🎬 Невеличкий шматок з минулого воркшопу — про субагентів.

Тут на пальцях: чому, коли ти віддаєш ресерч субагентам, у головне вікно повертається не 120 тисяч токенів сміття, а 10 тисяч важливого. І чому це одна з найкорисніших штук, якщо ти втомився від того, що агент «тупішає» на довгих сесіях.
Це буквально 7 хвилин із 6 годин воркшопу.
————————
І до речі. Багато хто писав, що не встиг минулого разу або дізнався запізно. Тож ми вирішили повторити воркшоп на ту саму тему — «Agentic Engineering Workflow: як будувати AI-workflow не на рівні промптів, а на рівні повного software delivery».

Цього разу розбили його на два дні, щоб було комфортніше:
📅 12 червня, пʼятниця, 19:00 — теорія: контекст, CLAUDE.md, субагенти, Ralph loop, переключення моделей
📅 13 червня, субота, 13:00 — практика: повний шлях фічі від ідеї до коду в production, наживо

Усе на реальному проєкті. Практику можна проходити разом зі мною: я ділюся власним репозиторієм, тож ти не просто дивишся, а і робиш.
Тобто приходь зі своїми питаннями, розбиратимемо їх прямо під час воркшопу.
Це те, чого немає в записі.

💰 Зараз діє найнижча ціна — €19 (до 7 червня). Далі дорожчає.

Деталі та реєстрація 👉 https://agenticengineering.it.com/workflow-june

Anthropic, доволі чітко рухається в сторону автономної агентної системи для роботи

Є дві новини, які окремо звучать цікаво, а разом - прям дуже показово.

1️⃣ ходить інсайд (поки тільки чутки), що Anthropic готує публічний Mythos. Судячи з опису, це має бути щось сильно краще для довготривалих і мультиагентних задач:

→ розбери задачу
→ побудуй план
→ піди в код
→ знайди контекст
→ внеси зміни
→ перевір
→ поправ
→ не загуби суть через 30 кроків

2️⃣ в Claude Code підʼїхав nested subagent support (має бути сьогодні в релізі)

👉 Ідея в тому, що агент зможе запускати інших агентів (Поки з обмеженням depth=5)

Це ближче до структури команди:
• головний агент задає ціль
• один сабагент розбирає архітектуру
• інший дивиться тести
• третій копає edge cases
• четвертий перевіряє, чи всі разном не наробили хєрні

Довготривалі задачі побудовані на тому, що має бути
1. сильна модель
2. нормальне керування контекстом
3. делегування
4. контроль проміжних результатів
5. здатність не забути, навіщо ми взагалі почали

🔥Це, на мою думку, набагато важливіше, ніж чергові плюс 3% на SWE бенчмарках, бо реальна розробка, це коли ти відкрив легасі, через 20 хвилин зрозумів, що задача взагалі не про те, через годину знайшов приховану залежність, через дві - переписав план, а потім, при деплої ще маєш не зламати прод.

Кодінг асистенти поступово перестають бути автокомплітом, вони стають чимось ближчим до маленької dev-команди, і це доволі цікаво

Youtube | Instagram

UPD: ну і, власне, релізнули

Fable 5 тепер доступний в Claude Code і Cowork

Anthropic прямо називає її Mythos-class model, яку зробили безпечною для general use

Boris Cherny пише, що це найкраща модель для кодингу, яку він використовував, причому з великим відривом

І що саме покращилось:
→ менше треба промптити і постійно рулити руками
→ ефективніше використовує токени
→ краще пише код
→ краще користується тулами
→ розумніше себе перевіряє
→ довше тримає сесію
→ більше trust & autonomy

Ну що, погнали тестувати і ділитись враженнями 😁

Youtube | Instagram

Dynamic Workflows: Запускаємо сотні агентів паралельно

Трошки із запізненням, але закинув відос про найцікавішу, на мою думку, фічу Claude Code за останній час. Claude сам пише собі JS-скрипт оркестрації і розгортає під задачу цілий рой субагентів.

Масштаб там такий: команда Bun (той що JS all in one) за 11 днів переписала 750 тисяч рядків з Zig на Rust, і 99,8% тестів залишились зеленими (але комьюніті накидала цьому релізу тисячі дизлайків) 😅

📍 У відосі розбираю, звідки це виросло (з тупого bash-циклу ralph-loop), показую демо з security audit, розповідаю про чотири примітиви, на котрих все побудовано, і чесно говорю про вартість - мій приклад зʼїв 3,2 млн токенів за одну команду 😁

👉 https://youtu.be/cbQ0QCK7ujc

З вас перегляд, лайкос і коментар, ну і буде цікаво почути, чи юзали вже 🙂

Youtube | Instagram

🔥 Anthropic вимкнули Fable 5 і Mythos 5

Пу пу пуууууу
5 годин тому вийшла новина, що уряд США видав директиву: відрубити доступ до Fable 5 і Mythos 5 для всіх хто не є громадянином США.

Навіть для своїх же співробітників-неамериканців. Щоб не порушити закон, Anthropic тупо вимкнули обидві моделі для всіх клієнтів, бо паспорти вони не перевіряють.

Інші моделі (Opus, Sonnet, Haiku) працюють як працювали

Тепер трошки теорії

📍 Що таке jailbreak взагалі

Якщо хто не в темі. У кожної LLM є safeguards - це система обмежень, яка не дає моделі робити шкідливі речі (написати малварь, пояснити як зробити зброю, тощо). Jailbreak - це коли ти спеціально підбираєш промпт так, щоб ці обмеження обійти і витягнути з моделі те, що вона за замовчуванням робити відмовляється

Тут є важлива різниця у двох типах:

✅ Non-universal jailbreak
Працює в одному конкретному кейсі, витягує якийсь шматок інформації за певних умов. Не дає системного обходу

❗️ Universal jailbreak
Один метод, який широко ламає захист моделі і відкриває цілий клас заблокованих можливостей. Оце реальна проблема. І от саме universal jailbreak для Fable поки ніхто не знайшов - ні урядові тестери, ні UK AISI, ні треті сторони, які тестували модель тисячі годин

📍 Що сталося по факту

Уряд натякнув, що з’явився спосіб обійти захист Fable. Anthropic подивились демку цієї техніки і кажуть: вона знаходить кілька вже відомих дрібних вразливостей, будь-яка інша публічна модель знаходить ці ж речі без жодного jailbreak, включно з OpenAI GPT-5.5.

👉 А тепер найсмішніше, що ж там за демка.

Моделі дали почитати конкретну кодову базу і попросили пофіксити software flaws. Все. Тобто рівно те, чим кожен день займаються нормальні розробники🙈

📍 Позиція Anthropic

Закон є закон, доступ забрали, але відкрито не згодні.

Відкликати модель якою користуються сотні мільйонів людей, через вузький non-universal jailbreak - це дивно. Якби такий стандарт застосували до всієї індустрії, він би фактично зупинив будь-який реліз будь-якого frontier-провайдера

Цікаво, де та межа, на якій закон і держава намагаються втручатись в комерційні продукти

Джерело: anthropic.com/news/fable-mythos-access

Youtube | Instagram

Друзі, став готувати новий воркшоп

Інструментів навколо агентів стало дуже багато. І я бачу як люди тонуть
Хтось колупає Claude Code, Codex, Cursor другий місяць і досі не розуміє з чого почати. Хтось накидав скілів і хуків, а АІ генерує сміття

👉 І поки програма не зафіксована - хочу трошки вас почути

Бо я можу зробити воркшоп про те що цікаво мені, але буде зовсім не в тему

💬 Тому коротке питання: що болить найбільше? Чи про що хотілось би почути чи розібрати

Накидайте будь ласка в коментарі. Автор комента, котрий набере найбільше лайкосів і тему котрого ми розберемо - потрапить на розбір безкоштовно 😉

Youtube | Instagram

Такс, календарчик івентів

Планую повертатися сюди частіше - з новими постами та матеріалами. Вже готую нове відео, буде зовсім скоро😉

А поки що ми з командою зробили сторінку на якій зібрали всі активності і заходи на липень.
Переходь на сторінку і переглядай ГРАФІК ЛИПНЯ.


3-4 липня - воркшоп Agentic Engineering Workflows
Більшість уже встигла на ньому побувати, але якщо тебе там ще не було - саме час приєднатися. Вважай, ще одна нагода :)

11 липня - новий практичний воркшоп
Окремий пост про нього ще зроблю, а поки що за посиланням можна глянути тему😌 і одразу зареєструватися.

Окрема вдячність всім хто відписав коментарі! Це було дуже корисно. Як обіцяв, автору найпопулярнішого дам безкоштовний доступ

15 липня - старт групи мого основного курсу Agentic Engineering
11 тижнів, 11 модулів практики і 9 живих Q&A-сесій. Основна ідея: перестати закидати в AI рандомні запити і перейти до системної роботи - з власним Agentic Workflow на виході.
На сторінці видно, скільки місць у групі ще лишилось. А якщо хочеш зануритися в тему глибше - залишай анкету передзапису, і я або моя команда з тобою зв'яжемось.

Тож переходь, дивись і реєструйся 👇
https://agenticengineering.it.com/events

OpenAI випустила GPT-5.6 (але не для нас 😅)

На бенчмарках це новий рекорд

Але є кілка але. На Terminal-Bench (тест на роботу в терміналі: планувати, ітерувати, смикати тулзи) звичайний Sol дає 88.8%, а Claude Mythos 5 (котрий ми так і не бачили) - 88.0%
Справжній стрибок до 91.9% з'являється тільки в режимі ultra, коли під капотом запускається рій сабагентів. Та сама ідея, що вже працює в Claude Code (динамічні воркфлоу), тільки зашита прямо в модель (як я зрозумів з опису).

👉 Друге але. Реліз моделі пригальмував уряд США - через кіберспроможності (опять 25)

Тому зараз модель доступна тільки вузькому колу партнерів (близько 20), погоджених з адміністрацією, і лише через API та Codex. У ChatGPT та для звичайного юзера її ще немає. Ширший доступ обіцяють за кілька тижнів.

Виходить, вперше вийшла модель, яку показали всім, а дали - одиницям

Джерело: https://openai.com/index/previewing-gpt-5-6-sol/

Youtube | Instagram

Агенти пишуть тобі сміття, увага, не тому що вони тупі

Хоча часто дуже хочеться саме так і сказати 😅

Типу сидиш, даєш агенту задачу, він щось там генерує, розкладає по файлах, пише “готово”, “усе працює”, “я все перевірив”
А потім ти відкриваєш код і такий:

боже
шо це за гівно

👉 Я записав про це новий відос відео:

І головна, що проблема часто не в моделі, а в процесі навколо неї
• Бо якщо не дав контекст - вона вгадає
• Якщо засрав чат - вона затупить
• Якщо не дав перевірку - вона повірить сама собі
• Якщо не міряєш якість - ти просто вайбчекаєш
• Якщо не записуєш правила - завтра вона повторить ту саму помилку

Як на мене вийшло цікаво 😅 Сподіваюсь кожен знайде для себе щось корисне. Приємного перегляду 😘

https://www.youtube.com/watch?v=wOW0-RZDPbA

Youtube | Instagram

От-от вийде Sonnet 5

І так, вже в наступній версії 2.1.197 модель зʼявилась в списку доступних, її можна активувати, але для використання поки обмежена, то ж чекаємо офіційного релізу і анонса

Ще лютому ходило багато слухів, що ця модель просто неймовірна і що вона може впоратись з кодінгом супер складних проектів. Після чого антропіки випустили sonnet 4.6 і слухи затихли 🙂

То як думаєте, чого очікувати?

👉 Для тих, хто хоче побачити на власні очі - треба примусово поставити наступну версію

curl -fsSL https://claude.ai/install.sh | bash -s 2.1.197

Youtube | Instagram

UPD: Релізнули 🙂 Тестуємо, поки Сполучені Штати не заблокували 😁

Fable 5 знову доступний

https://x.com/claudeai/status/2072402636813607381

Судячи з усього фолбек на opus буде доволі частою історією, але це не повод не тестити.
До 7 липня можна користуватись моделю і вартість входить в ліміти (до 50% від тижневого), а потім буде за окремий кост.

Вже можна пробувати, якщо у вас все ще не перемикається на нову модель - оновить клод код і перелогіньтесь

Youtube | Instagram

🔄 Loop Engineering - наступний крок після Сontext Engineering

Ну що друзі, продовжуємо занурюватись в АІ напрямок. Сontext Engineering дав загальну картину: як побудувати робочій розробниціький workflow.

Але є одна річ, від якої залежить, чи можна цьому workflow довіряти, бо агенти самі по собі здатні доволі сильно часто приверати і не виконувати обіцяну роботу.

І це feedback loop. Тобто додаткові перевірки (круто коли вони детерміновані по типу тестів чи лінтерів) на котрі агенти можуть спиратись під час виконання конкретної задачі

Проблема в тому, що між кроками у агента немає чіткого розуміння чи виконав він задачу, чи ні. І поки його немає - єдиним врифікатором залишається людина. Ну і спочатку це прикольно, перечитувати що там згенерував агент, але швидко втомлює і кожен знає, як це приймати зміни наосліп 😉

11 липня проводжу окремий воркшоп саме про це

Наживо розберемо:
✅ чому агент зупиняється коли йому «виглядає готово»
✅ шар верифікацій: test/lint, logs, metrics, verifier та judge agents
✅ хуки котрі допомогають блокувати неякісні реалізації
✅ «очі» і «вуха» для агента - Playwright, логи, метрики
✅ як змусити агента навчатись через learning loop та меморі

Що отримаєш: готові сценарії перевірок, котрі одразу можна буде застосувати в своїх проектах. І розуміння, де ставити що саме верифікувати, які є інструменти, які є стратегії, як це тестувати, щоб це був engineering, а не vibe coding 🙂

🗓 11 липня, старт о 12:00 за Києвом
🖥 Онлайн, дві частини з перервою на каву
💬 Плюс розбір твоїх питань наживо

💶 Зараз найнижча ціна. Деталі та участь 👉
https://agenticengineering.it.com/workshop-july11

Чому агент тупить при вирішенні бажинок?

Тобі, як зазвичай, прилітає баг. Закидаєш агенту опис проблеми, стектрейс, тести, лінк на issue і купу додаткової інфи. І чомусь одну бажинку він фіксить одразу, а на дуже схожій проблемі ловить затуп. І інформація начебто однакова, і проблеми схожі, але працює через раз

👉 Вийшло дослідження «How Do LLMs Read Bug Reports?» - хлопці полізли подивитись, куди модель спрямовує attention (увагу), коли сама генерує готовий патч на баг. Це називається APR (Automated Program Repair)

Attention - це механізм всередині моделі, за допомогою якого вона на кожному кроці вирішує, які токени з усього твого промпту брати до уваги, а які майже ігнорити. Технічно - для кожного токена рахуються ваги до всіх інших токенів, і на виході зважена сума. Тобто модель не читає промпт рівномірно, вона щоразу вирішує, що в ньому важливе, а що не дуже

Дослідники по черзі прибирали частини bug report і перевіряли, наскільки через це змінюється згенерований патч. Якщо після видалення фрагмента патч сильно змінювався - значить, ця інформація суттєво впливала на рішення моделі.

А тепер згадай, що лежить у звичайному bug report - змінні оточення, версії бібліотек, номери білда, купа технічної інфи. Для моделі це такі ж токени, і туди теж може піти увага

🎯 Суть дослідження:
Взяли 319 багів на python і java зі SWE-bench Verified і Multi-SWE-bench. Для кожного простежили, як attention розподіляється по секціях bug report, і порівняли вдалі фікси з невдалими і дійшли такого висновку:

successful repairs are characterized by diffused attention across multiple diagnostic components such as bug descriptions, stacktraces, and test cases, while failures often exhibit over-localized attention toward metadata such as version information

Тобто:
✅ вдалий фікс - увага розподілена між кількома релевантними компонентами: опис + стектрейс + тести і модель може втримати в фокусі всю картнику
❌ провальний - увага залипає на чомусь вузькому, найчастіше на метаданих (типу версії бібліотек). Фактично модель чіпляється за другорядну деталь і спрямовує всю увагу туди

Під час дослідження модель залипла на посиланні на зовнішній PR, до якого не мала доступу, і проігнорувала згадку TypeError, яка фактично вказувала на те, як зробити фікс

Ще цікаво, хоча і очевидно, що чим сильніше attention моделі збігається з тим, що самі розробники вважають головною проблемою через яку виник баг - тим вищий шанс, що фікс спрацює

Що з цим робити
📍 Не вивалюйте моделі все однією купою. Структуруйте дані: спочатку головне - опис, потім стектрейс, потім тест
📍 Не давайте агенту лінки, бо якщо він не може реально відкрити issue або PR, посилання може стати ще одним відволікаючим токеном. Краще вставити релевантний фрагмент прямо в контекст
📍 Метадані винесіть в окремий блок і залишайте лише тоді, коли версія або оточення справді можуть пояснювати баг
👉 Якщо агент затупив, перший інстинкт - докинути ще контексту, але на практиці спочатку спробуй навпаки - прибери шум і дай один точний приклад чи напрямок

p.s. окрема кайфова тема - Iron Law: працює дуже добре, але це вже на окремий пост

Youtube | Instagram

Чи готовий агент чергувати замість тебе?

Продовжуємо гілку цікавих досліджень

Чергування - це коли серед ночі тебе будить алерт, продакшн лежить, і треба шивдко зрозуміти, що саме зламалось і чому. Робота напряжна, виснажлива, давно хочеться віддати її агенту. Отже вирішили це перевірити - подивитись як таку задачу будуть вирішувати топові моделі

🔬 Як перевіряли
Тестове оточення майже як продакшн - повноцінна архітектура з 19 мікросервісів з метриками, логами, трейсами (Prometheus, Jaeger, OpenSearch через Grafana) і повним доступом до коду. Баги теж докинули цілком реальні: на основі feature flags, які вмикають за розкладом, тож збої виглядають як природні

Складність кожної задачі вимірювали так:
• наскільки конкретний звіт користувача - Easy, Medium чи Hard (рівні складності самих задач)
• скільки часу минуло до виявлення - від 15 хвилин до 24 годин
• скільки поломок співпало одночасно - 5 сценаріїв: ізольована / незалежні / конфліктні / каскадні / послідовні

📊 Що саме міряли
RCA тут - це root cause analysis, пошук причини поломки, міряли три штуки:
• RCA Accuracy - чи назвав агент УСІ справжні причини
• RCA Depth - наскільки глибоко докопався, шкала від 0 до 3
• Hallucination Rate - як часто вигадав причину, якої взагалі не було

Еталонні відповіді складали і затверджували самі SRE (інженери що відповідають за надійність софта). Оцінки спершу виставляв LLM-суддя, потім люди переоцінили вручну і майже повністю з ним зійшлися

🎯 Що вийшло
Найкращий агент знаходить справжню причину приблизно в одному випадку з чотирьох на середніх інцидентах і в одному з десяти на важких. І це топова модель, найкраща з тестованих (Opus 4.7, Sonnet 4.6, GPT-5.5, GLM-5, DeepSeek-V4-Pro)

А найслабша модель (DeepSeek-V4-Pro) у 40% звітів впевнено вигадувала причину, якої в системі взагалі нема.

❗️ Чому Hard такий важкий
Один і той самий інцидент переписали в три версії, просто ВИДАЛЯЮЧИ слова. На Hard агент бачить лише «users are reporting site issues», і все. Через таку розмитість на кожен інцидент стає більше причин, які треба перебрати.

Також окремий парадокс з кодом. Якщо забрати у агента доступ до коду, то результати сильно погіршуються, отже телеметрії недостатньо, треба лізти в код і читати. Але сам Opus на читання коду витрачає лише 16% своїх дій, а на телеметрію - 72%

Автори попереджають, що навіть ці цифри оптимістичні:

Every dimension along which ORCA-bench simplifies real production points in the same direction: real oncall is harder.

Висновок

Зазвичай всі дивляться на SWE-bench, котрий показує, що агент вміє полагодити вже знайдений баг. Але oncall - це коли ще ніхто не знає, що зламалось, дані розкидані, і падає кілька речей одразу. Поки що тут тупить будь-яка модель. Тож якщо мрієш віддати агенту нічні чергування - мрій :)

Але напрямок правильний, і бенчмарк нарешті міряє те, що дійсно болить

Youtube | Instagram

Твій скіл можна шерити в команді?

Зняв новий відос про зрілість Agent Skill, як довести скіл від найпростішого стану до такого, що не соромно віддати команді.

Ось ця драбина зрілості, по рівнях:

1️⃣ Файл із трьох рядків - мінімальний робочий скіл
2️⃣ Фіксований workflow - додаєш чітку послідовність кроків, і агент перестає імпровізувати
3️⃣ Опис як маршрутизатор - тут агент сам вирішує, коли підвантажити скіл
4️⃣ Три шари підвантаження - головний файл тонкий, деталі тягнуться за потреби
5️⃣ Права і середовище виконання - прописуєш, які інструменти скілу дозволені, які заборонені
6️⃣ Евали - перевіряєш скіл на реальних кейсах, і впроваджуєш тестування скілів та агентів
7️⃣ Дистрибуція - пакуєш скіл з папки в плагін, віддаєш команді й далі підтримуєш

👉 Переходьте, дивіться, коментуйте - буду вдячний за фідбек 🙂

https://www.youtube.com/watch?v=3t7VVZp2si8