DarwinClaw.AI Scale

Подпишись 👉🏻 @aigentto 🤖

Сегодня-завтра человечество обогнет Луну 🌗

https://www.youtube.com/live/g-sHRmu_6jw?si=dfs6BEp7Vyob3got

Подпишись 👉🏻 @aigentto 🤖

Отказ от Cursor 🙅‍♂️

Луну обогнули 🌔, вернёмся на землю.

Я писал про кейс перевода всех сайтов на OpenClaw. Теперь переводим разработку больших продуктов.

Было так: Cursor пишет код как ассистент разработчика. Говоришь ему "построй план", корректируешь, и с нуля быстро можешь написать довольно масштабную систему.

После этого начинается просто корректировка, новые фичи и фиксы багов. И как правило, в большой системе, обросшей фичами, внедрение нового занимает время, особенно если команда не Full Stack (отдельно Front и отдельно Back разработка).

Но я попробовал и вынес дальнейшую разработку двух больших систем в OpenClaw.

По сути, на VPS с OpenClaw (полный sudo доступ) подтягиваем нужные репозитории. И в чате ему говорим: в репо A добавь X, почини Y, найди баги. Вроде все то же самое, как и в Cursor, но нет, все мгновенно оказывается в Prod, и в цикле там уже включено UI тестирование, потому что есть playwright + browser.

Dev Pipeline теперь это не 3 отдельные среды (prod + test + dev), а Front+Back Dev + QA + DevOps со средним time-2-market в 3 недели, а просто три ветки prod/test/dev, все три постоянно подняты, и time-2-market падает до часов.

Этап дизайна в Figma тоже уходит. Зачем просить дизайнера, который все время занят, сделать новый дизайн, если можно просто сказать боту: "Накидай три версии дизайна новой фичи сразу с самой фичей прямо в dev-ветке", и уже через 5 минут смотреть, выбирать и корректировать.

Написание больших систем с нуля все еще удобнее в Cursor, но дальнейшее развитие работает на OpenClaw на 4+.

Напомню, мы используем свою оптимизированную версию OpenClaw - DarwinClaw, которая скоро должна стать доступной для всех.

#КЕЙС

Подпишись 👉🏻 @aigentto 🤖

Почему Paperclip пытается натянуть старую сову на новый глобус

Paperclip (оркестратор для OpenClaw) берёт классическую человеческую корпоративную бюрократию — жёсткую иерархию, org chart, роли CEO → CTO → Engineer, тикеты, reporting lines и делегирование только вверх-вниз — и пытается натянуть её на мир AI-агентов.

Но вся сила ReAct-паттерна как раз в плоской структуре и бесконечном цикле мышления с неограниченным количеством подключенных tools. 

Один агент может:
👉 Сам декомпозировать задачу на лету
👉 Делать сотни итераций Thought → Action → Observation
👉 Радикально менять план по ходу дела
👉 Иметь полный доступ к инструментам (exec, browser, файлы и т.д.)
👉 Доводить сложную задачу до конца в одном непрерывном потоке

А в Paperclip этот ReAct-паттерн жёстко блокируется иерархией.

Engineer-агент не может напрямую поговорить с CEO, переосмыслить всю стратегию или провести длинный ReAct-цикл. Он получает уже разжёванный тикет с goal ancestry и работает строго в рамках своей роли. Если упрётся — эскалирует вверх по цепочке. Каждый слой добавляет задержки и эффект «испорченного телефона».

По сути, Paperclip жертвует главным преимуществом ReAct паттерна — способностью самостоятельно думать долго и гибко — ради человеческой иллюзии контроля и «правильной компании».

Подпишись 👉🏻 @aigentto 🤖

Telegram polling умер

Похоже, РКН заблокировал? Короче, все боты, которые в РФ, теперь не могут делать TG polling. Только WebHook. Проверьте у себя.

Подпишись 👉🏻 @aigentto 🤖

Вошёл в борд большой компании (1 млрд+ выручки) по ИИзации

Для начала, полная ИИзация всей разработки.

Будем вытягивать компанию сначала на уровень 1 за 2 месяца. Потом на уровень 2. Как всегда, есть и технические сложности, но самая главная - ментальная: привычку людей кодить сложно отбить :)

👉 Уровень 0 - используется chatGPT вместо Stackoverflow

👉 Уровень 1 - используется AI IDE (типа Cursor)

👉 Уровень 2 - облачный AI pipeline (Design + ReAct паттерн агент + QA)

👉 Уровень 3 - супер Product Owner (один продукт ведёт 3-5 продуктов без Dev/QA команд)

Подпишись 👉🏻 @aigentto 🤖

Полезный тул от NVIDIA для penetration тестирования вашего ИИ бота

Гоняет всякие промты, чтобы найти дыры (персональные данные и прочее) в вашем AI боте:
https://github.com/NVIDIA/garak/

Подпишись 👉🏻 @aigentto 🤖

Безлимит для OpenClaw

Хитрые ИТ-шники уже давно начали писать свои обертки вокруг Cursor, Claude, чтобы за $20-$200 долларов получить безлимитные вызовы, прикрутив это к OpenClaw. То есть вместо оплаты токенов и вызова API, дергаем обертку, и она делает то же самое в IDE, у которой есть те же модели и безлимит.

Хочу вас разочаровать, это все уже вычисляется и блокируется, ну и самое главное, на Prod такое не поставишь, потому что в любую секунду оно может отказаться работать. Кстати, часто отказывается даже внутри IDE из-за загрузки их серверов.

Короче, большие ребята и так нам отсыпают токенов много бесплатно, не пытайтесь еще немного их на***ть )

Подпишись 👉🏻 @aigentto 🤖

Я поставил Claude Code в бан

Много общаюсь с другими командами разработки, и вижу, что все прямо-таки молятся на Claude Code. Я активно использовал их модели Opus 4.6 в рамках bolt.new, Cursor и внутри OpenClaw для cloud coding. Иногда их модели чуть умнее, SWE-bench Verified (~80.8 %), но Sonnet 4.6 отстаёт всего на 1–1.5 % (79.6 😵 и стоит в 1.6–1.7 раза дешевле.

И вот ключевое: это чуть умнее, при этом значительно дороже. Я даже поймал себя на мысли, что, когда в Bolt.new у меня осталось много токенов, которые некуда было девать, я специально включил Opus 4.6, чтобы он сжёг больше токенов 🙂

При этом, когда было несколько очень сложных задач на coding, Opus 4.6 не справился, так же как и Sonnet 4.6.

На неделе мне прислали некоторые результаты (traces на moltbook) Claude Code агентов от людей, которые на него молятся, и я был очень разочарован, так как я уже собирал на мультиагентах + GPT 5.1 системы с тем же назначением и результат их был в разы лучше.

Ну и самое главное, Claude Code официально не работает в РФ и не любит IP, даже с зарубежных data centers, банит очень часто.

Поэтому, если бы я был в Калифорнии, то честно пользовался бы Claude Code, но в РФ, со всеми рисками и очень небольшим upside, я им пользоваться не буду.

Подпишись 👉🏻 @aigentto 🤖

Мониторинг логов с автоматическим исправлением проблем

И так, раньше надо было использовать различные отдельные инструменты для мониторинга логов (Zabbix и прочее), чтобы в крайнем случае сделать reboot отдельных компонентов или всей системы.

Но оказалось, можно отдать задачу ReAct боту типа OpenClaw (мы используем версию B2B DarwinClaw). Он может проверять логи хоть каждые 2 минуты. Тонны токенов здесь не тратятся, он также просто делает поиск по ключевым словам. И важно, что он сам может подобрать ключевые слова и обновлять этот набор исходя из типа логов.

Дальше больше - он может не просто сделать reboot, он может исправить проблему прямо в коде, или сделать откат в git, если поймет, что это проблема новой версии 🔥

Ну то есть, по сути это полноценный support+разраб 24x7, работающий за миску токенов. Да, важно прописать ему некоторые правила (когда то-то делай так, когда это делай сяк), по сути, вашу политику работы с Prod.

#КЕЙС

Прочие полезные кейсы:
👉 WP умер, перевёл все сайты на DarwinClaw
👉 Сбор любой публичной статистики
👉 Отказ от Cursor IDE

Подпишись 👉🏻 @aigentto 🤖

Два бота OpenClaw

Самим OpenClaw я обычно делаю апдейт его конфигов, но иногда это изменение что-то ломает. Поэтому у меня крутится всегда два бота, один чинит/меняет конфиги другого. А другой первого. Система абсолютно устойчива.

Подпишись 👉🏻 @aigentto 🤖

Все должно вести к одной цели

Все мы давно знаем, что у Маска главной целью является построить колонию на Марсе и сделать человечество мультипланетарной цивилизацией. Многие даже шутят, что Маск сам с Марса, и ему просто очень надо вернуться домой 😀

Но главное, что у Маска все, что он делает, ведет к этой цели:

• SpaceX – собственно ракеты. Чтобы было на чём долететь и чтобы цена доставки килограмма на орбиту падала каждый год.

• Starlink – спутниковый интернет. Не из любви к фермеру в Айдахо, а чтобы у SpaceX был стабильный денежный поток и операционный опыт массового вывода спутников. Бонусом – будущая связь для марсианской колонии.

• Tesla – электрический транспорт. На Марсе с бензоколонками, как вы догадываетесь, туговато. Заодно – полигон для отработки массового производства сложной техники.

• Tesla Energy – накопители энергии. Колониям, марсоходам и системам жизнеобеспечения нужно где-то хранить электричество. На Земле тренируемся, на Марсе применим.

• Boring Company – туннели. Радиация на поверхности Марса такая, что жить лучше под землёй. Логично заранее научиться быстро и дёшево копать.

• Optimus – человекоподобные роботы. Отправлять кожаных мешков обживать радиоактивную пустыню дорого и негуманно. Пусть сначала железные сходят и подготовят жильё.

• Neuralink и xAI — задел на то, что человек, дотащенный до Марса, должен будет работать в условиях, к которым эволюция его, мягко говоря, не готовила. Хорошо иметь под рукой ИИ и прямой нейроинтерфейс – на случай, если что-то пойдёт не так. А оно, как мы понимаем, пойдёт.

Делайте так же, иначе ресурсы и силы будут тратиться впустую 😎

Подпишись 👉🏻 @aigentto 🤖

Проблемы внедрения AI в компании

Уже давно есть все инструменты - ИИ, ИИ агенты, мультиагентные системы, и наконец паттерн ReAct (OpenClaw). Последний реально может довольно быстро автоматизировать почти любые процессы.

Но реальное внедрение буксует, вот некоторые причины:
👉 Саботаж и отказ сотрудников что-то менять (автокассы в магазинах тоже прошли этот путь), ведь могут по сути автоматизировать и уволить сотрудников.
👉 Нехватка IT-опыта (когда этим занимаются не IT-специалисты, а вайбкодеры)
👉 Отказ IT-специалистов что-то менять (удивительно, но я сталкиваюсь с жутким консерватизмом со стороны самих IT-специалистов)
👉 Боязнь потратить много токенов (жадность?)

Но что показал эксперимент с roll-up компаниями типа Dwelly, оказывается, даже в небольших бизнесах, которые купил новый собственник, можно все перевести на рельсы AI OS под конкретную вертикаль, и прибыльность бизнеса вырастает с 10% до 40% в год (это в  Великобритании).

Вывод прост - только владелец может ИИзировать свою компанию, только тот, кто имеет абсолютный интерес и абсолютную власть в своей компании. К сожалению, даже топ-менеджеры здесь не подходят, потому что им выгодно много людей и отсутствие изменений, так они ничем не рискуют. 

Либо собственник должен нанять ИТ-драйвера, которому будет выделена доля в компании в случае успеха, и дать ему абсолютную власть, иначе опять не работает. Все остальное - полумеры, пилоты, которые, конечно, дают иногда результат, но чаще нет, чем да. 

Еще раз - суть в том, чтобы был человек, владеющий долей в компании и имеющий абсолютную власть. Опыт roll-ups показывает, что иногда сопротивляются даже собственники, а вот когда у тебя купили компанию, то все сопротивление заканчивается.

Если вам интересна тема, поставьте 👂, я напишу про реальные кейсы провалов и успехов.

Подпишись 👉🏻 @aigentto 🤖

Проблема автоматизации чего-либо — это не технология

Начну издалека: автоматизация чего-либо — это не новшество: 100+ лет назад человек переходил от лошади к трактору, примерно в то же время — от ручного труда к ткацкому станку и т. д.

Каждый раз производительность росла, и ВВП на душу населения рос, что приводило к увеличению благ на каждого человека. Поэтому страх, что всех уволят, сильно преувеличен, а точнее, это может стать правдой в моменте, но в долгую AI увеличит блага на душу населения, и так или иначе они все равно будут распределены между людьми.

Теперь переместимся чуть ближе в 2014 год: я нанят в "Большой зеленый банк" как Head автоматизации всего QA, то есть автоматизировать все тестирования всех систем компании (200+ очень разношерстных приложений). Тогда еще не было современного AI, хотя эксперимент мы проводили по автоматизации через распознавание экрана с помощью библиотек Google, все на самом деле даже работало, но со скроллами и legacy интерфейсами были проблемы 🤷‍♂️

Короче, взяли на тот момент уже стандарт BDD+Java+Selenium driver для всего зоопарка Web+Rest API и уникальные всякие штуки для других областей — была там и знаменитая роборука, которая физически тестировала карточки, вставляя их в терминал 🙂

В тот момент проблемой была не технология, хотя с ней были отдельные решаемые сложности. То же самое сейчас - AI не является блокером, в том же паттерне ReAct (читай OpenClaw) может делать 95% дел которые люди делают за компом.

Тогда главной проблемой были люди, а точнее, их интересы: 5 топ-менеджеров компании управляли большими секторами тестирования и с удовольствием выбивали себе огромные бюджеты на найм ручных тестировщиков. Я, по сути, был призван остановить этот бесконечный найм в ручное тестирование и, по факту, стал главным врагом как минимум этих топ-5 менеджеров, а как максимум — всех 2000+ ручных тестировщиков, которые хотели получать зарплату, тыкать кнопки и не очень хотели учить Java и переходить на автоматизацию.

Для понимания накала страстей, в один момент один из этих топ-5 менеджеров то ли в шутку, то ли всерьёз начал на меня кидаться, так сильно я ему мешал 🙂

Я бы хотел сказать, что победили автоматизация и здравый смысл, но так не работает на больших системах, тем не менее через 4 года уровень автоматизации QA вырос с 0 до 30+%, с учетом того, что за это время внедрили еще 10-ки новых приложений и сам объем тестирования вырос в разы. То есть цель автоматизации в 100% была убегающей: вчера 100% — это было 100 000 тестов, завтра — это 200 000 тестов и так далее.

Почему всё-таки получилось сдержать рост ручного труда и, по факту, сэкономить до 300 млн руб. в год на ручном тестировании? Причина была не в том, что я гений автоматизации, причина была не в технологии. Причина была только в том, что мне дали полный ownership, и директор департамента требовал с меня результат, но не лез в то, как и с помощью чего я буду это делать: вначале там была технология и команда из XIX века, я её убрал за один день, несмотря на большую любовь многих к этой технологии и команде, а любовь была потому, что ребята были приятные и никого сильно не напрягали.

И главное — директор департамента дал мне право на внедрение изменений и всегда его поддерживал. Да, конечно, я не шел напролом, я договаривался с теми 5 топ-менеджерами, но у меня было абсолютное право финального решения по всем вопросам автоматизации.

Только полный ownership и право принимать финальные решения по вопросам в моей зоне ответственности позволили добиться большого результата.

Следующими постами я расскажу, как проваливают текущую AI-автоматизацию большие и малые компании. Нельзя просто дать денег и не дать ownership. Нельзя просто нанять ИТшников, чтобы они сделали инструмент, и все: они его сделают, но он будет лежать в сторонке, и деньги будут потрачены зря.

Подпишись 👉🏻 @aigentto 🤖

ROI по внедрению AI

Как понять, что AI вообще сработает в вашем кейсе, в вашем бизнесе? Нужно считать ROI (Return on Investment) до начала внедрения.

Например, есть задача, которая занимает ~4 часа у сотрудника, сотрудник получает ~100 000 руб., его 4 часа стоят ~2500 руб.

Сотрудник делает задачу раз в неделю. Расход ~10 000 руб. в месяц или ~120 000 руб. в год на эту задачу.

Чтобы автоматизировать эту задачу, например, надо 20 часов AI Dev средней стоимостью 3000 руб. в час. ~60 000 руб.

Тут, если вы опытный руководитель ИТ, то надо умножить этот прогноз на число Pi 🙂 тогда будет 180 000 руб.

Получается, вы вкладываете 180k и получаете 120k, ~66% доходности. Не самая высокая, но приемлемая величина, если таких задач будет много, то вы преуспеете.

Подпишись 👉🏻 @aigentto 🤖

Брать ключевую задачу для ИИ-автоматизации?

Обычно при выборе области для применения ИИ все берут одну из core-функций компании. Ну типа, если компания делает анкеты для маркетинговых исследований, то автоматизируем это. Либо, если компания, как большинство, имеет много общения с клиентами, то автоматизируем саппорт в чатах или даже продажи в чатах.

Подход вроде логичный, ведь core-задача компании обычно — это то, на что тратится большая часть времени, так ведь?

А вот нет: если вы думаете, что сотрудник банка тратит львиную долю своего времени на банковские дела, на создание ценности для клиента, то вы сильно ошибаетесь. Если вы думаете, что разработчик игры в большой компании тратит большую часть своего времени на разработку игры, то вы опять ошиблись.

Закон больших компаний гласит: 40% времени пожирают рутина и бюрократия. Но ведь остаются 60% для реальной работы?

А вот нет, потому что человеческая психика воспринимает всё по-другому, и сходить на созвон на час не означает, что выпал только час.

Иначе говоря, когда вы потратили 40% своего времени на рутину, вы потратите ещё 40% на переключение между рутиной и реальными задачами (чтобы вернуть себе фокус внимания) и чтобы просто восстановиться.

Когнитивная нагрузка сжирает вашу ману (способность делать дела) независимо от реальной важности задачи.

Банально забронировать себе отпуск в некоторых компаниях может означать не нажатие одной кнопки, а контакты с 3–5 людьми, погоню за ними и волны волнений.

Что все это значит для автоматизации именно через ИИ? ИИ — это первый вид автоматизации, который условно может все. Раньше, если есть тул для автоматизации тестирования, то, по сути, только ее и то с определенными ограничениями он и может делать. А вот ИИ может делать очень разные задачи.

Вывод прост — начинайте автоматизацию с рутины, а не с core-задач компании/команды. Если вы сможете забрать половину рутины у людей, то высока вероятность, что на core-задачу у них выделится не просто больше времени, а больше когнитивной энергии (той самой маны), что даст больше реальной ценности клиенту.

Подпишись 👉🏻 @aigentto 🤖

AI должен растить Revenue per Employee

Главная метрика, которая показывает эффективность AI, — это revenue per employee (выручка на одного сотрудника).

Например, у вас до внедрения AI было 10 сотрудников, общий gross ФОТ составлял 1 млн руб. в месяц или 12 млн руб. в год.

При этом выручка, например, была 24 млн руб. в год.

Revenue per employee был 24 млн руб. в год / 10 = 2,4 млн руб. в год.

После внедрения должно стать > 2,4 млн руб. в год.

Вариант A: все текущие сотрудники активно начали использовать AI и делегировать рутину, а может, и core-функционал, и тем самым смогли обрабатывать больше клиентов, и тогда общая выручка компании выросла, без изменения ФОТ:
Новая выручка, например, 36 млн руб. в год, сотрудников все еще 10, revenue per employee = 3,6 млн руб. в год вместо 2,4.

Вариант B: теперь у вас 5 сотрудников выполняют тот же объем работы, то есть выручка все еще 24 млн руб. в год, но revenue per employee теперь = 4,8 млн руб. в год.

В обоих случаях есть маржа для увеличения реальных зарплат сотрудникам, ну типа те, кто обучился и начал использовать AI и по факту делать больше, могут получить надбавку.

Подпишись 👉🏻 @aigentto 🤖

Злые OpenAI, Gemini и Anthropic

Недавно OpenRouter заблокировал доступ к нейронкам топ-3 для пользователей из РФ, при этом они используют разные способы вычисления, что вы из РФ.

Мы активно тестируем альтернативные нейронки, очень хорошо себя показывает minimax-m2.7, по сути, на одном из ботов OpenClaw просто переключили на неё, и все задачи, которые делал gpt-5.4, выполняются точно так же.

Попробуйте, может, вам тоже зайдёт.

Подпишись 👉🏻 @aigentto 🤖

Жгите токены, не головы

Итак, Y Combinator сформулировал суть AI Native self-improving company.

Первый шаг — это тотальный сбор всех потоков коммуникаций:
- все email, внутренние и внешние
- вся переписка в messengers, включая DM
- все запросы пользователей к системам компании (в UI, БД, API)

Только тогда AI получает полную реальную картину происходящего и может делать полезные выводы.

Затем эта информация анализируется, и AI сможет принимать решения по улучшению компании буквально каждый день, а то и каждый час. Эта информация важнее всего, она является мозгом компании. Сам производимый софт и услуги — это производная, она больше не имеет ценности.

Написание софта, его поддержка теряют смысл, тем более с помощью разработчиков, AI сам, используя мозг, может писать новый софт на каждый важный случай, почти мгновенно тестируя гипотезы и раскатывая то, что сработало. То есть софт — это теперь производная, а не core entity. Core — это мозг, собирающий всю информацию.

Middle management больше не нужен, он был нужен как раз для сбора информации, но AI, подключенный ко всем источникам, делает это быстрее и точнее.

Давайте представим, как это реально работает:
Вот есть уже услуга/софт, который используют клиенты, и в нем возникает проблема, на которую жалуются клиенты.

Раньше было: кто-то должен заметить это, сообщить middle management, эту штуку должны приоритизировать, потом запланировать, потом вставить в спринт, потом сделать, потом протестить, потом задеплоить. Это может занять от недель до месяцев.

Теперь AI сам нашел эту проблему в отзывах клиентов, определил, что она значимо влияет на финансовые показатели, и сам ее починил. Все за несколько часов.

Либо AI заметил новый постоянный паттерн и решил сделать новый софт, сделал это за часы и выкатил.

Сотрудники располагаются в этом случае на краях системы и нужны для тех областей, где AI не может получить данные сам (тот самый human in the loop).

В компании фактически остаются только DRI (с полной ответственностью за результат, а не за кусочек pipeline), я эту роль называл Super Product Owners.

Важный месседж от Y Combinator — Burn Tokens, not Head count. Жгите токены, а не деньги на зарплаты. Я про это говорил в классификации организаций будущего.

Подпишись 👉🏻 @aigentto 🤖

От чего зависит успех перехода на AI в компании?

Успех внедрения любой автоматизации, в том числе ИИ-автоматизации, — это всего ~20%: инструменты/технологии, но тем не менее важные 20%, это может стать ахиллесовой пятой, где все сломается.

Остальные ~80% — это процессы/внедрение/сотрудники и обязательные полные права на изменения всех трех компонентов.

В эти 80% также входит текущая культура в компании, которая может либо поддерживать изменения, либо их затягивать, это самый сложный компонент, повлиять на который быстро и гарантированно сложнее всего.

Подпишись 👉🏻 @aigentto 🤖

Хороший пример использования нейросети

В лохматом 2014-м американский студент сменил пароль от своего криптокошелька и тут же его благополучно забыл. За это время стоимость хранившихся там 5 биткоинов выросла до нескольких сотен тысяч долларов.

Долгих 11 лет владелец кошелька пытался вспомнить, угадать и расшифровать пароль. Специальная утилита BTCRecover пережевала 3,5 триллиона комбинаций – и всё впустую.

В отчаянии парень слил содержимое своего старого студенческого ноутбука в Claude, дал нейросети доступ к облачным архивам, сфотографировал университетские тетради с каракулями. Он также рассказал ИИ, как обычно составляет пароли – в общем, дал весь необходимый контекст.

И тут пазл сошёлся. Claude покопался в файловых руинах и обнаружил бэкап кошелька, сделанный ещё до злополучной смены пароля. Заодно нейросеть подсветила баг в конфигурации BTCRecover, из-за которого восстановление и буксовало. В результате через несколько часов пароль был найден, и на счёт капнуло около $400 000.

LLM обладает титанической способностью видеть и сравнивать огромные объёмы (по сравнению с человеком); такие кейсы в бизнесе могут дать x100, x1000. Поэтому всегда думайте не только о линейном использовании нейросети, но и о таких кейсах.

Подпишись 👉🏻 @aigentto 🤖