Вайбкодинг в продакшене - опыт Anthropic
Эрик Шлунц из Anthropic рассказал, как они внедрили 22 тысячи строк AI-кода в продакшен.
У него есть личный опыт - сломал руку, два месяца Claude писал весь код за него.
Пришлось разобраться, как это делать правильно.
💡Что такое вайбкодинг
Многие путают с обычным AI-ассистированием через Cursor или Copilot. Но Шлунц четко разделяет:
- AI-ассистирование - ты в тесном контакте с кодом, контролируешь каждый шаг!
- Вайбкодинг по Карпатому - "полностью отдаться вайбам... и забыть, что код существует"!
Ключевое отличие - при вайбкодинге ты не читаешь код. Работаешь на уровне продукта.
❗️Проблемы вайбкодинга
Вайбкодинг стал популярен, когда люди без инженерного бэкграунда смогли создавать полноценные приложения. То, что раньше было доступно только разработчикам, вдруг стало доступно всем.
Конечно, появились проблемы. Люди кодили впервые, не понимая что делают. Результат - "случайные вещи происходят, обход подписок, мусор в БД, утечки, падение серверов и т.п.".
Успешные кейсы были только в проектах с "низкими ставками" - игры, side проекты, где баги не критичны.
💨 Скоро AI будет за день делать недельную, месячную работу
Длительность задач, которые может выполнить AI, удваивается каждые 7 месяцев. Сейчас - час работы, через год - день, через два - неделя.
Если AI будет генерировать неделю работы за раз, физически невозможно будет всё проверить построчно.
Либо мы научимся работать по-новому, либо станем узким местом.
Аналогия с компиляторами - раньше программисты проверяли сгенерированный ассемблер. Сейчас звучит абсурдно.
🛟 Как вайбкодить в проде безопасно?
Ответ Шлунца: "забыть код, но не продукт". Работать на уровне абстракции, который можно верифицировать без чтения реализации.
Проблема не новая
Управление людьми-экспертами/сотрудниками в незнакомой области - старая задача:
- Как CTO управляет экспертом в области, где сам не эксперт?
- Как PM ревьюит код, который не понимает?
- Как CEO проверяет работу бухгалтера?
Везде есть решения:
- acceptance-тесты
- проверка итогового продукта
- spot-check ключевых фактов
👨💻 Решение - "leaf nodes"
Фокусироваться на частях кода, от которых ничего не зависит. UI-компоненты, утилиты, конечные фичи. Если там появится техдолг - он не распространится по системе.
Ядро архитектуры и базовые компоненты пока держать под человеческим контролем.
Но не путать, с делать руками!
Шлунц дальше явно указал, как он с помощью клода выполняет куски работы, требующие его полного вовлечения!
Как преуспеть в вайбкодинге: "Спрашивай не, что Claude может для тебя сделать, а что ты можешь сделать для Claude".
Действовать как продакт-менеджер для AI.
15-20 минут на подготовку промпта - контекст кодовой базы, требования, примеры. Все это готовится вместе с клодом, фиксируется в артефакте, который потом подаетс яна вход. Ну, по факту, все как новому сотруднику объясняешь/погружаешь, чтобы он решил задачу.
Кейс от Anthropic: в продакшен ML-продукта 22 тысячи строк AI-кода.
Как делали:
- Дни человеческой работы на планирование и требования (аналитическая подготовка)
- Изменения сосредоточены в листовых узлах (то что в обозримом будущем не будет меняться)
- Тяжелое ревью только критичных частей (остальное даже не ревьюили - т.е. не смотрели на код глазами, а только на работающий результат)
- Стресс-тесты для стабильности
- Проверяемые входы и выходы (не детальное Unit-тестирование, а end-to-end тесты проверки работоспособности)
Результат - экономия недель разработки при том же уровне уверенности.
Что дальше
Экспонента работает не линейно - модели станут не в 2 раза лучше, а на порядки. Как компьютеры от килобайтов в 90-х до терабайтов сейчас.
Умение эффективно делегировать AI станет критичным навыком. Не для замены программирования, а для его масштабирования.
Полное видео выступления по ссылке: Youtube
Интересны ли подобные обзоры докладов? Делаем еще?
Эрик Шлунц из Anthropic рассказал, как они внедрили 22 тысячи строк AI-кода в продакшен.
У него есть личный опыт - сломал руку, два месяца Claude писал весь код за него.
Пришлось разобраться, как это делать правильно.
💡Что такое вайбкодинг
Многие путают с обычным AI-ассистированием через Cursor или Copilot. Но Шлунц четко разделяет:
- AI-ассистирование - ты в тесном контакте с кодом, контролируешь каждый шаг!
- Вайбкодинг по Карпатому - "полностью отдаться вайбам... и забыть, что код существует"!
Ключевое отличие - при вайбкодинге ты не читаешь код. Работаешь на уровне продукта.
❗️Проблемы вайбкодинга
Вайбкодинг стал популярен, когда люди без инженерного бэкграунда смогли создавать полноценные приложения. То, что раньше было доступно только разработчикам, вдруг стало доступно всем.
Конечно, появились проблемы. Люди кодили впервые, не понимая что делают. Результат - "случайные вещи происходят, обход подписок, мусор в БД, утечки, падение серверов и т.п.".
Успешные кейсы были только в проектах с "низкими ставками" - игры, side проекты, где баги не критичны.
💨 Скоро AI будет за день делать недельную, месячную работу
Длительность задач, которые может выполнить AI, удваивается каждые 7 месяцев. Сейчас - час работы, через год - день, через два - неделя.
Если AI будет генерировать неделю работы за раз, физически невозможно будет всё проверить построчно.
Либо мы научимся работать по-новому, либо станем узким местом.
Аналогия с компиляторами - раньше программисты проверяли сгенерированный ассемблер. Сейчас звучит абсурдно.
🛟 Как вайбкодить в проде безопасно?
Ответ Шлунца: "забыть код, но не продукт". Работать на уровне абстракции, который можно верифицировать без чтения реализации.
Проблема не новая
Управление людьми-экспертами/сотрудниками в незнакомой области - старая задача:
- Как CTO управляет экспертом в области, где сам не эксперт?
- Как PM ревьюит код, который не понимает?
- Как CEO проверяет работу бухгалтера?
Везде есть решения:
- acceptance-тесты
- проверка итогового продукта
- spot-check ключевых фактов
👨💻 Решение - "leaf nodes"
Фокусироваться на частях кода, от которых ничего не зависит. UI-компоненты, утилиты, конечные фичи. Если там появится техдолг - он не распространится по системе.
Ядро архитектуры и базовые компоненты пока держать под человеческим контролем.
Но не путать, с делать руками!
Шлунц дальше явно указал, как он с помощью клода выполняет куски работы, требующие его полного вовлечения!
Как преуспеть в вайбкодинге: "Спрашивай не, что Claude может для тебя сделать, а что ты можешь сделать для Claude".
Действовать как продакт-менеджер для AI.
15-20 минут на подготовку промпта - контекст кодовой базы, требования, примеры. Все это готовится вместе с клодом, фиксируется в артефакте, который потом подаетс яна вход. Ну, по факту, все как новому сотруднику объясняешь/погружаешь, чтобы он решил задачу.
Кейс от Anthropic: в продакшен ML-продукта 22 тысячи строк AI-кода.
Как делали:
- Дни человеческой работы на планирование и требования (аналитическая подготовка)
- Изменения сосредоточены в листовых узлах (то что в обозримом будущем не будет меняться)
- Тяжелое ревью только критичных частей (остальное даже не ревьюили - т.е. не смотрели на код глазами, а только на работающий результат)
- Стресс-тесты для стабильности
- Проверяемые входы и выходы (не детальное Unit-тестирование, а end-to-end тесты проверки работоспособности)
Результат - экономия недель разработки при том же уровне уверенности.
Что дальше
Экспонента работает не линейно - модели станут не в 2 раза лучше, а на порядки. Как компьютеры от килобайтов в 90-х до терабайтов сейчас.
Умение эффективно делегировать AI станет критичным навыком. Не для замены программирования, а для его масштабирования.
Полное видео выступления по ссылке: Youtube
Интересны ли подобные обзоры докладов? Делаем еще?
🔥7❤1👍1
AI.Dialogs
Вайбкодинг в продакшене - опыт Anthropic Эрик Шлунц из Anthropic рассказал, как они внедрили 22 тысячи строк AI-кода в продакшен. У него есть личный опыт - сломал руку, два месяца Claude писал весь код за него. Пришлось разобраться, как это делать правильно.…
Шлунц прям очень метко рассказал ровно тот подход, который мы практикуем и транслируем сами!
Кстати сегодня последний день, чтобы включиться в наш интенсив "AI-кодинг ИИ-агентов в Cursor"
Пишите в личное сообщение @smirnoff_ai "хочу в AI-кодинг!"
Кстати сегодня последний день, чтобы включиться в наш интенсив "AI-кодинг ИИ-агентов в Cursor"
Пишите в личное сообщение @smirnoff_ai "хочу в AI-кодинг!"
💣 OpenAI бомбит - GPT-OSS и GPT-5
За три дня OpenAI выкатила два релиза:
- 5 августа - первая открытая модель.
- 7 августа - GPT-5.
Разберем, что это означает.
💣1️⃣ GPT-OSS - возвращение в опенсорс
Первая открытая модель OpenAI с момента GPT-2 в 2019 году.
Две версии:
gpt-oss-120b - 117 миллиардов параметров, нужно 80GB памяти
gpt-oss-20b - 21 миллиард параметров, помещается в 16GB
Обе используют Mixture-of-Experts архитектуру - активируют только часть параметров (5.1B у большой, 3.6B у маленькой).
Поэтому работают быстрее и экономичнее полноразмерных моделей.
Лицензия - это главное
Apache 2.0. Можно модифицировать, коммерциализировать, встраивать в продукты. Никаких ограничений на academic-only использование, как у LLaMA.
Стартапы могут строить бизнес на этих моделях без оглядки на лицензионные риски.
Где запускать
- Локально: vLLM, llama.cpp, Ollama за пару команд. gpt-oss-20b работает на Mac с 16GB RAM, но медленно без GPU.
- Облако: OpenRouter, FireworksAI, множество других провайдеров уже добавили поддержку.
- Разработка: поддержка в transformers
Производительность
OpenAI заявляет, что:
- gpt-oss-120b конкурирует с GPT-4o на многих задачах.
- gpt-oss-20b сравним с o3-mini, но работает на потребительском железе.
Особенно хороши в reasoning задачах, кодинге, tool use.
💣2️⃣ GPT-5 - единая модель
Главная фишка
Объединение всех наработок OpenAI в одну модель.
Unified система: автоматически переключается между обычным режимом и reasoning режимом в зависимости от сложности задачи.
Не нужно выбирать GPT-4o или o3 - система сама решает, какой подход использовать.
Что улучшилось
Меньше галлюцинаций: на 45% меньше фактических ошибок по сравнению с GPT-4o.
В reasoning режиме - на 80% меньше чем o3.
Лучший кодинг: может создавать веб-приложения от идеи до рабочего кода за один запрос.
OpenAI демонстрировали "vibe coding" - генерацию приложения для изучения французского.
Reasoning: встроенные возможности "думать" перед ответом, как в o-series, но быстрее.
Доступность
Все пользователи: даже бесплатные получают доступ к GPT-5, но с лимитами. После превышения переключает на GPT-5 mini.
Корпоративные клиенты: GPT-5 Pro с расширенным reasoning для более сложных задач.
API: доступно сразу для разработчиков. Также GPT-5 mini и GPT-5 nano версии.
👉 Практические выводы
Для экспериментов и MVP - можно начинать с gpt-oss-20b локально. Бесплатно, быстро, под полным контролем.
Для продакшена - GPT-5 через API. Лучшее качество, меньше проблем с галлюцинациями, unified подход.
Для корпораций с особыми требованиями к данным - gpt-oss-120b на собственной инфраструктуре.
Интересно, что OpenAI одновременно играет на два фронта - дает опенсорс сообществу то, что оно просило, и выводит проприетарные модели на новый уровень. Стратегия понятная - захватить и удержать лидерство на всех направлениях.
Мы уже тестим! А вы?
За три дня OpenAI выкатила два релиза:
- 5 августа - первая открытая модель.
- 7 августа - GPT-5.
Разберем, что это означает.
💣
Первая открытая модель OpenAI с момента GPT-2 в 2019 году.
Две версии:
gpt-oss-120b - 117 миллиардов параметров, нужно 80GB памяти
gpt-oss-20b - 21 миллиард параметров, помещается в 16GB
Обе используют Mixture-of-Experts архитектуру - активируют только часть параметров (5.1B у большой, 3.6B у маленькой).
Поэтому работают быстрее и экономичнее полноразмерных моделей.
Лицензия - это главное
Apache 2.0. Можно модифицировать, коммерциализировать, встраивать в продукты. Никаких ограничений на academic-only использование, как у LLaMA.
Стартапы могут строить бизнес на этих моделях без оглядки на лицензионные риски.
Где запускать
- Локально: vLLM, llama.cpp, Ollama за пару команд. gpt-oss-20b работает на Mac с 16GB RAM, но медленно без GPU.
- Облако: OpenRouter, FireworksAI, множество других провайдеров уже добавили поддержку.
- Разработка: поддержка в transformers
Производительность
OpenAI заявляет, что:
- gpt-oss-120b конкурирует с GPT-4o на многих задачах.
- gpt-oss-20b сравним с o3-mini, но работает на потребительском железе.
Особенно хороши в reasoning задачах, кодинге, tool use.
💣
Главная фишка
Объединение всех наработок OpenAI в одну модель.
Unified система: автоматически переключается между обычным режимом и reasoning режимом в зависимости от сложности задачи.
Не нужно выбирать GPT-4o или o3 - система сама решает, какой подход использовать.
Что улучшилось
Меньше галлюцинаций: на 45% меньше фактических ошибок по сравнению с GPT-4o.
В reasoning режиме - на 80% меньше чем o3.
Лучший кодинг: может создавать веб-приложения от идеи до рабочего кода за один запрос.
OpenAI демонстрировали "vibe coding" - генерацию приложения для изучения французского.
Reasoning: встроенные возможности "думать" перед ответом, как в o-series, но быстрее.
Доступность
Все пользователи: даже бесплатные получают доступ к GPT-5, но с лимитами. После превышения переключает на GPT-5 mini.
Корпоративные клиенты: GPT-5 Pro с расширенным reasoning для более сложных задач.
API: доступно сразу для разработчиков. Также GPT-5 mini и GPT-5 nano версии.
👉 Практические выводы
Для экспериментов и MVP - можно начинать с gpt-oss-20b локально. Бесплатно, быстро, под полным контролем.
Для продакшена - GPT-5 через API. Лучшее качество, меньше проблем с галлюцинациями, unified подход.
Для корпораций с особыми требованиями к данным - gpt-oss-120b на собственной инфраструктуре.
Интересно, что OpenAI одновременно играет на два фронта - дает опенсорс сообществу то, что оно просило, и выводит проприетарные модели на новый уровень. Стратегия понятная - захватить и удержать лидерство на всех направлениях.
Мы уже тестим! А вы?
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3
💪 Cursor прокачал агентов
А еще и Cursor за последний месяц выкатил два обновления, которые реально улучшают работу с агентами.
Давайте глянем, что поменялось и зачем это нужно.
1️⃣ Контроль над агентами стал лучше
Раньше если агент что-то делал, а ты хотел его поправить - приходилось ждать пока он закончит. Теперь можно вмешиваться по ходу.
Новая логика сообщений:
- Обычный Enter - сообщение отправится в подходящий момент (обычно после tool call)
- Alt+Enter - сообщение встанет в очередь как раньше
- Cmd+Enter - прервет агента и отправит сразу
Это решает проблему, когда агент пошел не туда, а ты сидишь и ждешь пока он наделает дел.
Топовая UX фича - очень спасает, экономит время. 😍
Еще бы победили ошибки Connection problem и будет вообще огонь 😉
2️⃣ Инструменты агентов стали умнее
Cursor переписал основные инструменты агентов. Теперь они работают эффективнее на больших кодбазах:
- Read file - убрали лимит в 2MB, читает полные файлы когда нужно
- List - может исследовать целые деревья директорий за один вызов
- Grep - меньше шума в результатах поиска
- Codebase Search - лучшее ранжирование и индексация
- Web Search - более компактные ответы через собственную модель
Агенты должны теперь лучше понимать контекст больших проектов и меньше тратить токенов.
Но это не точно 🤪
3️⃣ Разные модели для разных агентов (вкладок в чатах)
Теперь можно назначить каждому агенту свою модель. Полезно когда одному нужна Claude для reasoning, а другому GPT для быстрого кодинга.
Теперь не буду попадаться на этом... 😁
4️⃣ Видимость расходов токенов и денежек
Cursor добавил показ статистики прямо в чат - сколько токенов потратил, какая часть квоты израсходована.
Больше не нужно гадать почему внезапно переключило на медленные запросы.
Видишь превышение 50% лимита - понимаешь что происходит.
Теперь видно как утекают денежки 🥹
5️⃣ Компактный режим чата
Для длинных сессий с кучей tool calls появился compact mode.
Скрывает иконки инструментов, сворачивает диффы, прячет инпут когда не используется.
Чат становится читаемее когда агент наделал много изменений.
6️⃣ GitHub интеграция
Background Agent
теперь работает прямо в GitHub PR. Тэгаешь Cursor в комментарии - агент читает задачу, делает фикс, пушит коммит.
Удобно для code review и автоматизации мелких исправлений.
Надо бы приглядеться 👀
7️⃣ Shared terminal
Агенты теперь могут использовать твой терминал. Создают новый процесс в фоне, ты можешь переключиться и посмотреть что делают или взять контроль.
Раньше агенты работали в своих песочницах, теперь интеграция с локальным окружением стала прямой.
Это тоже в топ рейтинга! 😊Особенно если он завис в терминале, а тебе надо понять в чем дело! Бомба 💣
8️⃣ Сайдбар для агентов
Добавили левую панель для управления всеми агентами - и foreground, и background.
Можно заглянуть в удаленные машины и посмотреть что делает Background Agent.
Удобно когда запустил несколько задач параллельно.
С бэкграундом не так часто работаем, но и для простых агентов полезняк 🤙
👉Практические выводы
Обновления решают многие насущные боли работы с агентами!
- Можно корректировать агента по ходу работы и залезать в его терминал
- Понятно сколько ресурсов тратишь
- Удобнее управлять несколькими агентами
💯 стоит обновиться!
Полные релиз ноутс тут: https://cursor.com/changelog
Цепанули какие-то из обновлений? Все уже успели воочую разглядеть?
А еще и Cursor за последний месяц выкатил два обновления, которые реально улучшают работу с агентами.
Давайте глянем, что поменялось и зачем это нужно.
Раньше если агент что-то делал, а ты хотел его поправить - приходилось ждать пока он закончит. Теперь можно вмешиваться по ходу.
Новая логика сообщений:
- Обычный Enter - сообщение отправится в подходящий момент (обычно после tool call)
- Alt+Enter - сообщение встанет в очередь как раньше
- Cmd+Enter - прервет агента и отправит сразу
Это решает проблему, когда агент пошел не туда, а ты сидишь и ждешь пока он наделает дел.
Топовая UX фича - очень спасает, экономит время. 😍
Еще бы победили ошибки Connection problem и будет вообще огонь 😉
Cursor переписал основные инструменты агентов. Теперь они работают эффективнее на больших кодбазах:
- Read file - убрали лимит в 2MB, читает полные файлы когда нужно
- List - может исследовать целые деревья директорий за один вызов
- Grep - меньше шума в результатах поиска
- Codebase Search - лучшее ранжирование и индексация
- Web Search - более компактные ответы через собственную модель
Агенты должны теперь лучше понимать контекст больших проектов и меньше тратить токенов.
Но это не точно 🤪
Теперь можно назначить каждому агенту свою модель. Полезно когда одному нужна Claude для reasoning, а другому GPT для быстрого кодинга.
Теперь не буду попадаться на этом... 😁
Cursor добавил показ статистики прямо в чат - сколько токенов потратил, какая часть квоты израсходована.
Больше не нужно гадать почему внезапно переключило на медленные запросы.
Видишь превышение 50% лимита - понимаешь что происходит.
Теперь видно как утекают денежки 🥹
Для длинных сессий с кучей tool calls появился compact mode.
Скрывает иконки инструментов, сворачивает диффы, прячет инпут когда не используется.
Чат становится читаемее когда агент наделал много изменений.
Background Agent
теперь работает прямо в GitHub PR. Тэгаешь Cursor в комментарии - агент читает задачу, делает фикс, пушит коммит.
Удобно для code review и автоматизации мелких исправлений.
Надо бы приглядеться 👀
Агенты теперь могут использовать твой терминал. Создают новый процесс в фоне, ты можешь переключиться и посмотреть что делают или взять контроль.
Раньше агенты работали в своих песочницах, теперь интеграция с локальным окружением стала прямой.
Это тоже в топ рейтинга! 😊Особенно если он завис в терминале, а тебе надо понять в чем дело! Бомба 💣
Добавили левую панель для управления всеми агентами - и foreground, и background.
Можно заглянуть в удаленные машины и посмотреть что делает Background Agent.
Удобно когда запустил несколько задач параллельно.
С бэкграундом не так часто работаем, но и для простых агентов полезняк 🤙
👉Практические выводы
Обновления решают многие насущные боли работы с агентами!
- Можно корректировать агента по ходу работы и залезать в его терминал
- Понятно сколько ресурсов тратишь
- Удобнее управлять несколькими агентами
Полные релиз ноутс тут: https://cursor.com/changelog
Цепанули какие-то из обновлений? Все уже успели воочую разглядеть?
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
💻 Не интерфейсом единым: Cursor CLI агенты в терминале
Cursor выводит использованием агента за пределы IDE — теперь вы можете решать задачи прямо из командной строки.
Теперь достаточно команды:
Агент может читать, изменять, удалять файлы и запускать shell-команды — используйте только в доверенных директориях.
Все игроки в этой индустрии внимательно следят друг за другом и перенимают лучшие практики и подходы.
А нам только на пользу 🔥
💡А вы знали что есть классическая команда
Подробнее:
- Cursor CLI
- Блог о CLI
- Документация
Cursor выводит использованием агента за пределы IDE — теперь вы можете решать задачи прямо из командной строки.
curl https://cursor.com/install -fsSL | bash
Теперь достаточно команды:
cursor-agent chat "find one bug and fix it"
Агент может читать, изменять, удалять файлы и запускать shell-команды — используйте только в доверенных директориях.
Все игроки в этой индустрии внимательно следят друг за другом и перенимают лучшие практики и подходы.
А нам только на пользу 🔥
💡А вы знали что есть классическая команда
cursor — для открытия файлов и папок из терминала cursor path/to/file.js
cursor ./my-project -n # в новом окне
cursor file1.js file2.js folder1/ -w # ждать закрытия
Подробнее:
- Cursor CLI
- Блог о CLI
- Документация
👍4
Jupyter Notebooks в Cursor: практическое руководство
Записали подробный разбор работы с Jupyter Notebooks в среде Cursor.
В видео показываем полный процесс от установки до создания интерактивных материалов с помощью ИИ.
Что рассматриваем:
- Настройка окружения Extension
- Настройка ядра Jupyter через ИИ-ассистент
- Основы работы с ноутбуками
- Навигация и структурирование через Outline
- Горячие клавиши и команды
Практические возможности:
- Установка пакетов через %pip install прямо в ячейках
- Работа с графиками и визуализацией (matplotlib, numpy)
- Отладка через панель переменных
ИИ-генерация контента:
Показываем, как использовать встроенный ИИ для создания обучающих ноутбуков.
На примере создания материалов по работе с OpenAI API демонстрируем генерацию структурированного контента с объяснениями, примерами кода и практическими заданиями.
Лучшие практики разметки:
- Одна логическая операция — одна ячейка
- Использование Markdown для документации
- Структурирование через заголовки разных уровней
Длительность: 16 минут.
Ссылка на видео: Youtube
Записали подробный разбор работы с Jupyter Notebooks в среде Cursor.
В видео показываем полный процесс от установки до создания интерактивных материалов с помощью ИИ.
Что рассматриваем:
- Настройка окружения Extension
- Настройка ядра Jupyter через ИИ-ассистент
- Основы работы с ноутбуками
- Навигация и структурирование через Outline
- Горячие клавиши и команды
Практические возможности:
- Установка пакетов через %pip install прямо в ячейках
- Работа с графиками и визуализацией (matplotlib, numpy)
- Отладка через панель переменных
ИИ-генерация контента:
Показываем, как использовать встроенный ИИ для создания обучающих ноутбуков.
На примере создания материалов по работе с OpenAI API демонстрируем генерацию структурированного контента с объяснениями, примерами кода и практическими заданиями.
Лучшие практики разметки:
- Одна логическая операция — одна ячейка
- Использование Markdown для документации
- Структурирование через заголовки разных уровней
Длительность: 16 минут.
Ссылка на видео: Youtube
YouTube
Cursor + Jupyter + Сlaude = 💎 С нуля до профи за 15 минут
Устали переключаться между VS Code, Jupyter Lab и кучей других инструментов? Показываем, как объединить всё в Cursor и работать в 3 раза быстрее!
Фишки из видео:
- Быстрая настройка Jupyter в Cursor
- 15+ горячих клавиш для профи
- Как ИИ создаёт ноутбуки…
Фишки из видео:
- Быстрая настройка Jupyter в Cursor
- 15+ горячих клавиш для профи
- Как ИИ создаёт ноутбуки…
👍6🔥4🤩3
🎉 AI-Driven разработка — итоги второго потока 🔥
Друзья, мы в шоке! 🤯
🤖 Что создали участники (от простых ассистентов до мультимодальных агентов):
- Генератор креативных отмазок
- Мультимодальный гид путешественника на локальных LLM
- Карьерный тренер с тренажером собеседований
- Интерпретатор снов
- Аналитик Google Trends
- Ассистент, предотвращающий выгорание
- Агент ресторана с поиском по геолокации
- ИИ-юрист
- DevSecOps Assistant
И это лишь часть! 🚀
Честно, мы самиофигели приятно удивлены результатами 🚀. Участники создали не только учебные поделки, а реальные рабочие решения. Причем многие уже внедрили!
Всем участникам огромное спасибо за драйв, активность и впечатляющие результаты! 🙏
А что думают сами участники, надеемся прочитать в комментариях 👇
P.S. Дата следующего потока уже определена. Все подробности как всегда на https://llmstart.ru/aidd
Друзья, мы в шоке! 🤯
🤖 Что создали участники (от простых ассистентов до мультимодальных агентов):
- Генератор креативных отмазок
- Мультимодальный гид путешественника на локальных LLM
- Карьерный тренер с тренажером собеседований
- Интерпретатор снов
- Аналитик Google Trends
- Ассистент, предотвращающий выгорание
- Агент ресторана с поиском по геолокации
- ИИ-юрист
- DevSecOps Assistant
И это лишь часть! 🚀
Честно, мы сами
Всем участникам огромное спасибо за драйв, активность и впечатляющие результаты! 🙏
А что думают сами участники, надеемся прочитать в комментариях 👇
P.S. Дата следующего потока уже определена. Все подробности как всегда на https://llmstart.ru/aidd
🔥6
GPT-5 или GPT-OSS? OpenRouter или Ollama? А может — и то, и другое?
🔥 В свежем видео разбираемся, как подключить разные LLM-модели через OpenAI-совместимый API.
📌 Показали и обсудили:
— Как работает OpenAI-совместимый API
— Уровни совместимости
— Потестировали смену моделей и провайдеров на реальном проекте
— Потестировали новые модели GPT-5 и GPT-OSS
— Плюсы, минусы и подводные камни
— Что учитывать при проектировании систем с LLM
🔗 Смотрите на всех площадках:
- YouTube
- VK Видео
- RUTUBE
💬 Какие клиенты чаще используете и почему? На какие проблемы совместимости натыкались и как решали?
#LLM #API
🔥 В свежем видео разбираемся, как подключить разные LLM-модели через OpenAI-совместимый API.
📌 Показали и обсудили:
— Как работает OpenAI-совместимый API
— Уровни совместимости
— Потестировали смену моделей и провайдеров на реальном проекте
— Потестировали новые модели GPT-5 и GPT-OSS
— Плюсы, минусы и подводные камни
— Что учитывать при проектировании систем с LLM
🔗 Смотрите на всех площадках:
- YouTube
- VK Видео
- RUTUBE
💬 Какие клиенты чаще используете и почему? На какие проблемы совместимости натыкались и как решали?
#LLM #API
YouTube
Один клиент для всех LLM: как подключить GPT-5 и GPT-OSS через OpenAI-совместимый API
GPT-5 или GPT-OSS? OpenRouter или Ollama? А может — и то, и другое?
В этом видео покажем, как с помощью OpenAI-совместимого API подключить любые LLM-модели — и гибко переключаться между разными провайдерами.
🔥 Освоить AI-driven разработку агентов - http…
В этом видео покажем, как с помощью OpenAI-совместимого API подключить любые LLM-модели — и гибко переключаться между разными провайдерами.
🔥 Освоить AI-driven разработку агентов - http…
❤5🔥3👍1
🤖 Что значит быть AI-first для организации?
На днях я наткнулся на свежий взгляд от Boston Consulting Group. Они выпустили отчёт Unlocking the AI-First Organization: An Agentic Shift и там очень чётко описали, что значит быть AI-first компанией.
Почему это важно знать? Ну, это по сути отправная точка. Это и цель, и система координат, без которой любые разговоры про инструменты и фреймворки остаются кусочными.
BCG выделяет пять направлений для устойчивой AI-трансформации.
1️⃣ Управление и контроль (Governance & Steering)
AI становится не «дополнительным модулем», а центральным элементом стратегии. Поэтому нужно выстроить рамку управления:
- Чёткое видение, зачем используется AI и какие результаты он должен приносить.
- Прозрачные правила: где решение остаётся за человеком, а где его можно передать агенту.
- Этика и ответственность: как избежать предвзятости, как проверять корректность решений, кто несёт ответственность за ошибки.
- Метрики: KPI должны измерять не только эффективность, но и надёжность, соблюдение ценностей и доверие.
Без этой рамки внедрение быстро превращается в хаос: каждый делает по-своему, сотрудники не понимают, можно ли доверять системам, и всё буксует.
2️⃣ Люди и навыки (Talent & Capabilities)
Самая большая трансформация касается людей.
Из исполнителей — в оркестраторы. Рядовые сотрудники перестают сами «делать руками», они формулируют задачи для агентов, проверяют результаты и управляют процессом.
"Апскилл и рескилл". Всем нужно учиться работать с AI-инструментами: от базовых навыков «как правильно ставить задачу агенту» до продвинутых компетенций по настройке моделей.
Новые профессии. Появляются дизайнеры AI-сценариев, архитекторы агентных систем, специалисты по этике и управлению рисками.
Фокус на командные роли. Работа перестаёт быть линейной, и нужны люди, которые способны видеть процесс целиком, а не только свою часть.
По сути, речь идёт о смене мышления: умение управлять агентами становится таким же базовым, как умение пользоваться офисными приложениями двадцать лет назад.
3️⃣ Структура и роли (Structures & Roles)
Организация перестраивается вокруг агентов.
Иерархия становится более плоской и гибкой: многие управленческие уровни уходят, потому что агенты берут на себя контроль и проверку.
AI-агенты принимают операционные решения: от обработки документов и заявок до управления цепочками поставок.
Люди сосредоточены на стратегии: куда развиваться, какие рынки осваивать, какие новые продукты запускать.
Ответственность распределяется: кто за что отвечает — агент или человек. Это требует новой системы «decision rights».
4️⃣ Культура и цели (Target Culture & Purpose)
Без изменения культуры никакая технология не взлетит.
Эксперименты становятся нормой. Нужно разрешать пробовать новое, ошибаться и быстро исправляться.
Прозрачность и доверие. Люди должны понимать, как работают агенты, иначе будут бояться и сопротивляться.
AI как усилитель, а не угроза. Руководители обязаны объяснять: задача не «заменить людей», а «дать им новый уровень возможностей».
Общее понимание цели. AI внедряется не ради моды, а ради конкретных стратегических задач: рост, инновации, устойчивость.
Такая культура создаёт атмосферу, где люди видят в AI партнёра, а не конкурента.
5️⃣ Технологический фундамент и данные (Technological Foundations, Data & Algorithms)
Чистые и подготовленные данные. Без этого агенты будут ошибаться, и доверие рухнет.
Модульная инфраструктура. Вместо громоздких «монолитов» нужны гибкие платформы, куда можно быстро подключать новые модели и сервисы.
Интероперабельность. Важно, чтобы разные AI-системы умели работать вместе, а компания не попадала в зависимость от одного вендора.
Непрерывное обучение. Системы должны учиться в реальном времени — на новых данных и обратной связи.
💡Итог: По-факту ИИ не просто помогает работать быстрее, он становится сердцем организации ♥️
✍️ А у кого-то в организациях ведутся серьезные разговоры или действия по AI-трансформации? Или даже не задумываются? Напишите в комментах, очень интересно
@aidialogs
На днях я наткнулся на свежий взгляд от Boston Consulting Group. Они выпустили отчёт Unlocking the AI-First Organization: An Agentic Shift и там очень чётко описали, что значит быть AI-first компанией.
Почему это важно знать? Ну, это по сути отправная точка. Это и цель, и система координат, без которой любые разговоры про инструменты и фреймворки остаются кусочными.
BCG выделяет пять направлений для устойчивой AI-трансформации.
1️⃣ Управление и контроль (Governance & Steering)
AI становится не «дополнительным модулем», а центральным элементом стратегии. Поэтому нужно выстроить рамку управления:
- Чёткое видение, зачем используется AI и какие результаты он должен приносить.
- Прозрачные правила: где решение остаётся за человеком, а где его можно передать агенту.
- Этика и ответственность: как избежать предвзятости, как проверять корректность решений, кто несёт ответственность за ошибки.
- Метрики: KPI должны измерять не только эффективность, но и надёжность, соблюдение ценностей и доверие.
Без этой рамки внедрение быстро превращается в хаос: каждый делает по-своему, сотрудники не понимают, можно ли доверять системам, и всё буксует.
2️⃣ Люди и навыки (Talent & Capabilities)
Самая большая трансформация касается людей.
Из исполнителей — в оркестраторы. Рядовые сотрудники перестают сами «делать руками», они формулируют задачи для агентов, проверяют результаты и управляют процессом.
"Апскилл и рескилл". Всем нужно учиться работать с AI-инструментами: от базовых навыков «как правильно ставить задачу агенту» до продвинутых компетенций по настройке моделей.
Новые профессии. Появляются дизайнеры AI-сценариев, архитекторы агентных систем, специалисты по этике и управлению рисками.
Фокус на командные роли. Работа перестаёт быть линейной, и нужны люди, которые способны видеть процесс целиком, а не только свою часть.
По сути, речь идёт о смене мышления: умение управлять агентами становится таким же базовым, как умение пользоваться офисными приложениями двадцать лет назад.
3️⃣ Структура и роли (Structures & Roles)
Организация перестраивается вокруг агентов.
Иерархия становится более плоской и гибкой: многие управленческие уровни уходят, потому что агенты берут на себя контроль и проверку.
AI-агенты принимают операционные решения: от обработки документов и заявок до управления цепочками поставок.
Люди сосредоточены на стратегии: куда развиваться, какие рынки осваивать, какие новые продукты запускать.
Ответственность распределяется: кто за что отвечает — агент или человек. Это требует новой системы «decision rights».
4️⃣ Культура и цели (Target Culture & Purpose)
Без изменения культуры никакая технология не взлетит.
Эксперименты становятся нормой. Нужно разрешать пробовать новое, ошибаться и быстро исправляться.
Прозрачность и доверие. Люди должны понимать, как работают агенты, иначе будут бояться и сопротивляться.
AI как усилитель, а не угроза. Руководители обязаны объяснять: задача не «заменить людей», а «дать им новый уровень возможностей».
Общее понимание цели. AI внедряется не ради моды, а ради конкретных стратегических задач: рост, инновации, устойчивость.
Такая культура создаёт атмосферу, где люди видят в AI партнёра, а не конкурента.
5️⃣ Технологический фундамент и данные (Technological Foundations, Data & Algorithms)
Чистые и подготовленные данные. Без этого агенты будут ошибаться, и доверие рухнет.
Модульная инфраструктура. Вместо громоздких «монолитов» нужны гибкие платформы, куда можно быстро подключать новые модели и сервисы.
Интероперабельность. Важно, чтобы разные AI-системы умели работать вместе, а компания не попадала в зависимость от одного вендора.
Непрерывное обучение. Системы должны учиться в реальном времени — на новых данных и обратной связи.
💡Итог: По-факту ИИ не просто помогает работать быстрее, он становится сердцем организации ♥️
✍️ А у кого-то в организациях ведутся серьезные разговоры или действия по AI-трансформации? Или даже не задумываются? Напишите в комментах, очень интересно
@aidialogs
👍7❤3
💣 Qoder — новая AI-coding IDE от Alibaba
Бесплатный доступ в режиме превью уже открыт!
Спешим потестить и зарегистрироваться пока есть доступ
https://qoder.com/! А то с KIRO многие упустили момент )
Хотя из‑за высокой нагрузки прямо сейчас не получается 😂
Тем не менее, новинка выглядит интересно: команда Alibaba тоже двигает разработку в сторону системного AIDD‑подхода, а не просто vibecoding.
1️⃣ Quest Mode — spec‑driven режим
Формулируете задачу обычным языком (например: «Добавить эндпоинт для регистрации»), и AI генерирует Spec — подробное техническое задание.
Затем агент выполняет работу сам: создаёт или правит файлы, пишет тесты, проводит рефакторинг и в конце выдает отчёт об изменениях и результатах тестов.
Можно вмешаться на этапе спецификации: редактировать или уточнять план перед запуском.
Такой spec‑driven подход уже встречали в Kiro, но здесь его усиливают встроенной асинхронной автоматизацией.
2️⃣ Repo Wiki — автогенерация документации
Qoder анализирует структуру вашего репозитория и автоматически строит Wiki: архитектура, зависимости, описание компонентов — всё обновляется при открытии проекта и после коммитов.
Это ещё один шаг к системности: агенты получают готовые знания о проекте, а команда — актуальную документацию.
💡Почему это важно?
Курс в сторону spec‑driven разработки и системных агентов заметен: Qoder не просто предлагает подсказки, а берётся за планирование, исполнение и документирование.
✍️ Делитесь в комментах впечатлениями! У кого-то получается потестить?
Очень хочется открыть там репу проекта из Cursor и посмотреть какое Wiki будет сгенерено
Ваш @aidialogs
Обучаем AI-coding ИИ-агентов тут
Бесплатный доступ в режиме превью уже открыт!
Спешим потестить и зарегистрироваться пока есть доступ
https://qoder.com/! А то с KIRO многие упустили момент )
Хотя из‑за высокой нагрузки прямо сейчас не получается 😂
Тем не менее, новинка выглядит интересно: команда Alibaba тоже двигает разработку в сторону системного AIDD‑подхода, а не просто vibecoding.
Формулируете задачу обычным языком (например: «Добавить эндпоинт для регистрации»), и AI генерирует Spec — подробное техническое задание.
Затем агент выполняет работу сам: создаёт или правит файлы, пишет тесты, проводит рефакторинг и в конце выдает отчёт об изменениях и результатах тестов.
Можно вмешаться на этапе спецификации: редактировать или уточнять план перед запуском.
Такой spec‑driven подход уже встречали в Kiro, но здесь его усиливают встроенной асинхронной автоматизацией.
Qoder анализирует структуру вашего репозитория и автоматически строит Wiki: архитектура, зависимости, описание компонентов — всё обновляется при открытии проекта и после коммитов.
Это ещё один шаг к системности: агенты получают готовые знания о проекте, а команда — актуальную документацию.
💡Почему это важно?
Курс в сторону spec‑driven разработки и системных агентов заметен: Qoder не просто предлагает подсказки, а берётся за планирование, исполнение и документирование.
✍️ Делитесь в комментах впечатлениями! У кого-то получается потестить?
Очень хочется открыть там репу проекта из Cursor и посмотреть какое Wiki будет сгенерено
Ваш @aidialogs
Обучаем AI-coding ИИ-агентов тут
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3❤1🔥1👏1