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

Мой рецепт плодотворного утра: кофе и Claude для Mac в режиме Cowork. #вайбкодинг #ии #ai

Мороз и солнце 😎

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/

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

Пишут, что мой любимый Claude скоро обновится новой моделью Sonnet 5. Нас ждут великие дела👨‍💻💪#ai #ии #вайбкодинг

Начал тестировать нейросеть Kimi. Попросил сгенерировать презентацию о жизни Тургенева, которую дочка делала для школы. Это просто пушка!!! #kimi #ии #ai

Альтернативный взгляд на известный мультик https://telegra.ph/Poslednyaya-pesnya-02-05

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

🔍 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

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

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 👇

Вайб-кодинг: почему это важно для бизнеса
Термин «вайб-кодинг» звучит несерьёзно, но за ним стоит реальный сдвиг в том, как компании решают задачи. Если честно, мне больше нравится формулировка «разработка совместно с ИИ» — она точнее передаёт суть. Но «вайб-кодинг» проще, короче и уже прижилось — так что пусть будет.
Суть простая: вы формулируете задачу на обычном языке, обсуждаете её с LLM и получаете работающий код. Не нужно знать синтаксис — нужно понимать логику того, что вы хотите получить.
Почему это меняет правила игры для организаций?
Бизнес-пользователь становится мини-разработчиком. Человек, который лучше всех понимает задачу — аналитик, банкир, продуктолог — теперь может сам её реализовать. Без очереди в IT, без ТЗ на 20 страниц, без потери смысла при передаче задачи между отделами.
Скорость проверки гипотез растёт кратно. Раньше путь от идеи до прототипа занимал недели согласований и разработки. Сейчас можно за вечер собрать скрипт, который подтвердит или опровергнет гипотезу. Пример из моей практики: первую версию платформы по анализу рынка облигаций — с подключением к API Cbonds, Мосбиржи и Банка России — я сделал за 1,5 месяца. Причем работал я над ней по вечерам в свободное от основной работы время.
Клиентский опыт улучшается быстрее. Когда между идеей и реализацией нет длинной цепочки посредников, продукт точнее отвечает на реальную потребность.
И это не про «разработчики не нужны» — наоборот. Вайб-кодинг берёт на себя этап разведки: проверку идей, быстрые прототипы, тестирование гипотез. А разработчики подключаются на этапе масштабирования — когда решение уже доказало свою ценность. Возвращаясь к моей платформе по анализу облигаций, сейчас коллеги из IT будет переводить её на промышленную основу. Для них это тоже выигрыш: не нужно тратить время на проекты, которые окажутся ненужными. Они работают с тем, что уже протестировано и подтвердило свою востребованность.
При этом важно не путать вайб-кодинг с магией. ИИ — не замена мышлению, а усилитель. Ошибки и их исправление — это часть процесса, а не сбой. Ключевой навык здесь — умение декомпозировать задачу и проверять логику результата.
Для бизнеса, где скорость и точность аналитики решают всё, это не просто тренд — это конкурентное преимущество.

🔍 Почему ИИ нужно проверять: кейс с инверсией кривой
На выходных продолжал работать над скриптом, автоматизирующим аналитику по рынку облигаций — значительная часть аналитики генерируется с помощью ИИ на основе сырых данных из Excel. Модель отработала на отлично: обороты, доли, спреды, дневная динамика — всё посчитано точно, всё бьётся с исходниками. Десятки цифр, и каждая на месте.
Но в одном месте модель споткнулась — и именно там, где нужна не арифметика, а понимание смысла.
Речь про инверсию кривой доходности ОФЗ на длинном конце. Факты модель зафиксировала верно: 10Y снизилась на 1,1 б.п., а 15Y выросла на 6,6 б.п. А дальше написала, что это «усилило инверсию кривой на длинном конце». Считаем:
— Спред 15Y–10Y на начало недели: −37 б.п. — Спред 15Y–10Y на конец недели: −29 б.п. Спред стал менее отрицательным — инверсия уменьшилась, а не усилилась.
Это ровно тот тип ошибок, который опаснее всего: цифры верные, формулировка уверенная, вывод неправильный. Если читать по диагонали — проскочит. Если не посмотреть внимательно — не поймаешь. Для своей системы автоматизированной аналитики такой вид ошибок исправлю уточнением промптов.
Вывод простой: ИИ радикально ускоряет аналитику, но финальная верификация, особенно при принятии критически важных решений, — пока на человеке.

Несколько сотен пресс-релизов за 45 минут: тестирую Kimi 2.5 в агентском режиме
Столкнулся с задачей: нужно было собрать информацию из каждого пресс-релиза, опубликованного на сайте с начала 2025 года. Несколько сотен документов — вручную это неделя монотонной работы.
Решил протестировать Kimi 2.5 от Moonshot AI в агентском режиме.
Ключевой приём — декомпозиция задачи на два шага.
Шаг 1: сбор ссылок. Дал Kimi адрес страницы с пресс-релизами и попросил собрать в Excel список всех публикаций со ссылками. Kimi самостоятельно написал парсер, который обходил страницы пагинации и остановился, когда дошёл до пресс-релизов за декабрь 2024 года. На выходе — готовый Excel-файл.
Шаг 2: извлечение данных. В новом диалоге передал полученный файл и попросил пройти по каждой ссылке и собрать нужную информацию из пресс-релизов. Kimi справился.
Итого: ~45 минут, причём Kimi работал в фоне — я занимался другими задачами. Всё, что потребовалось от меня — грамотная декомпозиция и поэтапная постановка задачи.
Для многих это релевантный кейс: сбор данных из раскрытий, пресс-релизов эмитентов, решений регулятора — всё это можно автоматизировать похожим образом.