This media is not supported in your browser
VIEW IN TELEGRAM
Мое увлечение вайбкодингом началось около двух лет назад во время обучения на корпоративной программе Сбербанка Digital teams. На программе было много людей с техническим бэкграундом и у нас были семинары по Python, на которых я практически ничего не понимал. Тогда начал становится популярным ChatGPT и я решил попробовать разобраться в материалах семинаров с его помощью. Это получилось настолько хорошо, что я решил попробовать создать своего телеграм бота для мониторинга телеграм каналов по заданным ключевым словам. Постепенно функционал бота расширялся и пару дней назад я добавил боту функционал по отслеживанию в реальном времени резких колебаний RUSFAR CNY REAL TIME #vaibcoding #ai #вайбкодинг #ии
👍3👾2👨💻1
Похоже, скоро ИИ будет по запросу генерить сериал на вечер или игру на выходные. Например, хочу посмотреть детектив, где Брюс Уиллис сыщик, который расследует убийство в Аргентине зимой. Хочу максимально неожиданную развязку. https://habr.com/ru/news/991186/
🔥4
Люблю ИИ за то, что он позволяет браться за задачи, за которые ты бы никогда не взялся. И если вайбкодингом я занимаюсь уже два года, то писать рассказы еще не пробовал. Сюжет рассказа крутился у меня в голове уже давно, но с помощью ИИ удалось довести это до ума. https://telegra.ph/Poslednyaya-versiya-cheloveka-01-31
Telegraph
Последняя версия человека
Viktor Gudkov # Последняя версия человека --- ## I Илья выключил поток. Экран погас, и комната осталась такой, какой была: серые стены, узкое окно, запах кофе, который он забыл допить. За стеклом висел вечер — не яркий, не музыкальный, просто вечер. Облака…
❤9🔥5👏2
Пишут, что мой любимый Claude скоро обновится новой моделью Sonnet 5. Нас ждут великие дела👨💻💪#ai #ии #вайбкодинг
🔥5
Иван_Сергеевич_Тургенев_Жизнь_и_творчество.pptx
10.9 MB
Начал тестировать нейросеть Kimi. Попросил сгенерировать презентацию о жизни Тургенева, которую дочка делала для школы. Это просто пушка!!! #kimi #ии #ai
👏3❤2👍2
Альтернативный взгляд на известный мультик https://telegra.ph/Poslednyaya-pesnya-02-05
Telegraph
Последняя песня
I При дворе готовились к свадьбе. Король — грузный, шумный человек, любивший охоту и фейерверки больше, чем государственные дела, — объявил о помолвке с принцессой из соседнего королевства. Молодая, из крепкого рода, способная дать наследника. Дипломаты обеих…
🔥3
Сегодня обсуждали на работе проект по автоматизации рыночной аналитики. Сейчас у меня это реализовано через сбор биржевых торговых данных и финансовых новостей и их обработку моделью Claude, которая выдает итоговое summary. Прозвучало предложение попробовать сделать агента, задачей которого будет поиск ошибок в результате работы Claude. Это будет интересно попробовать, чтобы одна модель проверяла другую. Планирую использовать Kimi для роли такого ревизора. #ии #ai #вайбкодинг
👍4
🔍 Как я заставил ИИ проверять ИИ: встраиваем Kimi как ревизора для Claude
Работаю над системой автоматического анализа рынка облигаций. Claude генерирует аналитические отчёты на основе торговых данных и новостей из Telegram-каналов. Всё отлично, но есть проблема — LLM иногда галлюцинирует. Может перепутать цифры, приписать событие не той дате, или "округлить" 287 млрд до 300.
Решение: второй ИИ в роли ревизора
Добавил в pipeline китайскую модель Kimi (k2.5) с включённым thinking mode. Она получает:
• Исходные данные (торговые обороты, события)
• Готовый отчёт Claude
И проверяет:
• Все ли цифры соответствуют данным
• Не выдуманы ли события
• Не перепутаны ли даты поста и даты события
• Нет ли субъективных оценок
Но самое интересное — это архитектура диалога
Kimi не просто находит ошибки. Он формулирует рекомендации в мягкой форме: "Рекомендуется проверить...", "Стоит уточнить...".
Затем эти рекомендации возвращаются Claude, и тот сам решает, что принять:
• ✅ Accept — замечание справедливо
• ❌ Reject — Kimi ошибся (да, такое бывает)
• ⚠️ Partial — частично согласен
И только после этого Claude исправляет отчёт — но только в тех местах, которые сам счёл нужным.
Почему так сложно?
Потому что слепое исправление по всем замечаниям ревизора иногда ухудшает отчёт. Kimi может неверно интерпретировать контекст или придраться к стилистике, которая на самом деле уместна.
Диалог двух моделей даёт баланс: внешний аудит + авторский контроль.
Технические детали:
• Kimi k2.5 в thinking mode
• Claude Opus 4.6
Результат: Вероятность ошибок в отчетах существенно сократилась. При этом сохраняется авторский стиль и не появляются "исправления", которые на самом деле ломают текст.
Следующий шаг — добавить третью модель для арбитража спорных случаев? 🤔
#AI #LLM #Claude #Kimi #ИИ #вайбкодинг
Работаю над системой автоматического анализа рынка облигаций. Claude генерирует аналитические отчёты на основе торговых данных и новостей из Telegram-каналов. Всё отлично, но есть проблема — LLM иногда галлюцинирует. Может перепутать цифры, приписать событие не той дате, или "округлить" 287 млрд до 300.
Решение: второй ИИ в роли ревизора
Добавил в pipeline китайскую модель Kimi (k2.5) с включённым thinking mode. Она получает:
• Исходные данные (торговые обороты, события)
• Готовый отчёт Claude
И проверяет:
• Все ли цифры соответствуют данным
• Не выдуманы ли события
• Не перепутаны ли даты поста и даты события
• Нет ли субъективных оценок
Но самое интересное — это архитектура диалога
Kimi не просто находит ошибки. Он формулирует рекомендации в мягкой форме: "Рекомендуется проверить...", "Стоит уточнить...".
Затем эти рекомендации возвращаются Claude, и тот сам решает, что принять:
• ✅ Accept — замечание справедливо
• ❌ Reject — Kimi ошибся (да, такое бывает)
• ⚠️ Partial — частично согласен
И только после этого Claude исправляет отчёт — но только в тех местах, которые сам счёл нужным.
Почему так сложно?
Потому что слепое исправление по всем замечаниям ревизора иногда ухудшает отчёт. Kimi может неверно интерпретировать контекст или придраться к стилистике, которая на самом деле уместна.
Диалог двух моделей даёт баланс: внешний аудит + авторский контроль.
Технические детали:
• Kimi k2.5 в thinking mode
• Claude Opus 4.6
Результат: Вероятность ошибок в отчетах существенно сократилась. При этом сохраняется авторский стиль и не появляются "исправления", которые на самом деле ломают текст.
Следующий шаг — добавить третью модель для арбитража спорных случаев? 🤔
#AI #LLM #Claude #Kimi #ИИ #вайбкодинг
👍4
Marketing Sentiment — мониторинг медийной активности вокруг IPO/SPO
Собрал систему, которая автоматически отслеживает, как Telegram-каналы освещают размещения акций, и оценивает эффективность маркетинговых кампаний эмитентов.
Что делает:
→ Парсит 40+ Telegram-каналов, находит посты по ключевым словам (название эмитента, IPO, SPO, размещение), собирает реакции и комментарии → Анализирует сентимент каждого поста и комментария через GigaChat → Claude формирует итоговую оценку эффективности маркетинга — с конкретными достижениями, проблемами и аналитическим заключением → Подтягивает данные Яндекс Wordstat — динамика поисковых запросов по эмитенту → На выходе — Excel-отчёт и готовая PowerPoint-презентация
Сентимент поста считается как взвешенная комбинация: реакции (30%) + комментарии (30%) + оценка LLM (40%). Реакции учитываются с весами — ❤️ это +1.5, 👎 это −1.5.
Инструменты: Python (Telethon, Pandas), GigaChat API, Claude API, Yandex Wordstat API, Node.js (PptxGenJS для генерации презентаций).
По сути получается конвейер: Telegram → сентимент-анализ → оценка кампании → отчёты. Всё запускается одной командой, период задаётся интерактивно.
Если интересны детали, хотите обсудить подход или есть идеи по развитию — пишите в личку, с удовольствием расскажу подробнее: @victoriusg
Собрал систему, которая автоматически отслеживает, как Telegram-каналы освещают размещения акций, и оценивает эффективность маркетинговых кампаний эмитентов.
Что делает:
→ Парсит 40+ Telegram-каналов, находит посты по ключевым словам (название эмитента, IPO, SPO, размещение), собирает реакции и комментарии → Анализирует сентимент каждого поста и комментария через GigaChat → Claude формирует итоговую оценку эффективности маркетинга — с конкретными достижениями, проблемами и аналитическим заключением → Подтягивает данные Яндекс Wordstat — динамика поисковых запросов по эмитенту → На выходе — Excel-отчёт и готовая PowerPoint-презентация
Сентимент поста считается как взвешенная комбинация: реакции (30%) + комментарии (30%) + оценка LLM (40%). Реакции учитываются с весами — ❤️ это +1.5, 👎 это −1.5.
Инструменты: Python (Telethon, Pandas), GigaChat API, Claude API, Yandex Wordstat API, Node.js (PptxGenJS для генерации презентаций).
По сути получается конвейер: Telegram → сентимент-анализ → оценка кампании → отчёты. Всё запускается одной командой, период задаётся интерактивно.
Если интересны детали, хотите обсудить подход или есть идеи по развитию — пишите в личку, с удовольствием расскажу подробнее: @victoriusg
👍8🔥2
Обзор рынка облигаций по нажатию одной кнопки — продолжаю допиливать систему.
Идея простая: пользователь задаёт период, система автоматически собирает торговые обороты по облигациям и ключевые события за этот период, а на выходе — готовый аналитический отчёт.
На выходных сфокусировался на качестве промтов и логике обработки событий. Ранее в систему уже была добавлена модель-ревизор — отдельная модель, работающая по паттерну LLM-as-a-judge: она проверяет сгенерированный отчёт на ошибки и неточности и возвращает рекомендации основной модели на доработку. Это помогло сильно поднять качество, но ряд ошибок требовал более тонкой настройки.
Например, модель путала объёмы ОФЗ, размещённых на аукционе, с объёмами доразмещений — для аналитика это принципиальная разница. Справился точечной корректировкой промтов и уточнением логики, по которой система классифицирует события.
Качество отчёта сейчас нравится, но есть ограничение: ключевые события система вытягивает из тематических телеграм-каналов, а там встречаются неточности — и они могут проникать в итоговый отчёт.
Решение, над которым думаю — блок автоматической верификации: система берёт выделенные события и проверяет их через поиск в интернете, сверяя с новостными источниками. Смотрю в сторону API Perplexity, который заточен под поисковые задачи.
Пример готового отчёта — в следующем посте 👇
Идея простая: пользователь задаёт период, система автоматически собирает торговые обороты по облигациям и ключевые события за этот период, а на выходе — готовый аналитический отчёт.
На выходных сфокусировался на качестве промтов и логике обработки событий. Ранее в систему уже была добавлена модель-ревизор — отдельная модель, работающая по паттерну LLM-as-a-judge: она проверяет сгенерированный отчёт на ошибки и неточности и возвращает рекомендации основной модели на доработку. Это помогло сильно поднять качество, но ряд ошибок требовал более тонкой настройки.
Например, модель путала объёмы ОФЗ, размещённых на аукционе, с объёмами доразмещений — для аналитика это принципиальная разница. Справился точечной корректировкой промтов и уточнением логики, по которой система классифицирует события.
Качество отчёта сейчас нравится, но есть ограничение: ключевые события система вытягивает из тематических телеграм-каналов, а там встречаются неточности — и они могут проникать в итоговый отчёт.
Решение, над которым думаю — блок автоматической верификации: система берёт выделенные события и проверяет их через поиск в интернете, сверяя с новостными источниками. Смотрю в сторону API Perplexity, который заточен под поисковые задачи.
Пример готового отчёта — в следующем посте 👇
👍7❤3