Привет, друзья! Есть замечательный человек — Андрей Безруков, он служил в разведке и работал сначала на СССР, а затем на Россию. После того, как он был предан и раскрыт, вернулся в Россию и сейчас читает очень познавательные и глубокие лекции, которые касаются геополитики.

На выходных смотрел одно из таких видео, есть очень много пересечений текущей ситуации с 20-м веком, когда за 30 лет с 1914 по 1945 мир кардинально переменился и перешёл от эпохи царей и лошадей к ядерным державам и ООН. Тогда был сделан глобальный технологический скачок.

Сейчас подобный скачок и турбулентность следующих двадцати лет может стать реальностью благодаря Ai. Вот цитата из выступления: «Тот искусственный интеллект, который мы видим в ChatGPT, это не тот искусственный интеллект, который завоюет мир 20 лет спустя» — как с электричеством в 1914 vs. сейчас.

Помимо генеративных технологий существует огромное количество смежных сфер, куда стоит смотреть и где есть глобальные перспективы. Робототехника, Кибербезопасность, Экономика ✕ Ai.

Сейчас настало время закрепления позиций в Ai, поскольку быстрое экспоненциальное развитие технологий практически не даст шансов отстающим.

Фокус для каждого человека и каждой компании может быть в том, чтобы стать лучшим в своей нише, заставить технологию работать на благо. Ai по словам Безрукова — это ключевая технология, которая определит победителей и проигравших в новом мировом порядке.

Будет минута, рекомендую посмотреть выступление, оно позволяет по-другому посмотреть на гонку, в которой сейчас находятся все ведущие державы.

Видео: https://www.youtube.com/watch?v=zacLAAucblc

Привет, друзья! Последние несколько дней по интернету гуляет исследование Bond (частный фонд, возглавляемый ветеранами аналитики, SaaS-менеджмента и венчурного рынка) о трендах AI.

Исследование довольно объемное (PDF на 340 страниц), в большинстве случаев демонстрируется экспоненциальный рост показателей. Исследование показывает, как менялся и развивался ландшафт продуктов, технологий и сервисов, связанных с AI за последние несколько лет.

Для желающих подробно почитать, выше ссылка на исследование. Я довольно внимательно по нему пробежался, и вот интересные моменты, которые могу выделить.

1. xAI построила суперкомпьютер Colossus (70000 м2, 200,000 GPU) за 122 дня. Вот что значит политика, смешанная с деньгами и настойчивостью товарища Маска. Примечательно, что для строительства использовали старый завод «Электролюкс».

2. Одна из новейших архитектур GPU Blackwell от NVIDIA потребляет в 105000(!) раз меньше энергии на токен, чем Kepler 2014 года выпуска. Это как если бы автомобиль, потреблявший 10 литров на 100 км, стал потреблять 0.000095 литра!

3. Китайский DeepSeek в 2025 году обучил модель уровня GPT-4 за ~$5 млн vs. ~$40 млн у OpenAI. При этом стоимость использования DeepSeek V3 составляет 0.2% от GPT-4.5, совершенно очевидно, что в будущем стоимость токена будет стремиться к нулю, это очень важный момент.

4. В тесте Turing Test 2025 года 73% людей приняли ответы GPT-4.5 за человеческие. При этом в области программирования DeepSeek показывает результат 98/100, обогнав даже OpenAI (97/100).

5. 2.6 млрд человек (32% населения), которые никогда не пользовались интернетом, пропустят эру браузеров и поисковиков и сразу начнут с AI-ассистентов на родном языке. Это фантастического размера скачок через технологическую эпоху. Похожая история произошла в Китае, где часть пользователей пропустили эру персональных компьютеров и сразу начали использовать смартфоны.

6. Несмотря на падение стоимости инференса на 99.7% за последние годы, общие расходы на AI растут экспоненциально. То есть, чем дешевле становится AI, тем больше его используют повсеместно.

7. Claude, Operator и другие AI-агенты теперь могут напрямую управлять компьютером: кликать мышкой, заполнять формы, делать покупки за вас. Это фундаментальный сдвиг от «ассистента» к «исполнителю», который будет развиваться с невероятной скоростью и силой. Учитывая развитие крипторынка, большое количество агентов станут самостоятельными «организмами», работающими на блокчейне и использующими доходы от своего «труда» на оплату собственной жизнедеятельности и выплату роялти своим хозяевам-авторам-создателям (тут нужно вписать ваше имя).

8. «Скорость скорости» — интернету потребовалось 20+ лет для массового принятия, AI достигает аналогичного охвата за 2-3 года. При этом каждая следующая волна технологий приходит вдвое быстрее предыдущей. Мы находимся в точке, где изменения происходят быстрее, чем общество успевает их осмыслить, скоро сингулярность, всем мира!

Привет, друзья! По интернетам ходит довольно неплохая работа от Сбера по мультиагентным системам, лежит тут: https://giga.chat/help/articles/multi-agent-system

Не могу сказать, что есть что-то принципиально новое, но исследование хорошо систематизирует типологию агентов и подходы, показывает как на практике можно использовать фреймворки (там LangGraph + Pydantic).

Считаю, что это достаточно ценный ресурс, который неплохо дополнит фундаментальные вклады OpenAI, Anthropic и Google в части AI-агентов для тех, кто начинает интересоваться вопросом.

В июле будем подробно говорить об агентах, я буду рекомендовать эту работу для ознакомления, пока дополню ею свою фундаментальную папочку на Yandex.Disk.

Привет друзья! Пару слов про автоматизацию и те паттерны, которые я вижу прямо сейчас.

Прежде всего, несколько совершенно явных проблемных моментов вырисовывается из-за искажённого подхода предпринимателей и владельцев бизнеса к самому вопросу автоматизации.

Некоторые считают, что нужно «заменить сотрудников на искусственный интеллект», и это будет решением проблем. Это не так.

Иные считают, что стоит построить и оцифровать все процессы, после чего «автоматизировать с помощью искусственного интеллекта». И это тоже не так.

Мы находимся в той точке, когда нужно думать не над тем, «кого ты хочешь нанять» или «кого ты хочешь заменить на ИИ», а над тем, чего ты хочешь достичь как бизнес.

Для старших и опытных товарищей их собственный багаж знаний и опыта может оказаться обузой, потому что меняется не только технология, но и сам подход.

Вспомните, как Earl Nightingale, которого я часто привожу в пример, рассказывал о том, как любой новый бизнес старается копировать существующие бизнесы в своей нише и поэтому совершает ровно те же ошибки и достигает примерно тех же результатов что и оригинал.

Сейчас нужно полностью изменить подход и временно забыть обо всех классических знаниях построения бизнеса, процессов, ролей и процедур.

Нужно мыслить назад от конечной цели, плавно распаковывая её в подцели, переходя к процессам, которые способны их достигать.

Прелесть мультиагентных систем в том, что они могут принять любую форму, стать чем и кем угодно, но залогом успеха работы такой системы и автоматизации в целом будет кристально чистое понимание владельца автоматизации результатов, к которым идет.

Нейросетевая пятиминутка с обзором масштабного обновления Flowise — визуального конструктора для создания AI-агентов и автоматизаций на базе LangChain и LlamaIndex.

Покажу:

- новый интерфейс и 15+ новых типов нод (Agent, Condition, Loop, Retriever);
- построение multi-agent системы «Креативное агентство» с 4 специализированными агентами;
- создание умного бота поддержки с классификацией запросов и RAG;
- техники работы с векторными базами и тройным извлечением данных;
интеграцию с внешними UI через Lovable.dev и встраивание чат-виджетов;
- Document Store с Record Manager для управления знаниями;
- мощный дуэт n8n + Flowise для автоматизации загрузки документов.

00:00 Введение: Что нового в Flowise 3.0.
00:51 Что такое Flowise: LangChain и LlamaIndex под капотом.
01:26 Пример multi-agent системы в старой версии.
03:43 Новый интерфейс Flowise 3.0: первый взгляд.
04:19 Обзор новых нод: Agent, Condition, Loop и другие.
08:24 Демо: Креативное агентство с 4 агентами и супервайзером.
11:04 FlowState: передача данных между агентами.
11:16 Подключение внешних интерфейсов и API.
11:40 Демо: Бот поддержки с классификацией запросов.
14:13 Демо: RAG с тройным извлечением из базы знаний.
16:16 Интеграция с Lovable: создание кастомного UI.
17:29 LightRAG: визуализация графа знаний.
18:00 Document Store и Record Manager.
19:11 Интеграция с N8N для автоматизации загрузки документов.
20:19 Выводы: n8n + Flowise как дуэт для AI-автоматизации.

- Креативное агентство
- Flowise
- Weaviate
- Lovable
- LightRAG

Привет, друзья! Так получилось, что с апреля по текущий момент через курсы и обучение, которое проводил, прошло более сотни человек.

Интересно, что некоторые из них были владельцами бизнеса, аналитиками, разработчиками, маркетологами, предпринимателями, фаундерами крупных компаний.

Но были и те, кто сделал пивот решил связать свою будущую карьеру с автоматизацией и предлагать услуги по созданию автоматизированных решений в качестве основного бизнеса.

У нас есть закрытая группа, где мы делимся информацией, материалами, общаемся про автоматизацию и разговариваем о проектах.

Как-то выше я уже писал это сообщение, но повторю еще раз. Если у вас или у вашего бизнеса есть потребность в автоматизации, заполните бриф и пришлите его мне, либо оставьте комментарий под этим сообщением.

Возможно, кто-то из выпускников моих программ сможет взяться за этот проект, и получится win-win.

…а если вы сами работаете в крупной компании и управляете командами, хорошей идеей может оказаться обучение вашей команды навыкам автоматизации, привязанной к бизнесу. Пишите.

…а если ваша компания предоставляет сервисы для бизнеса, то можно подумать о создании шаблонов и специальных решений для автоматизации под ваш продукт (например, на базе n8n). Поверьте, это точно стоит того, чтобы проинвестировать туда время и силы. Тоже пишите.

Привет друзья! Всех с началом новой недели и новым рывком этого лета!

Периодически почитываю эссе, которые пишет Сэм Альтман. Это, напомню, CEO OpenAI, те, что делают ChatGPT.

Недавно вышло еще одно, где он говорит о «мягкой сингулярности». В целом, тут нет ничего революционно нового, за исключением того, что Сэм пишет его практически «фаталистическим» тоном.

Он представляет радикальную трансформацию нашей цивилизации как неизбежный и при этом управляемый процесс, но как показывала история, технологические революции «мягко» не случаются, особенно в тех случаях, когда ставки высоки.

А ставки сейчас очень высоки, поскольку развитие Ai становится чуть ли не доминирующей нитью, которая проходит через все современные инновации.

От этого зависит и безопасность многих стран, и общее будущее, и воспитание будущих поколений Homo Sapiens (или Homo Cyberneticus?).

У меня есть презентация, где я ссылаюсь на его твит из 2021, в котором он пишет, что стоимость интеллекта и энергии будет стремиться к нулю. Могу констатировать, что за прошедшие годы тренд только усилился.

Хочется задать вопрос вслух и самому себе: «а что делать обычному человеку в этих условиях?»

Ответ, на мой взгляд, очень простой. Задача — оседлать технологии, сделать их управляемыми хотя бы в рамках контролируемого вами пространства: семьи, бизнеса, компании, в которой вы работаете.

Нужно научиться свободно владеть инструментами автоматизации, которые позволят получить то, что Naval Ravikant называет «Infinite Leverage».

Нужно подняться на уровень систем и начать мыслить системами, а не процессами или простыми целями. Нужно стараться полностью исключить из своей жизни автоматизируемые процессы. Не ускорить, а именно исключить.

Современный мир предоставляет все возможности для самостоятельного обучения и использования этих технологий. Дофамина нам всем и хорошей недели!

Привет, друзья! Думаю, что к концу этого года видеогенерация из промптов станет массово доступной и по качеству будет практически неотличима от отснятого видеоматериала.

Пока видно много неточностей и несостыковок: губы, тембры, движения, персонажи. Но даже с учётом этого, индустрия видеогенерации переживает сейчас революцию, некоторые компании уже вовсю используют её в коммерции.

Примечательно, что почти вся современная видеогенерация встраивается в цепочки процессов, можно автоматически создавать всё, что нужно из необходимых материалов.

Выше — пример такой генерации, она была собрана автоматической цепочкой, сгенерировано всё от начала до конца за исключением основной темы (найдена и оценена по уровню «юмора» автоматом) и ручной склейки в конце.

Хэппи Тъюздэй!

Привет, друзья! Информирую, что мой креатив по нагнетанию FOMO в сфере Ai-Агентов переходит на качественно новый уровень ;-)

Теперь о серьезном. Исследовательская группа из Стэнфорда выпустила отличное исследование на тему существующих возможностей и потребностей в автоматизации.

Команда SALT Lab и Stanford Digital Economy Lab создала WORKBank — 844 задач из 104 «цифровых/компьютерных» профессий с двумя метриками на каждую: насколько работники хотят отдать её ИИ-агентам (автоматизировать) и насколько это уже по силам текущим моделям.

Выяснилось интересное: 46 % задач люди готовы делегировать, тогда как инвестиции и исследования идут в зоны с низкой потребностью.

Авторы предложили четырёхсекторную матрицу — Green Light, R&D, Red Light и Low Priority, найдите её на картинке тут: https://futureofwork.saltlab.stanford.edu/ (4. Contrasting worker and AI expert perspectives delineate four task zones).

Идея заключается в том, чтобы отбирать задачи и реализовывать их по следующим зонам:

1. R&D Opportunity Zone — тут лежат задачи с высокой потребностью, но текущей низкой возможностью. Конкуренция здесь пока мала, но самые высокие возможности.
2. Green-Light Zone — этим можно заниматься прямо сейчас. Технологии созрели, потребность высокая.
3. Red-Light Zone — низкая потребность, но высокие возможности. Ребята пишут, что 41% компаний из YC, так или иначе связанных с AI, сидят в этом и следующем сегментах.
4. Low-Priority Zone — самый низкий приоритет будем смотреть в динамике.

Исследователи скоро обещают опубликовать датасет с конкретными задачами, которые они оценивали, можно подписаться в waiting list и получить его на почту в будущем.

Если нужно прямо сейчас, то вот здесь лежит база O*NET со всеми задачами, которые были у истоков исследования.

Привет друзья! Вчера вышло замечательное выступление Андрея Карпати (Andrej Karpathy) перед участниками AI Startup School в San Francisco.

Напомню, что Андрей один из светлейших умов в сфере AI, он работал в OpenAI, Tesla, ведет замечательный канал, где рассказывает о нейросеточках, начиная с основ. У него фундаментальный подход к образованию, пытается докопаться до сути, поэтому напоминает Ричарда Фейнмана современности в части ясности и простоты изложения.

Всем, кто интересуется и занимается программированием, рекомендую посмотреть это видео. Вот несколько моментов, на которые я обратил внимание.

1. Андрей говорит, что мы находимся в точке эволюции развития программного обеспечения Software 3.0, это фундаментальная трансформация за последние 70 лет развития программирования.
2. Новый тип компьютера — LLM, современное программирование — создание промптов на естественном языке.
3. Очень занимательно Андрей описал LLM как «духи людей», каждая LLM имеет свою «персональность» и способности. Он предлагает работать с моделями, как с талантливыми, но несовершенными коллегами, страдающими антероградной амнезией :-)
4. LLM становятся новым типом потребителей цифрового контента вместе с людьми и другими программами, работающими в сети. Под LLM и их функции нужно адаптировать структуру современного интернета и программного обеспечения.
5. Впервые в истории достаточно мощные технологии пришли сначала к обычным людям, а затем внедряются корпорациями и правительствами. Это первая в истории инверсия такого вида и масштаба.
6. Разработчики программного обеспечения должны быть полиглотами всех трех программных парадигм: уметь программировать, разбираться, как работать с нейросетями на уровне фреймворков и быть профи в работе с LLM.

От себя могу добавить, очень понравилось сравнение героя фильма «Memento» с языковой моделью: фиксированные веса и ограниченный контекст, который стирается каждый день. Тем, кто этого фильма еще не видел, рекомендую посмотреть.

Выступление на YT.
Слайды.

В первом комментарии видео файлом.

Привет, друзья! Недавно размышлял над современным ландшафтом образовательных программ, которые позволяют людям сделать шаг в сторону специализации AI.

Кажется, что проблема не в том, что нужного обучения нет, а в том, что его слишком много. И большинство людей мечутся между различными источниками в поисках чего-то максимально глубокого, полезного и надежного, таким образом, просто взбивают воду.

Я помню свой образовательный трек, и мне кажется, что двигаться нужно, начиная с базовых основ, на которых можно построить надежный фундамент следующих действий.

По моей практике, важно найти и обрести три вещи.
1. Правильную площадку / спикера / темп обучения.
2. Понятный для вас язык, которым образовательная программа «разговаривает» с вами.
3. Наличие практических примеров и возможность выполнения домашних заданий / прохождения практики.

Помятуя курсы, которые проходил я сам, могу с уверенностью рекомендовать следующие массово доступные ресурсы (английский / субтитры):

- https://karpathy.ai/ — это сайт Андрея Карпаты, о нём я писал в посте выше. Для глубокого прикладного понимания предмета DNN / LLM лучшего ресурса не найти.

- https://learn.deeplearning.ai/ — DeepLearning.Ai, который возглавляет один из пионеров нашей индустрии, Andrew NG, прекрасный ресурс для освоения как базовых основ, так и более-менее продвинутых техник. Охватывают много вопросов, начиная от Python, заканчивая Агентами.

- https://www.coursera.org/ — традиционно остаётся одним из основных ресурсов, если получится построить надёжный фундамент, можно найти нужную специализацию и продолжить обучение с ней. Например, эту: https://www.coursera.org/specializations/ai-agents#courses

Разумеется, существует тонна других программ и курсов на любой вкус, в том числе и на отечественных платформах, важно найти для себя то, что «цепляет» и довести обучение до конца (то, что называется Stick with It).

Дополните в комментариях курсы, которые проходили (и они вам понравились) с кратким описанием пользы — давайте соберём общие рекомендации.

Привет, друзья! Anthropic продолжает свой путь в сторону LLM-OS, где языковая модель выполняет роль операционной системы для приложений.

Вчера появилась статья, в которой описана новая версия артефактов (AI-powered apps), так что теперь можно создавать несложные приложения на базе модели (да-да, прямо вызывать Completion из кода артефакта) и делиться артефактами с другими пользователями. Разумеется, есть ограничения (например, нельзя вызывать внешние API и вся история работает только в приложении Claude), но это только начало.

Помню, на заре Apple AppStore, приложения для iOS распространялись как Web-приложения и запускались в Safari на ранних версиях iOS. Скорее всего, тут мы проходим тот же путь и скоро появятся настоящие продукты, которые будут распространяться через магазины приложений на базе самих моделей.

Модели станут новыми операционными системами.

Всё правда, бабуськи дело говорят :-)

Привет, друзья! Несколько слов об AI-агентах — автономных интеллектуальных помощников на базе языковых моделей.

В этом году появилось достаточное количество инструментов, которые позволят создавать не просто агентов, а более сложные мультиагентные системы (MAS), при этом кирпичики, из которых эти системы строятся, становятся все более доступными.

Вот «классический» набор агентов в небольшой мультиагентной системе, которая решает некоторую «типовую» задачу:

- Исследовательский агент собирает данные.
- Аналитический агент обрабатывает информацию.
- Агент принятия решений формулирует рекомендации.
- Исполнительные агенты реализуют решения.

Важно отметить, что исполнительные агенты могут адаптироваться под необходимое поведение и самосовершенствоваться со временем.

Мы внутри уже собрали несколько наборов таких мультиагентных систем и пробуем разные инструменты для того, чтобы найти наиболее эффективные комбинации и сочетания инструментов, доступных агентам.

Могу сказать, что для исследований очень хорошо работает Perplexity, а с недавнего времени появилась возможность использовать DeepResearch от OpenAI через их API, а Google выложили код для собственного DeepResearch.

Аналитика / принятие решений лучше всего работает через OpenAI o3 и Claude Opus 4, хорошо показывают себя модели Gemini от Google.

Исполнительных агентов можно собирать в любом из фреймворков. Мы используем LangGraph, Pydantic, а с недавнего времени начали исследовать Google ADK — там много всего интересного. Отдельного внимания заслуживает Operator (стал сильно умнее) и BrowserUse. Ну, и Manus как отдельный вид искусства :)

Недавно просматривал финансовые прогнозы, годовой рост в Agentic AI ~35% (CAGR), через десяток лет это будет многомиллиардный рынок.

Я надеюсь, что прямо сейчас вы что-то пробуете придумать, создать или изучить в этой области. Особенно, если простраиваете свой дальнейший профессиональный путь.

Привет, друзья! Позавчера я кратко касался мультиагентных систем и новых возможностей, которые перед нами открываются.

Наткнулся на очень интересную работу китайской команды из немецкого технического университета.

Система SwarmAgentic, предложенная исследовательской группой, полностью закрывает работу пр созданию и конфигурированию оптимальной мультиагентной системы с нуля, идеи взяты из области роевого интеллекта (аналог в природе — пчёлы, муравьи, где у каждого своя маленькая задача, но все выполняют общее дело).

На вход системы нужно подать задачу и определить критерии успешности её выполнения, дальше всё на автопилоте.

Сначала создается несколько команд-кандидатов по примеру пчелиного роя и каждая команда пробует свой подход к решению задачи.

Далее, каждая из команд учится на собственных ошибках, смотрит на результаты лучших команд и изменяет обязанности пчёл-агентов внутри команды.

После нескольких циклов улучшений остается самая эффективная команда, которая имеет все необходимые роли для решения задачи, внутри чётко распределены обязанности и выстроен правильный порядок действий для достижения результата.

Почему про это стоит думать? Во-первых, чем сложнее система, тем сложнее создать правильную конфигурацию агентов, которые будут не только приходить к результату, но и лишены избыточности / ненужных операций (мы, например, проектируем это всё вручную).

Во-вторых, создание подобных систем еще сильнее снижает порог входа для неподготовленных пользователей, и вы можете получить уникальную систему для решения своей уникальной задачи, обладая минимумом знаний и навыков.

В отличие от всех современных и доступных мультиагентных систем / фреймворков для их создания, например, Manus, AutoGen, CrewAI или LangGraph, SwarmAgentic предлагает уникальный подход к полной автоматизации через эволюцию на базе роевого интеллекта.

Пока это только исследовательская работа, выпущенная совсем недавно (18/06/2025), но я уверен, что подобные системы УЖЕ находятся в лабораториях крупных компаний и, возможно, скоро станут доступны для простых пользователей.

p.s. Код продукта оказался недоступен на GitHub, я написал автору, пришлёт — поделюсь тут.

Привет, друзья! Вдогонку к посту выше. Еще одна интересная исследовательская работа, которая демонстрирует, как можно использовать ансамбль из LLM и механики деревьев для поиска оптимального решения проблем.

Те, кто вплотную работает с языковыми моделями, вероятно, сталкивались с ситуацией, когда вы, например, начинаете решать какую-то проблему и понимаете, что зашли в тупик. Или модель перестала отвечать вам нужным образом, или начала галлюцинировать, или вы поняли, что окончательно запутались.

Если вы используете чат-интерфейс, то появилась возможность вернуться к нужному моменту в разговоре и продолжить оттуда, осуществив так называемый rollback в «правильный» момент.

Кроме этого, те, кто вплотную занимается сетями, знают, что они по-разному решают одинаковые задачи. Какая-то сетка справляется с ними лучше, какая-то хуже, и люди, набившие руку, уже знают, «к кому с чем идти».

Ребята из Sakana AI придумали механику, которая построена на деревьях Монте-Карло и демонстрируют некоторые зачатки коллективного интеллекта на базе доступных LLM.

Смысл в следующем: в процессе работы над решением задачи, механика строит дерево решений и принимает решения в двух основных моментах: продолжать «копать вглубь», то есть последовательно двигаться к решению задачи в рамках контекста, или «идти вширь», то есть искать альтернативные варианты и способы решения.

В результате выбираются наиболее удачные варианты, которые потом разворачивают первоначальную задачу в финальное решение.

Примечательно, что в рамках построения дерева решений могут использоваться разные модели. Например, Gemini 2.5 Pro, o4-Mini, DeepSeek и так далее, в разных узлах этого решения, то есть каждая из сетей может принести свою уникальную экспертизу в решение одной общей задачи.

Почему стоит об этом задуматься: Эта механика, вкупе с тем, что я описал выше, может существенно увеличить качество решений задач, с которыми мы сталкиваемся, используя даже платные «консьюмерские» модели.

Совершенно очевидно, что в закромах у крупных разработчиков языковых моделей есть то, о чем мы ещё не догадываемся, например, я ожидаю увидеть o5 от OpenAI уже в этом году :-) Разумеется, эти модели мощнее, чем те, что мы с вами видим сейчас, некоторые из них имеют специализацию, а некоторые идут в настоящую мультимодальность и развиваются в сторону AGI.

Тем не менее подходы, описанные ребятами из Sakana.ai, позволяют уже сейчас выжать больше мощности из имеющихся разработок, а с появлением более сложных и продвинутых моделей универсальная механика, предложенная Sakana, станет только лучше.

Как раз сейчас планируем попробовать это решение на новой версии Grok от Илона Эрроловича — около AGI-ные каналы бурлят восторженными откликами.

Paper
GitHub

Хэппи фрайдэй!

Привет, друзья. Редко читаю почту — в основном всё общение в TG или через ассистента, но тут наткнулся на интересное сообщение от… Яндекса.

Ребята врываются на танцпол с RAG (и вообще с ассистентами), предлагают его в виде сервиса, который можно подключить внутри компании.

Примечательно, что игроки такого уровня начинают заходить в этот сегмент, это начало эры демократизации AI и выдавливания небольших игроков, которые тратят сотни человеко-часов для оптимизации поиска в различных вариациях RAG в своих продуктах.

Бегло посмотрел их документацию. Конечно же, есть вопросики, но это ведь только начало.

Болеем за все команды!

Привет, друзья. Китайские комрады из moonshot.ai (компания основана в 2023 году, сейчас одна из крупнейших в Китае в сфере AI, оценка $3.3B) выпустили довольно интересную модель: Kimi K2 (тестим тут: https://www.kimi.com/)

Из интересного: открытые веса, которые можно скачать и развернуть на своём железе + отдельная версия Base, специально предназначенная для дообучения.

Что тут такого интересного: судя по тестам, модель показывает чумовую производительность в задачах кодирования и отличную работы в рамках автономных агентов, при этом стоимость, в сравнении с остальными игроками рынка, крайне мала.

Важно отметить, что модель с открытыми весами в некоторых случаях превосходит дорогие проприетарные модели по ряду тестов (точность K2 в MATH-500 в 97,4% превышает 92,4% GPT-4.1).

Есть замечательный сайт https://artificialanalysis.ai/, который я периодически посматриваю с выходом новых моделей. Там есть отличный график: «Интеллект / Стоимость» (на картинке). Верхний левый зелёный квадрант показывает максимум интеллекта при минимальной цене, условно, цена / качество. K2 попадает на нижнюю границу этого квадранта и по «уму», и по «стоимости».

Будем тестить на проектах агентов, есть OpenAI-совместимый API через Groq: https://console.groq.com/playground?model=moonshotai/kimi-k2-instruct

p.s. Обязательно попробуйте режим Researcher (a-la Deep Research) — очень недурно для начала. Очень.

Привет, друзья! В своих лекциях про агентов я обычно не включаю базовые моменты, которые связаны с анатомией промптов, механикой их создания и оптимизации — подразумевается, что слушатели и так знакомы с основами.

И, как ни странно, даже начальных знаний часто хватает. Но, как говаривал мой любимый артист Евгений Гришковец: «Рос мальчик, рос кинжальчик».

Современные системы, особенно мультиагентные, требуют очень тщательного подхода не только к формированию промптов, но и к формированию целого контекста, который будет использован моделью для выполнения задач.

Если вспомните несколькими постами выше, было сравнение с фильмом «Memento». Это отличная иллюстрация того, что нужно подготовить модели для ее правильного (читай — нужного вам) функционирования.

С недавнего времени закрепился термин, который называется Context Engineering. Термин, и всё, что стоит за ним, настолько важно и серьезно, что об этом написали и Andrej Karpathy, и ребята из LangChain.

Простыми словами, Context Engineering — это подход, который позволяет «накормить» LLM именно тем, что нужно для решения задачи в нужном виде, при этом снабдить ее ее правильными инструментами.

Сюда входит и основная инструкция, и tool use, и кратковременная память для хранения текущего контекста, и долговременная память, которая нам необходима для подмешивания важных фактов, и необходимые механизмы доступа к внешним знаниям для получения данных при необходимости.

Даже по моей собственной практике (парни из LangChain подтверждают), большинство проблем работы агентов, особенно вызванных ростом их количества в мультиагентной среде, связано не с «тупостью» моделей, а с неправильным контекстом и первое, что начинают делать новички в такой ситуации — стараться использовать более дорогие, более умные модели, в надежде «залить» проблему интеллектом.

Но судя по последним наблюдениям, даже средние модели с правильно построенным контекстом работают очень неплохо. Особенно, это касается автономных систем, где невозможно вручную контролировать каждый шаг исполнения автономного процесса.

Правильный мыслительный эксперимент, который полностью иллюстрирует концепцию Context Engineering, следующий: представьте, что вы ставите задачу своему подчиненному, при этом 1) вы снабжаете его инструкцией по решению этой задачи, 2) всеми необходимыми документами, 3) важными ограничениями, которые стоит учесть при решении, 4) контактами коллег, у которых он может получить необходимую информацию для решения задачи.

Чем точнее и полнее будет сформулирован список выше, тем выше шанс правильного решения задачи вашим подчиненным без необходимости дергать вас в процессе выполнения для необходимых уточнений.

Формат контекста столь же критичен, как и его полнота.

Пора опять пересматривать Memento…

Привет, друзья! В июне в SF проходило событие AI Engineer World's Fair v2 (2025). Это главное ежегодное событие, посвященное практической разработке AI-систем.

В этом году там собралось больше 3000 участников, состав традиционно примечателен: большие лаборатории с собственными моделями (OpenAI, Anthropic, DeepMind, Cohere), облачные системы + Big Tech (AWS, Google DeepMind, Microsoft Azure), стартапы (LangChain, LlamaIndex, Mistral, Together.ai), CTO/VP AI из Fortune 500 (BlackRock, Bloomberg, Walmart Labs), академическое сообщество (Cornell Tech, Stanford HAI) и инвесторы (Conviction Capital, a16z, Sequoia).

Было очень много полезных и интересных докладов, которые касались агентов, MCP, RAG, голосового синтеза, работы с инфраструктурой, безопасностью и архитектурой, пришлось поменять планы на выходные, чтобы всё изучить. И темы, и спикеры просто потрясающие.

Вот тут лежит полный плейлист с выступлениями, рекомендую всем и каждому подробнейшим образом его просмотреть, выделить для себя необходимые лекции и потратить время на погружение.

Для тех, кто не имеет доступа к YouTube или хочет посмотреть всё на рыбалке без интернета — вот практически полный плейлист в Яндекс.Диск (аларм, ~48Gb).

Обратите внимание, что почти каждый автор / компания имеет свой репозиторий на GitHub, там всегда глубокое погружение в тему, если вам понравится видео выступления.

Вот один из таких: https://github.com/humanlayer/12-factor-agents, это https://x.com/dexhorthy/ из HumanLayer рассказывает о двенадцати принципах для построения успешных агентов. Отличное видео и репо.

Поделитесь этим постом со всеми, кому желаете добра, развития и сингулярности :-)

Хэппи Thursday, эврибади! @aiwizards

Привет, друзья! Вчера вечерком OpenAI выкатили ChatGPT Agent. Это продукт, который заключает в себе возможности и Operator (автономный браузинг для выполнения задачи), и DeepResearch (глубокое исследование вопроса по различным источникам).

Я вчера сделал несколько тестов и, честно скажу, работает довольно неплохо, хотя я просто поскреб поверхность.

Сам продукт работает в веб-интерфейсе и включает в себя браузер, терминал для выполнения кода, возможность интеграции с различными API и использование инструментов.

Также интересно, что установленный продукт в форм-факторе приложения сможет использовать ресурсы локальной машины со всеми вытекающими — поиск по файлам, выполнение команд, управление приложениями.

Давно ожидаемая модель «программист в кармане» становится все ближе и ближе: достаточно просто посмотреть на арсенал средств, которым обладают OpenAI и похожие компании, чтобы примерно представить будущее развитие.

Вообще все, что происходит сейчас в мире AI с точки зрения развития продуктов и мгновенного изменения расстановки сил, напоминает мне сцену из советского мультфильма «В синем море, в белой пене…». Примечательно, что мультфильм 1984 года, видимо, случилось «синхронисити» с Оруэллом.

Там есть сцена, где морские обитатели разных форм, размеров и назначений, беспощадно друг друга едят в на фоне падающих на дно изумрудов и рубинов. Что-то ребята знали про будущее…

Похоже, что вчера хвосты откусили двум рыбкам по имени Manus AI и Genspark Super Agent.

Болеем за все команды, хорошей пятницы @aiwizards

p.s. На картинке к посту OpenAI сам визуализировал идею «Что такое «ChatGPT Agent», по-моему, они собираются и дальше действовать агрессивно.