Трамп купил акции SpaceX через две недели после IPO
После громкого выхода SpaceX на биржу Дональд Трамп приобрёл акции компании примерно через две недели.
На тот момент бумаги торговались около $150, после пика выше $200; позже цена вернулась к $135.
История показывает, насколько тесно крупнейшие технологические компании переплетаются с капиталом, государством и личными инвестициями власти.
https://techcrunch.com/2026/08/24/trump-bought-spacex-shares-two-weeks-after-blockbuster-ipo/
После громкого выхода SpaceX на биржу Дональд Трамп приобрёл акции компании примерно через две недели.
На тот момент бумаги торговались около $150, после пика выше $200; позже цена вернулась к $135.
История показывает, насколько тесно крупнейшие технологические компании переплетаются с капиталом, государством и личными инвестициями власти.
https://techcrunch.com/2026/08/24/trump-bought-spacex-shares-two-weeks-after-blockbuster-ipo/
TechCrunch
Trump bought SpaceX shares two weeks after blockbuster IPO | TechCrunch
The president bought when the stock was in the mid-$150 range. SpaceX finished trading on Monday back at its IPO price of $135.
Работу на 2–5 лет сделали за 8 месяцев — без найма ещё 20 инженеров
Горнодобывающая IMDEX с Cursor объединила две ключевые геологические платформы за 8 месяцев.
Компания оценивает темп миграции как 10-кратный; без ИИ часть проекта потребовала бы ещё 20 инженеров, 2–3 года и миллионы долларов.
Вот ROI ИИ, который уже можно считать не в промтах, а в годах, людях и деньгах.
https://cursor.com/blog/imdex
Горнодобывающая IMDEX с Cursor объединила две ключевые геологические платформы за 8 месяцев.
Компания оценивает темп миграции как 10-кратный; без ИИ часть проекта потребовала бы ещё 20 инженеров, 2–3 года и миллионы долларов.
Вот ROI ИИ, который уже можно считать не в промтах, а в годах, людях и деньгах.
https://cursor.com/blog/imdex
Cursor
IMDEX uses Cursor to build integrated subsurface data and analytics platform in months, not years · Cursor
Global mining technology leader, IMDEX, is using Cursor to consolidate fragmented geological data systems and re-platform legacy applications at 10x the pace of its pre-AI development model.
Как «Магнит» превратил архив экспериментов в генератор продуктовых гипотез
Команда «Магнита» научилась быстро проверять продуктовые гипотезы — и неожиданно столкнулась с новой проблемой: хорошие идеи начали заканчиваться.
Сильные решения уже работали в приложении, а в бэклоге оставались слабые или слишком дорогие инициативы. Мозговые штурмы и изучение конкурентов не давали постоянного притока идей.
Тогда команда товарных рекомендаций собрала LLM-пайплайн, который ищет новые направления в истории прежних экспериментов.
От обычного запроса к ChatGPT его отличает корпоративная память.
Модель знает, что уже тестировали, что сработало и что находится в продакшене. Поэтому вместо совета «используйте персонализацию» она предлагает конкретное изменение алгоритма и объясняет его пользу.
Сначала карточки экспериментов выгружаются из Confluence, приводятся к общей структуре и сохраняются в SQLite. Для каждого теста модель формулирует вывод и оценивает влияние на бизнес.
Затем контекстный селектор выбирает только относящиеся к задаче материалы. Это не склад, целиком вываленный на стол, а библиотекарь, который принёс несколько нужных папок.
На их основе LLM создаёт пять типов гипотез: от осторожного развития успешных тестов до радикально новых направлений.
Дальше каждая идея проходит авто-ревью: не дублирует ли она прежние тесты, не реализовывалась ли раньше и насколько велик её возможный эффект.
Quality Score поднимает наверх самые перспективные варианты. Последнее решение остаётся за продактом.
Результат одного прогона: более 100 структурированных материалов превратились примерно в 200 гипотез, около 50 прошли автоматический отбор, а 15 дошли до рабочего бэклога.
Есть и неудобная часть кейса. Около половины первоначальных идей были «нейрослопом»: общими, повторяющимися или основанными на лишнем контексте. Дальнейшая настройка давала лишь 1–2% прироста, поэтому ручную корректировку сохранили.
Главный вывод «Магнита»: качество гипотез определяет не столько модель, сколько порядок в данных. LLM не заменила продакта — она переработала корпоративный опыт, отсеяла очевидный шум и оставила человеку главное: выбор.
Источник: кейс Magnit Tech на Habr.
Подписывайтесь
Команда «Магнита» научилась быстро проверять продуктовые гипотезы — и неожиданно столкнулась с новой проблемой: хорошие идеи начали заканчиваться.
Сильные решения уже работали в приложении, а в бэклоге оставались слабые или слишком дорогие инициативы. Мозговые штурмы и изучение конкурентов не давали постоянного притока идей.
Тогда команда товарных рекомендаций собрала LLM-пайплайн, который ищет новые направления в истории прежних экспериментов.
От обычного запроса к ChatGPT его отличает корпоративная память.
Модель знает, что уже тестировали, что сработало и что находится в продакшене. Поэтому вместо совета «используйте персонализацию» она предлагает конкретное изменение алгоритма и объясняет его пользу.
Сначала карточки экспериментов выгружаются из Confluence, приводятся к общей структуре и сохраняются в SQLite. Для каждого теста модель формулирует вывод и оценивает влияние на бизнес.
Затем контекстный селектор выбирает только относящиеся к задаче материалы. Это не склад, целиком вываленный на стол, а библиотекарь, который принёс несколько нужных папок.
На их основе LLM создаёт пять типов гипотез: от осторожного развития успешных тестов до радикально новых направлений.
Дальше каждая идея проходит авто-ревью: не дублирует ли она прежние тесты, не реализовывалась ли раньше и насколько велик её возможный эффект.
Quality Score поднимает наверх самые перспективные варианты. Последнее решение остаётся за продактом.
Результат одного прогона: более 100 структурированных материалов превратились примерно в 200 гипотез, около 50 прошли автоматический отбор, а 15 дошли до рабочего бэклога.
Есть и неудобная часть кейса. Около половины первоначальных идей были «нейрослопом»: общими, повторяющимися или основанными на лишнем контексте. Дальнейшая настройка давала лишь 1–2% прироста, поэтому ручную корректировку сохранили.
Главный вывод «Магнита»: качество гипотез определяет не столько модель, сколько порядок в данных. LLM не заменила продакта — она переработала корпоративный опыт, отсеяла очевидный шум и оставила человеку главное: выбор.
Источник: кейс Magnit Tech на Habr.
Подписывайтесь
Третья часть ТОП 50 промтов
21. Персона для маркетинга — ≈ 156 голосов
> Работай как опытный SMM-менеджер. Для [продукт] определи аудиторию, боль и желаемое изменение. Создай живой контент с одним понятным действием.
22. Сократовский учитель — ≈ 150 голосов
> Не давай ответ сразу. Обучай вопросами: выясни, что я понимаю, найди пробел и помоги самому прийти к решению. В конце исправь ошибки.
23. Объяснение на трёх уровнях — ≈ 145 голосов
> Объясни [тема] трижды: ребёнку 12 лет, студенту профильной специальности и эксперту. Покажи, какие детали добавляются на каждом уровне.
24. Красная команда для идеи — ≈ 140 голосов
> Попытайся разрушить идею [идея]. Найди пять причин провала, три ложных предположения и самый дешёвый эксперимент для проверки каждого риска.
25. Обратный план — ≈ 135 голосов
> Моя цель [цель] к [дата]. Построй план от конечного результата назад к сегодняшнему дню: контрольные точки, зависимости и первое действие.
26. Диалог вместо монолога — ≈ 130 голосов
> По теме [тема] проведи экспертное интервью. Задавай по одному вопросу, опираясь на предыдущий ответ. После семи вопросов сформулируй скрытые выводы.
27. Принцип 80/20 — ≈ 125 голосов
> Для [задача] найди 20% действий, дающих 80% результата, и 20% действий, создающих 80% лишней работы. Предложи, что убрать.
28. Предварительный разбор ошибок — ≈ 120 голосов
> Представь, что через год проект [проект] провалился. Опиши причины провала и преврати каждую в профилактическое действие на сегодня.
29. Учебный план из нуля — ≈ 115 голосов
> Я хочу освоить [навык] с [уровень] до [цель] за [срок]. Построй программу по неделям: теория, практика, проект, проверка и критерий перехода.
30. Адвокат дьявола — ≈ 110 голосов
> Вот моя позиция [позиция]. Построй максимально сильный аргумент против неё. Затем покажи, что из критики мне стоит учесть.
Подписывайтесь
21. Персона для маркетинга — ≈ 156 голосов
> Работай как опытный SMM-менеджер. Для [продукт] определи аудиторию, боль и желаемое изменение. Создай живой контент с одним понятным действием.
22. Сократовский учитель — ≈ 150 голосов
> Не давай ответ сразу. Обучай вопросами: выясни, что я понимаю, найди пробел и помоги самому прийти к решению. В конце исправь ошибки.
23. Объяснение на трёх уровнях — ≈ 145 голосов
> Объясни [тема] трижды: ребёнку 12 лет, студенту профильной специальности и эксперту. Покажи, какие детали добавляются на каждом уровне.
24. Красная команда для идеи — ≈ 140 голосов
> Попытайся разрушить идею [идея]. Найди пять причин провала, три ложных предположения и самый дешёвый эксперимент для проверки каждого риска.
25. Обратный план — ≈ 135 голосов
> Моя цель [цель] к [дата]. Построй план от конечного результата назад к сегодняшнему дню: контрольные точки, зависимости и первое действие.
26. Диалог вместо монолога — ≈ 130 голосов
> По теме [тема] проведи экспертное интервью. Задавай по одному вопросу, опираясь на предыдущий ответ. После семи вопросов сформулируй скрытые выводы.
27. Принцип 80/20 — ≈ 125 голосов
> Для [задача] найди 20% действий, дающих 80% результата, и 20% действий, создающих 80% лишней работы. Предложи, что убрать.
28. Предварительный разбор ошибок — ≈ 120 голосов
> Представь, что через год проект [проект] провалился. Опиши причины провала и преврати каждую в профилактическое действие на сегодня.
29. Учебный план из нуля — ≈ 115 голосов
> Я хочу освоить [навык] с [уровень] до [цель] за [срок]. Построй программу по неделям: теория, практика, проект, проверка и критерий перехода.
30. Адвокат дьявола — ≈ 110 голосов
> Вот моя позиция [позиция]. Построй максимально сильный аргумент против неё. Затем покажи, что из критики мне стоит учесть.
Подписывайтесь
Россия якобы использовала ИИ в кампании влияния — OpenAI заблокировала сеть аккаунтов
OpenAI сообщила о пресечении связанной с Россией операции, где ИИ использовали для генерации и адаптации политического контента.
Важен масштаб: один оператор получает возможность быстрее производить десятки версий сообщений под разные аудитории.
ИИ становится усилителем информационных операций.
https://openai.com/index/disrupting-malicious-uses-of-ai-influence-campaign-russia
OpenAI сообщила о пресечении связанной с Россией операции, где ИИ использовали для генерации и адаптации политического контента.
Важен масштаб: один оператор получает возможность быстрее производить десятки версий сообщений под разные аудитории.
ИИ становится усилителем информационных операций.
https://openai.com/index/disrupting-malicious-uses-of-ai-influence-campaign-russia
OpenAI
Disrupting a new covert influence campaign from Russia
OpenAI banned Russia-origin accounts using AI to promote a fake Israel-based think tank and a “sovereignty” index praising Russia and criticizing the West.
В Шанхае устроили карнавал гуманоидов — роботы выходят из лабораторий к людям
Гуманоидов всё чаще проверяют не в лабораториях, а среди людей: соревнования, шоу и реальные сценарии взаимодействия.
Именно в шуме, толпе и непредсказуемости заканчивается красивое демо и начинается настоящий продукт.
Китай превращает гуманоидную робототехнику в массовый публичный эксперимент.
https://www.technologyreview.com/2026/08/25/1141907/dispatch-shanghai-humanoid-robot-carnival/
Гуманоидов всё чаще проверяют не в лабораториях, а среди людей: соревнования, шоу и реальные сценарии взаимодействия.
Именно в шуме, толпе и непредсказуемости заканчивается красивое демо и начинается настоящий продукт.
Китай превращает гуманоидную робототехнику в массовый публичный эксперимент.
https://www.technologyreview.com/2026/08/25/1141907/dispatch-shanghai-humanoid-robot-carnival/
MIT Technology Review
I spent a day at a robot “carnival” in Shanghai. Here’s what I saw.
Humanoids are becoming a popular form of public entertainment here.
«Мир, кажется, готов»: OpenAI готовит переход от чата к действующему ИИ
Глава продукта OpenAI описывает следующий этап: люди всё чаще готовы доверять ИИ не только ответы, но и выполнение задач.
Агент получает инструменты, память и рабочий контекст.
Главный переход происходит прямо сейчас: ИИ перестаёт быть местом, куда приходят поговорить, и становится тем, кому поручают работу.
https://techcrunch.com/2026/08/25/the-world-seems-to-be-ready-an-interview-with-openai-head-of-product-thibault-sottiaux/
Глава продукта OpenAI описывает следующий этап: люди всё чаще готовы доверять ИИ не только ответы, но и выполнение задач.
Агент получает инструменты, память и рабочий контекст.
Главный переход происходит прямо сейчас: ИИ перестаёт быть местом, куда приходят поговорить, и становится тем, кому поручают работу.
https://techcrunch.com/2026/08/25/the-world-seems-to-be-ready-an-interview-with-openai-head-of-product-thibault-sottiaux/
TechCrunch
'The world seems to be ready': An interview with OpenAI head of product Thibault Sottiaux | TechCrunch
TechCrunch talks agents, UX, and reporting to Greg Brockman with OpenAI's head of product.
IBM обновила Granite: корпоративный ИИ становится компактнее и специализированнее
Granite 4.2 продолжает ставку IBM на модели для корпоративных задач и эффективного развёртывания. Это альтернатива гонке «кто построит самого большого ИИ».
Для бизнеса победителем может оказаться не рекордсмен бенчмарка, а модель, которую дешевле запустить, проще встроить в свои данные и легче контролировать.
https://huggingface.co/blog/ibm-granite/granite-4-2
Granite 4.2 продолжает ставку IBM на модели для корпоративных задач и эффективного развёртывания. Это альтернатива гонке «кто построит самого большого ИИ».
Для бизнеса победителем может оказаться не рекордсмен бенчмарка, а модель, которую дешевле запустить, проще встроить в свои данные и легче контролировать.
https://huggingface.co/blog/ibm-granite/granite-4-2
huggingface.co
Granite 4.2 LLMs: How They're Built
A Blog post by IBM Granite on Hugging Face
Anthropic выделяет деньги на исследования того, как ИИ влияет на человека
Anthropic запускает гранты для независимых исследований влияния ИИ на человеческое благополучие.
Люди всё чаще обсуждают с моделями работу, отношения и личные проблемы.
Мы уже научились измерять интеллект моделей. Следующий обязательный показатель — что длительное общение с ними делает с поведением, решениями и состоянием самого человека.
https://www.anthropic.com/news/wellbeing-research-grants
Anthropic запускает гранты для независимых исследований влияния ИИ на человеческое благополучие.
Люди всё чаще обсуждают с моделями работу, отношения и личные проблемы.
Мы уже научились измерять интеллект моделей. Следующий обязательный показатель — что длительное общение с ними делает с поведением, решениями и состоянием самого человека.
https://www.anthropic.com/news/wellbeing-research-grants
Anthropic
Funding better evaluations of AI’s impact on wellbeing
Anthropic is launching a $5 million grant program to fund independent research into how AI impacts users’ wellbeing.
Claude Cowork наконец запоминает то, что вы уже рассказывали в чате
Информация, которую пользователь уже сообщил Claude, теперь может использоваться и в Cowork без постоянного повторения контекста.
Это кажется небольшой функцией, но меняет интерфейс ИИ.
Настоящий цифровой сотрудник не должен каждое утро знакомиться с вами заново — он должен помнить проекты, решения и рабочие предпочтения.
https://techcrunch.com/2026/08/25/claude-cowork-finally-remembers-what-you-told-the-app-in-chat/
Информация, которую пользователь уже сообщил Claude, теперь может использоваться и в Cowork без постоянного повторения контекста.
Это кажется небольшой функцией, но меняет интерфейс ИИ.
Настоящий цифровой сотрудник не должен каждое утро знакомиться с вами заново — он должен помнить проекты, решения и рабочие предпочтения.
https://techcrunch.com/2026/08/25/claude-cowork-finally-remembers-what-you-told-the-app-in-chat/
TechCrunch
Claude Cowork finally remembers what you told the app in chat | TechCrunch
Anthropic is giving Claude a shared memory across chat and Cowork, so users no longer have to repeatedly brief the AI on projects, preferences, and other context.
Четвертая часть ТОП 50 промтов
31. Сравнение решений — ≈ 105 голосов
> Сравни [A], [B] и [C] по критериям [критерии]. Присвой веса, объясни оценки и покажи, при каких условиях победитель изменится.
32. Экспертная комиссия — ≈ 100 голосов
> Рассмотри [проблема] глазами финансиста, инженера, маркетолога, юриста и пользователя. Каждый называет риск и рекомендацию. Затем синтезируй решение.
33. Проверка фактов — ≈ 95 голосов
> Раздели текст на проверяемые факты, мнения, прогнозы и предположения. Для каждого факта укажи, какое доказательство нужно найти.
34. Очеловечивание текста — ≈ 91 голосов
> Перепиши текст естественно: сохрани смысл, убери шаблонные ИИ-обороты, разнообразь длину предложений и не добавляй новых фактов.
35. Пять почему — ≈ 90 голосов
> Разбери [проблема] методом пяти «почему». Не останавливайся на очевидном объяснении. После пятого уровня предложи решение корневой причины.
36. Решение через ограничения — ≈ 85 голосов
> Мне нужно [цель], ограничения [список]. Не обходи их. Используй ограничения как условия дизайна и предложи пять работающих решений.
37. Что я не спросил? — ≈ 80 голосов
> После ответа добавь «Что вы, вероятно, ещё не учли» и назови три важных аспекта, которые обычно упускают новички.
38. Перевод эксперта на человеческий язык — ≈ 75 голосов
> Перепиши профессиональный текст для неспециалиста, не теряя смысл. Незнакомые термины объясняй через конкретный пример.
39. Сценарное планирование — ≈ 70 голосов
> Для [ситуация] создай базовый, оптимистичный и негативный сценарии на [срок]. Для каждого укажи ранние сигналы его наступления.
40. Редактор без жалости — ≈ 65 голосов
> Отредактируй текст строго: убери воду, повторы и абстракции. Общие утверждения замени конкретикой из исходника. Перечисли пять главных правок.
Подписывайтесь
31. Сравнение решений — ≈ 105 голосов
> Сравни [A], [B] и [C] по критериям [критерии]. Присвой веса, объясни оценки и покажи, при каких условиях победитель изменится.
32. Экспертная комиссия — ≈ 100 голосов
> Рассмотри [проблема] глазами финансиста, инженера, маркетолога, юриста и пользователя. Каждый называет риск и рекомендацию. Затем синтезируй решение.
33. Проверка фактов — ≈ 95 голосов
> Раздели текст на проверяемые факты, мнения, прогнозы и предположения. Для каждого факта укажи, какое доказательство нужно найти.
34. Очеловечивание текста — ≈ 91 голосов
> Перепиши текст естественно: сохрани смысл, убери шаблонные ИИ-обороты, разнообразь длину предложений и не добавляй новых фактов.
35. Пять почему — ≈ 90 голосов
> Разбери [проблема] методом пяти «почему». Не останавливайся на очевидном объяснении. После пятого уровня предложи решение корневой причины.
36. Решение через ограничения — ≈ 85 голосов
> Мне нужно [цель], ограничения [список]. Не обходи их. Используй ограничения как условия дизайна и предложи пять работающих решений.
37. Что я не спросил? — ≈ 80 голосов
> После ответа добавь «Что вы, вероятно, ещё не учли» и назови три важных аспекта, которые обычно упускают новички.
38. Перевод эксперта на человеческий язык — ≈ 75 голосов
> Перепиши профессиональный текст для неспециалиста, не теряя смысл. Незнакомые термины объясняй через конкретный пример.
39. Сценарное планирование — ≈ 70 голосов
> Для [ситуация] создай базовый, оптимистичный и негативный сценарии на [срок]. Для каждого укажи ранние сигналы его наступления.
40. Редактор без жалости — ≈ 65 голосов
> Отредактируй текст строго: убери воду, повторы и абстракции. Общие утверждения замени конкретикой из исходника. Перечисли пять главных правок.
Подписывайтесь
Пятая, заключительная часть ТОП 50 промтов
41. Интервью с будущим собой — ≈ 60 голосов
> Представь, что прошло пять лет и я достиг [цель]. Проведи интервью с будущим мной: ключевые решения, прекращённые действия и самые дорогие ошибки.
42. Карта неизвестного — ≈ 55 голосов
> По теме [тема] раздели: что я знаю, предполагаю, не знаю и чего, вероятно, не понимаю, что не знаю. Для последнего предложи вопросы.
43. Решение без любимого варианта — ≈ 50 голосов
> Я склоняюсь к [вариант]. Сначала независимо оцени все альтернативы, игнорируя моё предпочтение. Затем сравни итог с моим выбором.
44. План на один час — ≈ 45 голосов
> У меня 60 минут на [задача]. Составь план по 10-минутным блокам. Убери всё, что не создаёт измеримого прогресса сегодня.
45. Минимальный эксперимент — ≈ 40 голосов
> Для гипотезы [гипотеза] придумай самый дешёвый тест, способный её опровергнуть. Укажи метрику, порог успеха, срок и действия по результатам.
46. Контраргумент к собственному ответу — ≈ 35 голосов
> После рекомендации найди самый сильный аргумент против собственного ответа. Если он меняет решение — пересмотри итог.
47. Компрессия мысли — ≈ 30 голосов
> Объясни [тема] в 300 словах, затем 100, 30 и одним предложением. На каждом этапе сохраняй только незаменимый смысл.
48. Создание личного советника — ≈ 29 голосов
> Помоги создать постоянного ИИ-советника по [область]. Выясни цели, ограничения, принципы и критерии решений, затем сформируй системные инструкции.
49. Преобразование хаоса в систему — ≈ 25 голосов
> Вот хаотичные заметки [заметки]. Выдели проекты, решения, задачи, вопросы, риски и идеи. Для задач укажи следующий физически выполнимый шаг.
50. Промт для создания промтов под любую модель — ≈ 22 голосов
> Создай промт для [модель] под [задача], учитывая сильные и слабые стороны модели. Дай короткую ежедневную и расширенную версии.
Подписывайтесь
41. Интервью с будущим собой — ≈ 60 голосов
> Представь, что прошло пять лет и я достиг [цель]. Проведи интервью с будущим мной: ключевые решения, прекращённые действия и самые дорогие ошибки.
42. Карта неизвестного — ≈ 55 голосов
> По теме [тема] раздели: что я знаю, предполагаю, не знаю и чего, вероятно, не понимаю, что не знаю. Для последнего предложи вопросы.
43. Решение без любимого варианта — ≈ 50 голосов
> Я склоняюсь к [вариант]. Сначала независимо оцени все альтернативы, игнорируя моё предпочтение. Затем сравни итог с моим выбором.
44. План на один час — ≈ 45 голосов
> У меня 60 минут на [задача]. Составь план по 10-минутным блокам. Убери всё, что не создаёт измеримого прогресса сегодня.
45. Минимальный эксперимент — ≈ 40 голосов
> Для гипотезы [гипотеза] придумай самый дешёвый тест, способный её опровергнуть. Укажи метрику, порог успеха, срок и действия по результатам.
46. Контраргумент к собственному ответу — ≈ 35 голосов
> После рекомендации найди самый сильный аргумент против собственного ответа. Если он меняет решение — пересмотри итог.
47. Компрессия мысли — ≈ 30 голосов
> Объясни [тема] в 300 словах, затем 100, 30 и одним предложением. На каждом этапе сохраняй только незаменимый смысл.
48. Создание личного советника — ≈ 29 голосов
> Помоги создать постоянного ИИ-советника по [область]. Выясни цели, ограничения, принципы и критерии решений, затем сформируй системные инструкции.
49. Преобразование хаоса в систему — ≈ 25 голосов
> Вот хаотичные заметки [заметки]. Выдели проекты, решения, задачи, вопросы, риски и идеи. Для задач укажи следующий физически выполнимый шаг.
50. Промт для создания промтов под любую модель — ≈ 22 голосов
> Создай промт для [модель] под [задача], учитывая сильные и слабые стороны модели. Дай короткую ежедневную и расширенную версии.
Подписывайтесь
Не ставьте все 100: вот какие ИИ-репозитории с GitHub реально пригодятся
На GitHub сейчас можно собрать почти весь ИИ-стек бесплатно: личного агента, корпоративный чат по документам, автоматизацию отдела, генератор изображений и даже видеоконвейер. В свежей подборке Habr — 100 репозиториев, которые вместе, по подсчёту автора, набрали около 7,52 млн звёзд. Но важнее другое: какие из них действительно стоит открыть, если вам нужен результат, а не ещё одна папка с закладками.
Нужен ИИ-агент для работы. Начните с OpenClaw — персональный ассистент, который можно подключать к устройствам и сервисам. Hermes Agent полезен, если важна память между сессиями. Для команды агентов есть CrewAI, AutoGen, LangGraph и Agno. А если хочется собрать автоматизацию почти без кода — смотрите n8n: почта → CRM → таблица → LLM → Telegram можно связать в один сценарий.
Хотите свой корпоративный ChatGPT. Самый понятный вход — Open WebUI или LibreChat. Для работы с внутренними документами — Dify, RAGFlow, PrivateGPT, Quivr и PageIndex. Чтобы нормально разобрать PDF, DOCX и презентации перед загрузкой в базу знаний, пригодится Docling. Для памяти пользователя — Mem0.
Нужно собирать данные из интернета. Firecrawl превращает сайты в чистый текст для LLM, Scrapling подходит для более серьёзного парсинга, а TrendRadar и Folo — для мониторинга новостей и источников. Практический сценарий: Firecrawl собирает сайты конкурентов → n8n запускает анализ → модель делает сводку → результат уходит менеджеру.
Для разработки с ИИ. Gemini CLI, Goose и Continue работают прямо с кодовой базой. Spec Kit, OpenSpec и Superpowers заставляют агента сначала зафиксировать требования и план, а уже потом менять код — полезное лекарство от хаотичного вайбкодинга. Для безопасного запуска сгенерированного кода есть Daytona.
Для локальных моделей. LocalAI позволяет запускать LLM, зрение и речь на своём железе. Unsloth помогает быстрее запускать и дообучать модели, LlamaFactory — адаптировать десятки языковых и мультимодальных моделей под свои данные. Если хочется понять LLM изнутри, есть LLMs from Scratch.
Для картинок и видео. ComfyUI — один из самых гибких конструкторов генеративных пайплайнов; Stable Diffusion WebUI — привычный интерфейс для локальной генерации; Upscayl увеличивает разрешение изображений. Для видео смотрите OpenMontage и Hyperframes, для голоса — Voicebox.
Если не знаете, с чего начать, не выбирайте «самый звёздный» репозиторий. Выберите одну задачу. Для автоматизации бизнеса — n8n. Для базы знаний — Dify + Docling. Для приватного ИИ — Open WebUI + LocalAI. Для кодинга — Gemini CLI + Spec Kit. Для визуала — ComfyUI.
GitHub в 2026 году всё меньше похож на склад исходников и всё больше — на конструктор, из которого можно собрать собственный ИИ-продукт. Главное — не скачать сто инструментов. Главное — заставить один из них экономить вам время уже сегодня.
Источник подборки: https://habr.com/ru/articles/1075078/
Подписывайтесь
На GitHub сейчас можно собрать почти весь ИИ-стек бесплатно: личного агента, корпоративный чат по документам, автоматизацию отдела, генератор изображений и даже видеоконвейер. В свежей подборке Habr — 100 репозиториев, которые вместе, по подсчёту автора, набрали около 7,52 млн звёзд. Но важнее другое: какие из них действительно стоит открыть, если вам нужен результат, а не ещё одна папка с закладками.
Нужен ИИ-агент для работы. Начните с OpenClaw — персональный ассистент, который можно подключать к устройствам и сервисам. Hermes Agent полезен, если важна память между сессиями. Для команды агентов есть CrewAI, AutoGen, LangGraph и Agno. А если хочется собрать автоматизацию почти без кода — смотрите n8n: почта → CRM → таблица → LLM → Telegram можно связать в один сценарий.
Хотите свой корпоративный ChatGPT. Самый понятный вход — Open WebUI или LibreChat. Для работы с внутренними документами — Dify, RAGFlow, PrivateGPT, Quivr и PageIndex. Чтобы нормально разобрать PDF, DOCX и презентации перед загрузкой в базу знаний, пригодится Docling. Для памяти пользователя — Mem0.
Нужно собирать данные из интернета. Firecrawl превращает сайты в чистый текст для LLM, Scrapling подходит для более серьёзного парсинга, а TrendRadar и Folo — для мониторинга новостей и источников. Практический сценарий: Firecrawl собирает сайты конкурентов → n8n запускает анализ → модель делает сводку → результат уходит менеджеру.
Для разработки с ИИ. Gemini CLI, Goose и Continue работают прямо с кодовой базой. Spec Kit, OpenSpec и Superpowers заставляют агента сначала зафиксировать требования и план, а уже потом менять код — полезное лекарство от хаотичного вайбкодинга. Для безопасного запуска сгенерированного кода есть Daytona.
Для локальных моделей. LocalAI позволяет запускать LLM, зрение и речь на своём железе. Unsloth помогает быстрее запускать и дообучать модели, LlamaFactory — адаптировать десятки языковых и мультимодальных моделей под свои данные. Если хочется понять LLM изнутри, есть LLMs from Scratch.
Для картинок и видео. ComfyUI — один из самых гибких конструкторов генеративных пайплайнов; Stable Diffusion WebUI — привычный интерфейс для локальной генерации; Upscayl увеличивает разрешение изображений. Для видео смотрите OpenMontage и Hyperframes, для голоса — Voicebox.
Если не знаете, с чего начать, не выбирайте «самый звёздный» репозиторий. Выберите одну задачу. Для автоматизации бизнеса — n8n. Для базы знаний — Dify + Docling. Для приватного ИИ — Open WebUI + LocalAI. Для кодинга — Gemini CLI + Spec Kit. Для визуала — ComfyUI.
GitHub в 2026 году всё меньше похож на склад исходников и всё больше — на конструктор, из которого можно собрать собственный ИИ-продукт. Главное — не скачать сто инструментов. Главное — заставить один из них экономить вам время уже сегодня.
Источник подборки: https://habr.com/ru/articles/1075078/
Подписывайтесь
ИИ обещает освободить человека. Но есть один вопрос страшнее безработицы
Представьте утро 2036 года. Заводы работают без людей. Грузовики едут сами. Программы пишут программы. Роботы строят, готовят, чинят и производят — а человеку больше не нужно работать, чтобы выжить.
Звучит как рай. Примерно такое будущее рисует Илон Маск.
В интервью The Economist он предположил, что через десять лет ИИ и роботы создадут «эпоху изобилия», а деньги потеряют значение. Маск также считает, что ИИ сможет выполнять практически любую работу лучше человека, и признаёт: переход будет «ухабистым».
Но в этой красивой картине есть вопрос, от которого становится неуютно:
кому будут принадлежать роботы?
ИИ не появляется из воздуха. Ему нужны дата-центры, электростанции, чипы, медь, земля, заводы и огромный капитал. По прогнозу Международного энергетического агентства, уже к 2030 году дата-центры будут потреблять около 950 ТВт·ч электроэнергии в год — почти вдвое больше, чем в 2025-м.
ИИ может стать новым электричеством. Только розетка, электростанция и счётчик будут кому-то принадлежать.
Поэтому будущее может оказаться не миром, где «всего хватает всем», а миром, где невероятно эффективные машины принадлежат небольшому числу компаний.
И тогда главный конфликт эпохи ИИ будет не между человеком и роботом.
Он будет между теми, кто владеет машиной, и теми, чей труд этой машине больше не нужен.
История технологий уже показывала: рост производительности не означает, что выгода мгновенно и поровну достаётся всем. Между появлением новой машины и улучшением жизни людей может лежать болезненный переход.
Но теперь всё движется быстрее. Бухгалтер, программист, дизайнер, юрист, оператор, водитель могут увидеть, как их профессия меняется не за несколько поколений, а в пределах одной карьеры.
ИИ, скорее всего, никто не остановит. Да и вопрос уже не в этом.
Успеем ли мы построить экономику, в которой человеку не нужно быть дешевле машины, чтобы иметь право на нормальную жизнь?
Потому что настоящий страх будущего — не в том, что роботы станут слишком умными.
А в том, что они станут невероятно производительными — и окажутся не нашими.
Подписывайтесь
Представьте утро 2036 года. Заводы работают без людей. Грузовики едут сами. Программы пишут программы. Роботы строят, готовят, чинят и производят — а человеку больше не нужно работать, чтобы выжить.
Звучит как рай. Примерно такое будущее рисует Илон Маск.
В интервью The Economist он предположил, что через десять лет ИИ и роботы создадут «эпоху изобилия», а деньги потеряют значение. Маск также считает, что ИИ сможет выполнять практически любую работу лучше человека, и признаёт: переход будет «ухабистым».
Но в этой красивой картине есть вопрос, от которого становится неуютно:
кому будут принадлежать роботы?
ИИ не появляется из воздуха. Ему нужны дата-центры, электростанции, чипы, медь, земля, заводы и огромный капитал. По прогнозу Международного энергетического агентства, уже к 2030 году дата-центры будут потреблять около 950 ТВт·ч электроэнергии в год — почти вдвое больше, чем в 2025-м.
ИИ может стать новым электричеством. Только розетка, электростанция и счётчик будут кому-то принадлежать.
Поэтому будущее может оказаться не миром, где «всего хватает всем», а миром, где невероятно эффективные машины принадлежат небольшому числу компаний.
И тогда главный конфликт эпохи ИИ будет не между человеком и роботом.
Он будет между теми, кто владеет машиной, и теми, чей труд этой машине больше не нужен.
История технологий уже показывала: рост производительности не означает, что выгода мгновенно и поровну достаётся всем. Между появлением новой машины и улучшением жизни людей может лежать болезненный переход.
Но теперь всё движется быстрее. Бухгалтер, программист, дизайнер, юрист, оператор, водитель могут увидеть, как их профессия меняется не за несколько поколений, а в пределах одной карьеры.
ИИ, скорее всего, никто не остановит. Да и вопрос уже не в этом.
Успеем ли мы построить экономику, в которой человеку не нужно быть дешевле машины, чтобы иметь право на нормальную жизнь?
Потому что настоящий страх будущего — не в том, что роботы станут слишком умными.
А в том, что они станут невероятно производительными — и окажутся не нашими.
Подписывайтесь
Билл Гейтс назвал черту, после которой ИИ становится действительно опасным
Гейтс предлагает смотреть не только на «умность» модели, а на способность ИИ самостоятельно выполнять длинные цепочки действий.
Опасность начинается не тогда, когда ИИ хорошо отвечает, а когда он способен долго действовать сам и добиваться цели без постоянного контроля человека.
https://www.technologyreview.com/2026/08/26/1142946/bill-gates-ai-danger-threshold/
Гейтс предлагает смотреть не только на «умность» модели, а на способность ИИ самостоятельно выполнять длинные цепочки действий.
Опасность начинается не тогда, когда ИИ хорошо отвечает, а когда он способен долго действовать сам и добиваться цели без постоянного контроля человека.
https://www.technologyreview.com/2026/08/26/1142946/bill-gates-ai-danger-threshold/
MIT Technology Review
Bill Gates says we’ve passed AI’s danger thresholds. Now what?
In a new interview, the billionaire philanthropist sounds an alarm on the urgency of getting our AI policies in order.
ИИ-агенту мало построить бизнес. Теперь его учат находить клиентов
Runable привлёк $21 млн на агента, который создаёт сайты и приложения, а дальше должен запускать рекламу, SEO и привлекать клиентов.
Следующий шаг агентной гонки: пользователь будет просить не «сделай сайт», а «приведи мне 100 покупателей».
https://techcrunch.com/2026/08/26/runable-hits-21m-to-bet-ai-agents-can-go-from-building-businesses-to-growing-them/
Runable привлёк $21 млн на агента, который создаёт сайты и приложения, а дальше должен запускать рекламу, SEO и привлекать клиентов.
Следующий шаг агентной гонки: пользователь будет просить не «сделай сайт», а «приведи мне 100 покупателей».
https://techcrunch.com/2026/08/26/runable-hits-21m-to-bet-ai-agents-can-go-from-building-businesses-to-growing-them/
TechCrunch
Runable hits $21M to bet AI agents can go from building businesses to growing them | TechCrunch
Runable says 60% to 70% of its 1 trillion-plus token usage in the last 90 days came from paying customers.
ИИ-очки начинают не показывать информацию, а помогать человеку слышать
Legato вышла из stealth с $12 млн и концепцией AI-очков для людей с проблемами слуха. ИИ должен выделять нужный голос в шуме.
Самые интересные умные очки могут победить не экраном перед глазами, а способностью незаметно усиливать органы чувств человека.
https://techcrunch.com/2026/08/26/hearing-tech-startup-legato-emerges-from-stealth-with-12m-and-a-peek-at-its-ai-hearing-glasses/
Legato вышла из stealth с $12 млн и концепцией AI-очков для людей с проблемами слуха. ИИ должен выделять нужный голос в шуме.
Самые интересные умные очки могут победить не экраном перед глазами, а способностью незаметно усиливать органы чувств человека.
https://techcrunch.com/2026/08/26/hearing-tech-startup-legato-emerges-from-stealth-with-12m-and-a-peek-at-its-ai-hearing-glasses/
TechCrunch
Hearing tech startup Legato emerges from stealth with $12M and a peek at its AI hearing glasses | TechCrunch
The glasses, called Legato Frames, integrate the company’s patented hearing-assistance technology into the arms of eyewear frames.
Тайна Ox Alpha раскрыта: за загадочной моделью стояла китайская Z.ai
Ox Alpha появилась анонимно и привлекла внимание качеством программирования и агентной работы. Теперь выяснилось: за ней стоит Z.ai. Эксперимент показателен: модель сначала заработала репутацию без бренда. В AI-гонке качество продукта иногда говорит раньше логотипа компании.
https://techcrunch.com/2026/08/26/surprise-z-ai-is-the-ai-lab-behind-the-mysterious-ox-alpha-model/
Ox Alpha появилась анонимно и привлекла внимание качеством программирования и агентной работы. Теперь выяснилось: за ней стоит Z.ai. Эксперимент показателен: модель сначала заработала репутацию без бренда. В AI-гонке качество продукта иногда говорит раньше логотипа компании.
https://techcrunch.com/2026/08/26/surprise-z-ai-is-the-ai-lab-behind-the-mysterious-ox-alpha-model/
TechCrunch
Surprise: Z.ai is the AI lab behind the mysterious Ox Alpha model | TechCrunch
Z.ai confirms it is behind Ox Alpha, the mysterious open AI model topping benchmarks and leaderboards, and its weights are set to be released soon.
OpenAI: обучение больше не заканчивается дипломом
OpenAI продвигает идею непрерывного обучения в мире, где ИИ быстро меняет профессии.
ИИ обесценивает не образование.
Он обесценивает модель, в которой человек учится 15 лет, а следующие 40 работает на однажды полученных знаниях.
https://openai.com/index/learning-never-stops
OpenAI продвигает идею непрерывного обучения в мире, где ИИ быстро меняет профессии.
ИИ обесценивает не образование.
Он обесценивает модель, в которой человек учится 15 лет, а следующие 40 работает на однажды полученных знаниях.
https://openai.com/index/learning-never-stops
OpenAI
Learning never stops: How AI makes learning continuous
OpenAI’s new report explores how students and educators use ChatGPT to make learning more continuous, with support that extends beyond the classroom.
Как за один день проверить рынок с помощью ИИ — до того, как потратить деньги
Вы хотите запустить новый продукт.
Раньше на конкурентов, цены, отзывы и аудиторию могли уйти недели.
Сегодня черновой анализ реально собрать за один рабочий день — если использовать ИИ не как «оракула», а как исследовательскую команду.
1. Соберите контекст.
Загрузите описание продукта, сайт, презентацию, цены, записи разговоров с клиентами и известных конкурентов. Чем лучше исходные данные, тем меньше ИИ будет додумывать.
2. Запустите три исследования параллельно.
Попросите изучить:
— рынок: объём, динамику, барьеры;
— конкурентов: цены, оферы, позиционирование;
— клиентов: боли, критерии выбора, возражения.
Рабочий запрос: «Исследуй рынок [ниша] в [регион]. Каждый важный вывод подтверждай источником. Отдельно отмечай непроверенные данные. В конце дай 10 выводов, влияющих на решение о запуске».
Лучше прогнать задачу через 2–3 модели.
Если одна сообщает рост рынка на 20%, а другая на 5%, не выбирайте более приятную цифру — проверяйте первоисточник.
3. Читайте самих клиентов.
Отзывы на картах, маркетплейсах, форумах и в профильных сообществах часто полезнее презентаций конкурентов.
Передайте ИИ массив отзывов и попросите сгруппировать повторяющиеся жалобы, ожидания и причины выбора.
4. Сведите всё в одну таблицу.
Не нужен 40-страничный отчёт.
Нужна таблица: конкурент → цена → обещание → сильная сторона → слабая сторона → чем можем отличаться. Рядом — 3–5 сегментов клиентов и причины, по которым они готовы платить.
5. Деньги проверяйте вручную.
Рекламные бюджеты, спрос, CAC, прогноз продаж и ёмкость рынка модель может убедительно придумать.
Здесь нужны реальные рекламные кабинеты, Wordstat, внутренняя аналитика и официальная статистика.
Главный выигрыш не в том, что ИИ «заменяет маркетолога». Он убирает недели механического сбора данных и быстрее подводит бизнес к вопросу: нам действительно стоит входить на этот рынок — или лучше узнать это до запуска?
Подписывайтесь
Вы хотите запустить новый продукт.
Раньше на конкурентов, цены, отзывы и аудиторию могли уйти недели.
Сегодня черновой анализ реально собрать за один рабочий день — если использовать ИИ не как «оракула», а как исследовательскую команду.
1. Соберите контекст.
Загрузите описание продукта, сайт, презентацию, цены, записи разговоров с клиентами и известных конкурентов. Чем лучше исходные данные, тем меньше ИИ будет додумывать.
2. Запустите три исследования параллельно.
Попросите изучить:
— рынок: объём, динамику, барьеры;
— конкурентов: цены, оферы, позиционирование;
— клиентов: боли, критерии выбора, возражения.
Рабочий запрос: «Исследуй рынок [ниша] в [регион]. Каждый важный вывод подтверждай источником. Отдельно отмечай непроверенные данные. В конце дай 10 выводов, влияющих на решение о запуске».
Лучше прогнать задачу через 2–3 модели.
Если одна сообщает рост рынка на 20%, а другая на 5%, не выбирайте более приятную цифру — проверяйте первоисточник.
3. Читайте самих клиентов.
Отзывы на картах, маркетплейсах, форумах и в профильных сообществах часто полезнее презентаций конкурентов.
Передайте ИИ массив отзывов и попросите сгруппировать повторяющиеся жалобы, ожидания и причины выбора.
4. Сведите всё в одну таблицу.
Не нужен 40-страничный отчёт.
Нужна таблица: конкурент → цена → обещание → сильная сторона → слабая сторона → чем можем отличаться. Рядом — 3–5 сегментов клиентов и причины, по которым они готовы платить.
5. Деньги проверяйте вручную.
Рекламные бюджеты, спрос, CAC, прогноз продаж и ёмкость рынка модель может убедительно придумать.
Здесь нужны реальные рекламные кабинеты, Wordstat, внутренняя аналитика и официальная статистика.
Главный выигрыш не в том, что ИИ «заменяет маркетолога». Он убирает недели механического сбора данных и быстрее подводит бизнес к вопросу: нам действительно стоит входить на этот рынок — или лучше узнать это до запуска?
Подписывайтесь
Claude Cowork получил встроенный браузер — агенту больше не нужно отдельное расширение
Anthropic встроила браузер прямо в Cowork: агент может работать с сайтами в той же среде, где выполняет остальные задачи. Браузер для агента — то же, чем он был для человека: дверь почти во весь цифровой мир. Только теперь по сайтам ходит не пользователь, а его ИИ-исполнитель.
https://claude.com/blog/cowork-built-in-browser
Anthropic встроила браузер прямо в Cowork: агент может работать с сайтами в той же среде, где выполняет остальные задачи. Браузер для агента — то же, чем он был для человека: дверь почти во весь цифровой мир. Только теперь по сайтам ходит не пользователь, а его ИИ-исполнитель.
https://claude.com/blog/cowork-built-in-browser
Claude
Claude Cowork gets a built-in browser: nothing to install | Claude by Anthropic
Claude now has its own browser inside the Cowork desktop app. It opens sites, reads pages, and works in them while you keep working. No extension, and your own tabs and logins stay out of it.