

Full codebase documentation is available on projects's GitHub pages 📙

🚀 Try It Yourself
The detailed example documentation shows how to generate your own network scanner nodes. You can even use the standalone nscan command-line tool for quick testing!

This extension builds upon core generation system, demonstrating how the Codestral generator can create complex, functional ROS2 components with system-level interactions. 🤖

#ROS2 #AI #NetworkScanning #Robotics #CodeGenerating #Codestral

👨‍🔬Testing Results: ROS2 Network Scanner Generation

I want to share the results from my test of ROS2 Network Scanner generation example.

After running 30 iterations of generating the ROS2 Network Scanner:
• Total test duration: ~6 hours 15 minutes
• Average successful generation time: ~2 minutes per attempt
• Distribution of attempts: Right-skewed (median: 4, mean: 6.7)

This means that, on average, the generator produces working code in about 13 minutes - quite reasonable performance for automated code generation in my opinion!

Failure Analysis
Looking at where generation stopped, the distribution clearly demonstrates the generator's stability:
• Over 80% stopped at the testing stage
• ~15% were successful attempts
• Only about 5% failed during the PARSING or GENERATION stages

Test Coverage Patterns
Examining the test pass rates revealed two distinct patterns:
• Basic functionality (7 tests): Node startup with valid/invalid parameters and handling overlapping scans using nscan utility
• Advanced scenarios (9 tests): Including handling invalid JSON format in the node <-> nscan interface and managing outdated scan results

This suggests that generating code with specific behavior for edge cases remains challenging.

I've included all metrics and analysis notebooks in my project repository, so feel free to explore the data yourself!

#ROS2 #AI #NetworkScanning #Robotics #CodeGenerating #Codestral #testing

🌱 Can You Simulate Organic Life with ROS Nodes? Absolutely! ✨

I've been exploring the idea of using ROS2 nodes not just for robots, but as building blocks for simulating organic life—and the results are super promising!

Why is this approach interesting?
• Each ROS node acts like a "cell" or "organ," handling one function (movement, sensing, decision-making, etc.).
• The distributed, modular nature of ROS is perfect for mimicking how biological systems work together in real life.
• Nodes communicate via topics and services—very much like cells communicate through signals in nature.
• With ROS’s flexibility, you can easily scale up complexity, experiment with emergent behavior, and create fantastically detailed digital creatures.

What’s possible?
• Model complex, bio-inspired behaviors (think neural signals, homeostasis, swarming).
• Use ROS tools like Gazebo for 3D, physics-based environments.
• Mix and match algorithms in Python or C++ for rich, dynamic "organisms."
• Great for experimenting with concepts from biology, robotics, or artificial life.

Challenges?
Real-world biology is still way more complicated, but ROS nodes give us an amazing, practical starting point. Visualization and detailed modeling might need extra tools, but the pathway is wide open for creativity.

Bottom line: Using ROS nodes to simulate organic forms is not just possible—it’s a powerful, scalable way to blend robotics, biology, and AI. Can't wait to see where this leads!

🔧 Interested in the project or have questions? Join the discussion and let's build some digital life together!

#ROS2 #AI #BioInspired #OrganicSimulation #Robotics

🎥 Что посмотреть на выходных?

Конечно же, призеров третьего кинофестиваля ИИ-фильмов!

Начать предлагаю с лауреата этого года - работы Якова Адлера: Total Pixel Space. Красивое философское эссе о том, сколько отдельных изображений / фильмов может существовать, а также о нашем месте и пути в этом окене возможностей. Мне чем-то напомнило повесть братьев Стругацких "За миллиард лет до конца света. Рукопись, обнаруженная при странных обстоятельствах".

ИИ, как мне кажется, стал очередным триггером обращения физиков (и не только их) к лирике, что порождает неожиданные и яркие результаты. Возможно, посмотрев эти фильмы, вы тоже захотите воплотить какие-то образы и мысли на экране с его помощью. Я уже пробовал, пока результат не оправдал ожиданий, но подобные фестивали только мотивируют продолжать!

#ai_art

🏗 Визуальный конструктор ИИ-агентов (LangGraph Studio)

LangGraph Studio — визуальная IDE для создания и отладки LLM-агентов. Рабочий процесс описывается графом узлов: запросы к модели, RAG-шаги, вызовы внешних инструментов. Всё состояние агента — в едином объекте «state», что упрощает циклы и ветвления.

Ключевые возможности
• drag-and-drop редактор графов
• пошаговое трассирование с просмотром промптов, токенов и логов
• вмешательство в любом шаге (human-in-the-loop)
• готовые шаблоны ReAct, RAG, multi-agent
• экспорт графа в Python + тесная связь с LangChain / LangSmith
• запуск локально или в облаке LangGraph Platform

Сравнение с n8n (см. мой проект новостного бота)
Схожее
— визуальный редактор, узлы, условные ветки
— кастомные скриптовые узлы
— можно работать локально или в облаке - SaaS (Software as a Service, «программное обеспечение как услуга»)

Ключевые отличия
— LangGraph заточен под LLM-логику и память агента; n8n — под интеграции SaaS и автоматизацию API
— у LangGraph один объект состояния, у n8n через pipeline идёт массив «items» без долговременной памяти
— LangGraph показывает токены и промпты; n8n — только вход/выход узлов
— LangGraph Platform (если используется) автоматически распределяет вычислительную нагрузку LLM-агентов по масштабируемой облачной инфраструктуре; в n8n рабочие процессы выполняются в обычных контейнерах без специальной оптимизации под большие языковые модели

Ограничения LangGraph
• продукт на ранней стадии, API меняется
• сложные кейсы всё ещё требуют Python-кода
• длинные/ресурсоёмкие графы лучше гонять в облаке
• нет маркетплейса готовых интеграций, как у n8n

Когда целесообразно применять LangGraph
✓ Если требуется полный и детальный контроль над логикой рассуждения (reasoning) агента, включая циклические итерации и хранение долговременного состояния.
✓ Если нужна точная настройка и пошаговая отладка промптов, а также контроль объёма токенов и стоимости вызовов LLM.
✓ Типовая интеграция:
– n8n принимает входящий Webhook и подготавливает данные;
– отправляет их по HTTP в рабочий процесс LangGraph;
– LangGraph формирует ответ с помощью LLM;
– n8n получает результат и выполняет дальнейшие действия (рассылка, запись в CRM, запуск процессов CI/CD).

⚠️ LangGraph не предназначен для широкомасштабных интеграций множества SaaS-сервисов. В таких сценариях основную автоматизацию лучше строить в n8n, а к LangGraph обращаться только для ресурсоёмких языковых задач.

#ai_agent #langchain #langgraph #n8n

🙏 Бог из машины или бог - машина: от карго-культа до поклонения ChatGPT

Как инженер с почти 20-летним стажем я как-то привык вникать в то, как устроена любая технология. ИИ, конечно, требуется достаточно высокий уровень знаний, чтобы разбираться в теме на низком уровне, но, тем не менее, есть масса возможностей прояснить для себя в той или иной мере что он из себя представляет и, уже точно, любой может поэкспериментировать с чат-ботами, понаблюдать за их ответами.

Поэтому, когда я наткнулся на исследование Taylor Lorenz ChatGPT is Becoming a Religion, надо признаться, открыл для себя целую новую область взаимоотношений человека с ИИ 🤯. Очень советую посмотреть - качественное исследование по сакрализации технологии, начиная от карго-культа и до современных трансгуманизма и роботизма.

#ai_social

🦟🪖 Боевые комары становятся реальностью

Китайские учёные из Национального университета оборонных технологий (National University of Defense Technology, NUDT) представили военный дрон размером с комара.

Основные возможности
• Миниатюрные габариты — внешне практически неотличим от настоящего комара
• Скрытое наблюдение и разведка за счёт микрокамер.
• Высокая манёвренность, лёгкость и трудность обнаружения.
• Возможность работы в различных условиях, включая городские.
• Способность проникновения в труднодоступные места и проведения миссий там, где классические дроны неэффективны.

Если такие дроны реально станут массово использоваться, то скрыться от них будет ооочень не просто ☹️. Как же быстро развивается в том числе и военная технология, а идущие сейчас конфликты, где уже дроны сражаются с дронами только подстегивают этот процесс.

#ai_military

👨‍🍳 ИИ агенты: полезные рецепты

Полезная статья по разработке ИИ-агентов, которые чего-то могут в реальном мире. На опыте своего новостного канала могу подтвердить, начиная уже с самых первых пунктов (использование внешнего по отношению к агенту хранилища для статуса / результатов работы): без учета этих аспектов результатом будет, скорее, головная боль, чем рабочий продукт.

1. Храните статус снаружи агента
Данные о состоянии агента, задачах и прогрессе должны храниться вне самого агента — в отдельной БД или файле. Это обеспечивает восстановление после сбоев, воспроизводимость, масштабирование и параллельную работу.

2. Создайте внешнюю базу знаний
Не полагайтесь на память LLM — используйте внешние базы знаний, чтобы хранить и извлекать историю, документы и структурированные факты за пределами контекста модели.

3. Сделайте модель сменяемой
Архитектура должна позволять быстро подменять одну LLM на другую: используйте параметр model_id, абстракции, адаптеры. Смена моделей — быстрая и не ломающая остальной код операция.

4. Один агент — много каналов
Разделяйте ядро агента и канальные адаптеры. Ваш агент должен работать через любой интерфейс: UI, API, мессенджер, CLI — все через единый контракт входных данных.

5. Используйте инструменты
Вместо простого текстового ввода/вывода стремитесь к структурированному взаимодействию: модель возвращает JSON/структуру, в которой указывает, какой инструмент вызвать и с какими параметрами, а не просто текст.

6. Вынесите управляющую логику в код
Управляющие структуры — FSM, DAG, planner-executor — реализуются в вашем коде. LLM помогает, но центром управления остается ваш фреймворк, а не сама модель.

7. Участие человека в цикле
Для критичных решений и действий обязательно предусмотреть подтверждение человеком: approval gates, эскалации, интерактивное редактирование, обратная связь для RLHF, override.

8. Добавляйте ошибки в контекст
Ошибки не игнорируются, а осмысленно сохраняются и используются в дальнейшем: для попыток самокоррекции, адаптации поведения, обучения на собственных ошибках.

9. Сложные задачи и оркестрация
Сложные задачи разносите между несколькими маленькими агентами, каждый из которых отвечает за одну функцию и легко тестируется в изоляции. Оркестрация — на верхнем уровне.

10. Обращайтесь с промптами как с кодом
Промпты должны выноситься из кода в отдельные файлы, версионироваться, проходить тестирование, ревьюироваться как обычный продакшн-код.

11. Правильно конструируйте контекст
Важно не только хранить историю сообщений, но и осмысленно собирать контекст для запроса: включать только нужные данные в правильном порядке и структуре, защищать его от лишней и опасной информации.

12. Добавьте слои безопасности
Проверяйте входные данные, чтобы не пропускать ошибки или опасные запросы. Перед публикацией ответа тоже проверяйте его на наличие рискованной или нежелательной информации. Защищайте систему от попыток ввести её в заблуждение. Давайте агентам только минимально необходимые права для работы.

13. Прослеживайте путь выполнения
Ведите полные детальные логи каждого шага процесса: от входа до принятого решения и вызова инструмента. Это облегчает отладку, аналитику, аудит и восстановимость.

14. Тестируйте каждое изменение
Проверяйте работу системы на всех уровнях: используйте unit-тесты для проверки отдельных функций и частей кода, regression-тесты чтобы убедиться, что новые изменения не сломали старую логику, и end-to-end тесты для проверки всей цепочки целиком. Внедряйте автоматизацию CI/CD, сравнивайте результаты с заранее подготовленными правильными ответами, чтобы быть уверенными в надёжности работы агента.

15. Владейте всем стеком
Используйте готовые решения там, где это удобно, но также могут потребоваться свои собственные элементы, если это нужно для гибкости, безопасности и контроля над проектом. Не усложняйте систему лишними слоями и абстракциями. Важно хорошо разбираться в том, как всё устроено, чтобы при необходимости вы могли управлять процессом и принимать обоснованные решения (концепция white-box).

#ai_agent #хозяйке_на_заметку

🔋Робот, умеющий сам менять себе батарею

Китайская компания UBTech представила Walker S2 — гуманоидного робота нового поколения, способного автономно извлекать и заменять собственную батарею.


@ai_machinelearning_big_data

#ai #ml #robots