This media is not supported in your browser
VIEW IN TELEGRAM
Всё правда, бабуськи дело говорят :-)
9😁36🔥10❤2👎1
This media is not supported in your browser
VIEW IN TELEGRAM
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.
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.
4🔥22👍9🤝8❤1🤯1🙏1
This media is not supported in your browser
VIEW IN TELEGRAM
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.
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.
2🔥32❤13👍10
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!
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!
2👍14🔥6❤5
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!
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!
🔥13💘1
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.
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.
1❤12🔥9👍5❤🔥1
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…
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…
3👍27❤13🔥2
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
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
2❤25👍5
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.
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.
👍17❤6🔥6😁6🍌2🌭1
Привет, друзья, анонс! Не хочу никого расстраивать, но следующая пятница — это 1 августа, а значит нужно набирать обороты, чтобы врываться в солнечный сентябрь.
По этому поводу я возвращаюсь к проведению интенсивов и начну с базового курса по Агентам. В отличие от предыдущих 2,5-недельных интенсивов по n8n и Flowise, это будет курс на четыре недели из восьми занятий, где мы разберём всё, начиная от основ, заканчивая выкатыванием готовых агентов в production. Выдам базу, в общем.
Что важно упомянуть: для участия в курсе требуется базовая подготовка в алгоритмах и Python. Совсем нулевых знаний будет недостаточно, можно поплыть уже на втором занятии, поэтому адекватно оцените свои возможности, прежде чем подавать заявку.
Рассмотрим / будем использовать: Pydantic AI, LangChain/LangGraph, n8n, Flowise, CrewAI, Zep, Mem0, Letta (MemGPT), Qdrant, Weaviate, Pinecone, LangSmith, LangFuse, Pуdantic Logfire, Redis, PostgreSQL, Docker.
На этот раз два нововведения: 1) отдельные билеты для юрлиц, 2) доступен сплит от Яндекса, поэтому можно оплатить участие в рассрочку.
Подробная программа курса тут, билеты тут, увидимся, друзья!
По этому поводу я возвращаюсь к проведению интенсивов и начну с базового курса по Агентам. В отличие от предыдущих 2,5-недельных интенсивов по n8n и Flowise, это будет курс на четыре недели из восьми занятий, где мы разберём всё, начиная от основ, заканчивая выкатыванием готовых агентов в production. Выдам базу, в общем.
Что важно упомянуть: для участия в курсе требуется базовая подготовка в алгоритмах и Python. Совсем нулевых знаний будет недостаточно, можно поплыть уже на втором занятии, поэтому адекватно оцените свои возможности, прежде чем подавать заявку.
Рассмотрим / будем использовать: Pydantic AI, LangChain/LangGraph, n8n, Flowise, CrewAI, Zep, Mem0, Letta (MemGPT), Qdrant, Weaviate, Pinecone, LangSmith, LangFuse, Pуdantic Logfire, Redis, PostgreSQL, Docker.
На этот раз два нововведения: 1) отдельные билеты для юрлиц, 2) доступен сплит от Яндекса, поэтому можно оплатить участие в рассрочку.
Подробная программа курса тут, билеты тут, увидимся, друзья!
🔥16🤝7❤5👍1
This media is not supported in your browser
VIEW IN TELEGRAM
Привет, друзья! Как некоторые из вас знают, я постоянно занимаюсь поиском и исследованием новых продуктов в AI.
Сегодня хочу рассказать про одну очень многообещающую на мой взгляд историю, которая называется Kestra (от Orchestra).
Если кратко, то Kestra — это оркестратор Workflow, такой же по своей сути, как и n8n, но с прицелом в Enterprise.
Продукт Open Source, описывает процессы декларативно с использованием YAML. Примечательно, что бизнес-логику можно писать практически на любых языках, что сильно снижает порог входа для специалистов, использующих не только Javascript / Python.
С одной стороны это хорошо, а с другой требует бОльшего понимания концепции оркестратора, YAML и подходов DevOps для развертывания.
В сравнении с n8n, Kestra из коробки заточена под кластеризацию, версионирование Workflow, работу с большими объёмами данных и высокую надёжность.
Для тех моих читателей, кто связывает свое будущее с автоматизацией, уже разобрались в n8n и научился его использовать, Kestra — это следующий возможный шаг в профессиональном развитии.
Комьюнити пока небольшое, на GitHub 20K звёзд, моё чутьё подсказывает, что это будущая звёздочка в Enterprise автоматизации.
На следующей неделе будет нейросетевая пятиминутка про Kestra, hold on!
Хэппи Thursday, эврибади!
Сегодня хочу рассказать про одну очень многообещающую на мой взгляд историю, которая называется Kestra (от Orchestra).
Если кратко, то Kestra — это оркестратор Workflow, такой же по своей сути, как и n8n, но с прицелом в Enterprise.
Продукт Open Source, описывает процессы декларативно с использованием YAML. Примечательно, что бизнес-логику можно писать практически на любых языках, что сильно снижает порог входа для специалистов, использующих не только Javascript / Python.
С одной стороны это хорошо, а с другой требует бОльшего понимания концепции оркестратора, YAML и подходов DevOps для развертывания.
В сравнении с n8n, Kestra из коробки заточена под кластеризацию, версионирование Workflow, работу с большими объёмами данных и высокую надёжность.
Для тех моих читателей, кто связывает свое будущее с автоматизацией, уже разобрались в n8n и научился его использовать, Kestra — это следующий возможный шаг в профессиональном развитии.
Комьюнити пока небольшое, на GitHub 20K звёзд, моё чутьё подсказывает, что это будущая звёздочка в Enterprise автоматизации.
На следующей неделе будет нейросетевая пятиминутка про Kestra, hold on!
Хэппи Thursday, эврибади!
2🔥52👍16❤10
Привет, друзья! Случилось замечательное. У n8n вышло новое обновление, где появилась возможность использовать одних агентов в виде инструментов (tools) у других агентов.
Как знают те, кто практикует создание агентных систем в n8n, инструменты и вложенные в workflow всегда были головной болью, которые с одной стороны позволяли добавить структуру, а с другой существенно уменьшали читаемость и добавляли хаос.
Позволю себе предположить, что теперь мультиагентную систему можно будет разместить на одном Canvas и визуально контролировать её поведение и настройки.
Примечательно, что системная инструкция агента может также являться переменной и быть изменяемой, теперь можно гораздо проще создавать мультиагентные системы по-настоящему динамическими (раньше тоже было можно, но с бубном).
В дополнение хочу сказать, что n8n настолько круто развивается, что часто разрывает на части от восторга.
Обновление вчерашнее, идём тестить и переосмысливать старые наработки :)
Как знают те, кто практикует создание агентных систем в n8n, инструменты и вложенные в workflow всегда были головной болью, которые с одной стороны позволяли добавить структуру, а с другой существенно уменьшали читаемость и добавляли хаос.
Позволю себе предположить, что теперь мультиагентную систему можно будет разместить на одном Canvas и визуально контролировать её поведение и настройки.
Примечательно, что системная инструкция агента может также являться переменной и быть изменяемой, теперь можно гораздо проще создавать мультиагентные системы по-настоящему динамическими (раньше тоже было можно, но с бубном).
В дополнение хочу сказать, что n8n настолько круто развивается, что часто разрывает на части от восторга.
Обновление вчерашнее, идём тестить и переосмысливать старые наработки :)
1👍39🔥13⚡7
Привет, друзья! Вот очень интересная страница под названием 500 AI Agents Projects.
Это коллекция вариантов использования AI-агентов в различных отраслях, начиная от здравоохранения, заканчивая игровой индустрией.
Сюда можно прийти для того, чтобы поискать вдохновение, поисследовать текущие, может быть, не очень очевидные примеры применения или просто подыскать что-то для своей отрасли.
Агенты разбиты на категории и можно довольно удобно найти что-то, что интересует именно сейчас.
Примечательно, что вся коллекция снабжена описанием и ссылками на реализацию.
Вдохновляемся тут: https://github.com/ashishpatel26/500-AI-Agents-Projects
p.s. Часть примеров из этой коллекции я взял для своего курса в запиненном посте.
Это коллекция вариантов использования AI-агентов в различных отраслях, начиная от здравоохранения, заканчивая игровой индустрией.
Сюда можно прийти для того, чтобы поискать вдохновение, поисследовать текущие, может быть, не очень очевидные примеры применения или просто подыскать что-то для своей отрасли.
Агенты разбиты на категории и можно довольно удобно найти что-то, что интересует именно сейчас.
Примечательно, что вся коллекция снабжена описанием и ссылками на реализацию.
Вдохновляемся тут: https://github.com/ashishpatel26/500-AI-Agents-Projects
p.s. Часть примеров из этой коллекции я взял для своего курса в запиненном посте.
1🔥24❤15👍3👌3
This media is not supported in your browser
VIEW IN TELEGRAM
Привет, друзья! Наконец-то на сцену вышел инструмент для автоматизации процессов от Google. Называется — Opal и пока работает в экспериментальном режиме (Beta).
В чём примечательность: можно описать естественным языком что ты хочешь получить в виде результата и увидеть сгенерированный workflow, который по шагам придёт к этому результату (разумеется, workflow можно корректировать или вовсе писать с нуля).
Отмечу, что в арсенале Opal все инструменты Google, начиная от моделей Gemini, заканчивая генератором видео Veo и AudioLM.
Как-то недавно мы с ребятами ставили эксперимент по автоматическому созданию видео по сюжетам популярных анекдотов, там в качестве оркестратора выступал n8n, а теперь можно то же самое повторить, используя Opal от Google, что в разы удобнее и быстрее.
У ребят есть библиотека готовых примеров, можно брать их за основу и «дотюнивать» до нужного.
Пробуем тут: https://opal.withgoogle.com/, поскольку инструмент в Beta, вам нужно «быть» в US.
p.s. Сделал воркфлоу для создания мотивирующих слоганов для GenZ, вот один из них: «Короче, пацаны и девчонки, не сдаваться — это наш главный вайб!». Плюсую.
В чём примечательность: можно описать естественным языком что ты хочешь получить в виде результата и увидеть сгенерированный workflow, который по шагам придёт к этому результату (разумеется, workflow можно корректировать или вовсе писать с нуля).
Отмечу, что в арсенале Opal все инструменты Google, начиная от моделей Gemini, заканчивая генератором видео Veo и AudioLM.
Как-то недавно мы с ребятами ставили эксперимент по автоматическому созданию видео по сюжетам популярных анекдотов, там в качестве оркестратора выступал n8n, а теперь можно то же самое повторить, используя Opal от Google, что в разы удобнее и быстрее.
У ребят есть библиотека готовых примеров, можно брать их за основу и «дотюнивать» до нужного.
Пробуем тут: https://opal.withgoogle.com/, поскольку инструмент в Beta, вам нужно «быть» в US.
p.s. Сделал воркфлоу для создания мотивирующих слоганов для GenZ, вот один из них: «Короче, пацаны и девчонки, не сдаваться — это наш главный вайб!». Плюсую.
🔥27❤4👍3💘1
Нейроавгуст, друзья! Напомню, что Сэм обещал GPT 5 ;-)
Вы знаете, оглядываясь назад, я обнаружил себя в окружении четырех LLM’ок, которые выполняют роли моих сотрудников на протяжении уже более полугода постоянно и без выходных.
У каждой сетки есть своя персоналия. Она хороша в чем-то, в чем другие отстают, я научился грязным манипуляциям для того, чтобы получить то, что я хочу быстрее и качественнее.
А ведь прошло всего два с лишним года с момента этой тихой революции и чем дальше я на всё это смотрю, тем острее понимаю, где будут следующие прорывные инновации.
Просто для размышлений: Шьям Санкар (CTO Palantir), Эндрю «Boz» Бозворт (CTO Meta*), Кевин Уэйл (CPO OpenAI) и Боб МакГрю (Thinking Machines, бывший CRO OpenAI) 13 июня 2025 г. приняли присягу в Пентагоне, получив погоны подполковников резерва в новом подразделении Detachment 201 — Executive Innovation Corps.
p.s. Пять раз подумайте, прежде чем обсуждать личные темы с любой из проприетарных сетей.
Вы знаете, оглядываясь назад, я обнаружил себя в окружении четырех LLM’ок, которые выполняют роли моих сотрудников на протяжении уже более полугода постоянно и без выходных.
У каждой сетки есть своя персоналия. Она хороша в чем-то, в чем другие отстают, я научился грязным манипуляциям для того, чтобы получить то, что я хочу быстрее и качественнее.
А ведь прошло всего два с лишним года с момента этой тихой революции и чем дальше я на всё это смотрю, тем острее понимаю, где будут следующие прорывные инновации.
Просто для размышлений: Шьям Санкар (CTO Palantir), Эндрю «Boz» Бозворт (CTO Meta*), Кевин Уэйл (CPO OpenAI) и Боб МакГрю (Thinking Machines, бывший CRO OpenAI) 13 июня 2025 г. приняли присягу в Пентагоне, получив погоны подполковников резерва в новом подразделении Detachment 201 — Executive Innovation Corps.
p.s. Пять раз подумайте, прежде чем обсуждать личные темы с любой из проприетарных сетей.
👍15❤6🤔1
This media is not supported in your browser
VIEW IN TELEGRAM
Привет, друзья! Вы знаете, я размышлял недавно и понял, что весь хайп, который сейчас стоит вокруг Ai-инструментов и появляющихся ежедневных «революций», никогда не закончится.
Теперь мы все будем жить в состоянии постоянной технологической революции и постоянного появления чего-то нового, умопомрачительного и невозможно «инновационного».
Сейчас самое время вернуться к тем самым базовым принципам, опираясь на которые можно строить системы и создавать сложные продукты, стоит остановиться и перестать гнаться за хайпом — это бег без финишной прямой.
Во всех непонятных ситуациях лучше обращаться к классике и начинать с нее.
Тем не менее, довольно любопытно наблюдать, как крупные игроки вытесняются небольшими, и как то, что раньше казалось непоколебимым и нерушимым, подвергается атакам и проигрывает.
Попался на глаза интересный продукт, который делает примерно то же самое, что Lovable, V0, Bolt.new и Replit, но локально (вам нужны API ключи от моделей).
Продукт с открытым исходным кодом. Можно подключать локальные модели, дотюнивать и дотачивать этот код после создания.
Поддерживает интеграцию Supabase, что является очевидным преимуществом таких проектов.
Быстрое визуальное прототипирование становится еще проще и ближе к каждому, кто так или иначе сталкивается с цифровыми продуктами.
https://www.dyad.sh/
Хэппи Tuesday!
Теперь мы все будем жить в состоянии постоянной технологической революции и постоянного появления чего-то нового, умопомрачительного и невозможно «инновационного».
Сейчас самое время вернуться к тем самым базовым принципам, опираясь на которые можно строить системы и создавать сложные продукты, стоит остановиться и перестать гнаться за хайпом — это бег без финишной прямой.
Во всех непонятных ситуациях лучше обращаться к классике и начинать с нее.
Тем не менее, довольно любопытно наблюдать, как крупные игроки вытесняются небольшими, и как то, что раньше казалось непоколебимым и нерушимым, подвергается атакам и проигрывает.
Попался на глаза интересный продукт, который делает примерно то же самое, что Lovable, V0, Bolt.new и Replit, но локально (вам нужны API ключи от моделей).
Продукт с открытым исходным кодом. Можно подключать локальные модели, дотюнивать и дотачивать этот код после создания.
Поддерживает интеграцию Supabase, что является очевидным преимуществом таких проектов.
Быстрое визуальное прототипирование становится еще проще и ближе к каждому, кто так или иначе сталкивается с цифровыми продуктами.
https://www.dyad.sh/
Хэппи Tuesday!
1👍20🔥9❤5
Свершилось чудо! Ребята из OpenAI выпустили в Open Source модели, называются gpt-oss-120b и gpt-oss-20b.
Судя по тому, что они сами пишут в бенчмарках, это лучшие модели подобного форм-фактора на сегодняшний день.
Элементом является то, что модели включают в себя reasoning и вызов инструментов (tool use). Это означает, что их можно использовать в агентных приложениях в собственных продуктах.
Модели уже завезли в Ollama, так что можно поменять где-нибудь в системе автоматизации название модели с чего-нибудь на gpt-oss:latest и посмотреть, что будет :-)
Пробуем тут: https://www.gpt-oss.com/
Хороший день.
Судя по тому, что они сами пишут в бенчмарках, это лучшие модели подобного форм-фактора на сегодняшний день.
Элементом является то, что модели включают в себя reasoning и вызов инструментов (tool use). Это означает, что их можно использовать в агентных приложениях в собственных продуктах.
Модели уже завезли в Ollama, так что можно поменять где-нибудь в системе автоматизации название модели с чего-нибудь на gpt-oss:latest и посмотреть, что будет :-)
Пробуем тут: https://www.gpt-oss.com/
Хороший день.
1🔥31👍11❤4⚡1💘1
Media is too big
VIEW IN TELEGRAM
Привет, друзья! Про GPT-5 написали даже те, кто про это обычно не пишет, поэтому не буду повторяться.
Помните, у Google появилась возможность делать подкасты на выбранную тему в notebooklm.google? У них есть еще и прекрасная возможность генерить целые презентации из документов и всего того, что вы готовы загрузить в проект.
Так получилось, что недавно я погружался на технический уровень реализации сетей Колмогорова-Арнольда, Смотрите, какая прелесть получается из научного пейпера из arxiv.org.
Воистину, в скором времени обучение станет гиперперсонализированным, и большинство площадок и курсов вымрут, потому что не смогут составить никакой конкуренции.
Сейчас просто золотое время для освоения новых навыков и профессионального роста.
Всех и каждого поддерживаю в его начинании, хорошего окончания дня, хорошо перевести дух!
Помните, у Google появилась возможность делать подкасты на выбранную тему в notebooklm.google? У них есть еще и прекрасная возможность генерить целые презентации из документов и всего того, что вы готовы загрузить в проект.
Так получилось, что недавно я погружался на технический уровень реализации сетей Колмогорова-Арнольда, Смотрите, какая прелесть получается из научного пейпера из arxiv.org.
Воистину, в скором времени обучение станет гиперперсонализированным, и большинство площадок и курсов вымрут, потому что не смогут составить никакой конкуренции.
Сейчас просто золотое время для освоения новых навыков и профессионального роста.
Всех и каждого поддерживаю в его начинании, хорошего окончания дня, хорошо перевести дух!
2🔥27👍11❤10🤡2
This media is not supported in your browser
VIEW IN TELEGRAM
Привет, друзья. Пока общественность пытается разобраться что такое GPT-5 Ребята из Google выпустили отличную библиотеку, которая может пригодиться многим для работы с текстом.
https://github.com/google/langextract
Если очень кратко, то это решение для извлечения структурированной информации из неструктурированного текста.
Признаюсь, я достаточно давно искал подобное решение, и мы с командой всегда изобретали что-то из подручных средств, теперь есть целая библиотека от одного из крупнейших игроков.
Подойдет для проектов, связанных с медициной, юриспруденцией, для армии «расшифровщиков звонков» и «создателей саммари». Кроме этого, его можно очень здорово применить там, где нужна структура и интерпретируемость запроса пользователя к системам на базе LLM.
Количество кейсов просто бесконечно. Всем, кто так или иначе умеет разбираться с кодом, рекомендую попробовать и поделиться наблюдениями.
https://github.com/google/langextract
Если очень кратко, то это решение для извлечения структурированной информации из неструктурированного текста.
Признаюсь, я достаточно давно искал подобное решение, и мы с командой всегда изобретали что-то из подручных средств, теперь есть целая библиотека от одного из крупнейших игроков.
Подойдет для проектов, связанных с медициной, юриспруденцией, для армии «расшифровщиков звонков» и «создателей саммари». Кроме этого, его можно очень здорово применить там, где нужна структура и интерпретируемость запроса пользователя к системам на базе LLM.
Количество кейсов просто бесконечно. Всем, кто так или иначе умеет разбираться с кодом, рекомендую попробовать и поделиться наблюдениями.
2👍29🔥10🙏3🤝1
Привет, друзья! Как ваш четверг?
Прямо сейчас я консультирую один очень интересный проект, который станет Top-1 в мире в своем сегменте в ближайшее время.
Верю в невообразимую силу комьюнити и хочу рассказать о людях, которых я очень ищу ;-)
Мне нужны два человека: ML и DS, работать нужно будет непосредственно со мной, под моим руководством.
Технологически продукт очень интересный, использует нестандартные и в некоторой степени уникальные сочетания технологий, команда — огонь.
Если вы считаете, что подходите, пожалуйста, кидайте в меня резюме с коротким рассказом о себе. Очень важно, чтобы английский был на уровне разговорного для общения с международной командой.
Также нужен подтвержденный опыт работы в коммерческих проектах. На собеседовании буду задавать вопросы, надеюсь получить на них внятные и конкретные ответы :-)
https://31c.io/careers/
Прямо сейчас я консультирую один очень интересный проект, который станет Top-1 в мире в своем сегменте в ближайшее время.
Верю в невообразимую силу комьюнити и хочу рассказать о людях, которых я очень ищу ;-)
Мне нужны два человека: ML и DS, работать нужно будет непосредственно со мной, под моим руководством.
Технологически продукт очень интересный, использует нестандартные и в некоторой степени уникальные сочетания технологий, команда — огонь.
Если вы считаете, что подходите, пожалуйста, кидайте в меня резюме с коротким рассказом о себе. Очень важно, чтобы английский был на уровне разговорного для общения с международной командой.
Также нужен подтвержденный опыт работы в коммерческих проектах. На собеседовании буду задавать вопросы, надеюсь получить на них внятные и конкретные ответы :-)
https://31c.io/careers/
2🔥12❤1
Привет, друзья! Хочу поделиться своими наблюдениями по поводу инструментов, которые стоит использовать не только для разработки и программирования, но и для создания контента и выполнения других задач.
Как многие слышали, существует замечательный продукт от компании Anthropic, который называется Claude Code. По своей структуре это довольно сложный мультиагент с возможностью тонкой настройки и конфигурации.
Название Claude Code может немного сбить с толку, потому что кажется, что его можно использовать для написания кода (и это действительно так).
Но самое удивительное в том, что этот же продукт при правильной настройке может решать спектр совершенно иных задач, которые выходят за рамки простого кодирования.
При этом, замечательным фактом является то, что задачи могут быть очень комплексными и выходить за рамки простых транзакционных сценариев (промпт → результат).
Вот лишь некоторые вещи, которые можно с уверенностью создавать с помощью Claude Code.
1. (Мой любимый топчик) — Презентации на заданную тему в production-качестве. Есть прекрасный инструмент для создания презентации при помощи кода (https://sli.dev/), Он очень гибкий и настраиваемый. В результате достаточно «владеть маркдауном» и начальными знаниями развертывания приложений на Node.js для того, чтобы его запустить. Claude Code может собрать информацию для презентации, нагенерить картинок и сделать вам слайды в вашем стиле. Можно будет экспортировать в PDF или показывать прямо в вебе.
2. При использовании MCP Figma можно генерировать макеты интерфейса с логикой поведения с очень высокой точностью. Для дизайнеров это просто голубой океан возможностей, когда они могут не прибегать к услугам разработчиков для демонстрации своих идей.
3. Можно настроить Claude Code в режиме многоагентной работы, когда один агент будет собирать контент, второй его анализировать, а третий исправлять по итогам анализа. Каждый из этих агентов может обладать своим набором инструментов и правилами, по которым он действует.
4. Аналитика по большим объемам данных. Можно «натравить» Claude Code на папочку с отчетами или логами и попросить сделать выводы / предложить действия на основании наблюдений (мы довольно успешно применяем его на логах LangFuse).
5. Ваш вариант, напишите в комментариях, пожалуйста.
Важно! Инструмент подходит практически каждому, кто так или иначе сталкивается с цифровой сферой, и не попробовать его — просто преступление.
С чего начать:
1. Руководство от Anthropic, это авторы продукта. Примечательно, что можно смотреть на русском языке. Видимо, ребята что-то знают. https://docs.anthropic.com/ru/docs/claude-code/overview
2. Сообщество вокруг продукта. Английский, но очень много интересных примеров интеграции и кейсов. https://claudelog.com/
Как многие слышали, существует замечательный продукт от компании Anthropic, который называется Claude Code. По своей структуре это довольно сложный мультиагент с возможностью тонкой настройки и конфигурации.
Название Claude Code может немного сбить с толку, потому что кажется, что его можно использовать для написания кода (и это действительно так).
Но самое удивительное в том, что этот же продукт при правильной настройке может решать спектр совершенно иных задач, которые выходят за рамки простого кодирования.
При этом, замечательным фактом является то, что задачи могут быть очень комплексными и выходить за рамки простых транзакционных сценариев (промпт → результат).
Вот лишь некоторые вещи, которые можно с уверенностью создавать с помощью Claude Code.
1. (Мой любимый топчик) — Презентации на заданную тему в production-качестве. Есть прекрасный инструмент для создания презентации при помощи кода (https://sli.dev/), Он очень гибкий и настраиваемый. В результате достаточно «владеть маркдауном» и начальными знаниями развертывания приложений на Node.js для того, чтобы его запустить. Claude Code может собрать информацию для презентации, нагенерить картинок и сделать вам слайды в вашем стиле. Можно будет экспортировать в PDF или показывать прямо в вебе.
2. При использовании MCP Figma можно генерировать макеты интерфейса с логикой поведения с очень высокой точностью. Для дизайнеров это просто голубой океан возможностей, когда они могут не прибегать к услугам разработчиков для демонстрации своих идей.
3. Можно настроить Claude Code в режиме многоагентной работы, когда один агент будет собирать контент, второй его анализировать, а третий исправлять по итогам анализа. Каждый из этих агентов может обладать своим набором инструментов и правилами, по которым он действует.
4. Аналитика по большим объемам данных. Можно «натравить» Claude Code на папочку с отчетами или логами и попросить сделать выводы / предложить действия на основании наблюдений (мы довольно успешно применяем его на логах LangFuse).
5. Ваш вариант, напишите в комментариях, пожалуйста.
Важно! Инструмент подходит практически каждому, кто так или иначе сталкивается с цифровой сферой, и не попробовать его — просто преступление.
С чего начать:
1. Руководство от Anthropic, это авторы продукта. Примечательно, что можно смотреть на русском языке. Видимо, ребята что-то знают. https://docs.anthropic.com/ru/docs/claude-code/overview
2. Сообщество вокруг продукта. Английский, но очень много интересных примеров интеграции и кейсов. https://claudelog.com/
1🔥18👍11❤6🤝2