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.

На прошлой неделе несколько раз столкнулся с необходимостью проанализировать законодательство в непрофильных для нас областях. Решил попробовать режим Deep Research в Claude Opus 4.6.
Быстро выяснилось, что Claude может находить недействующие правовые акты или устаревшие редакции, поэтому выстроил работу в два этапа.
Этап 1. Claude в режиме Deep Research формирует список нормативных правовых актов, регулирующих интересующую область.
Этап 2. Выгружаю из КонсультантПлюс актуальные редакции этих документов, загружаю их в Claude и повторно запускаю Deep Research — уже по верифицированной нормативной базе.
В промпте отдельно уточнял, что ответ должен опираться прежде всего на нормативные правовые акты и документы Банка России, а все выводы — подкрепляться ссылками на конкретные нормы.
К результатам такого анализа, безусловно, нужно относиться с осторожностью — но для первичного погружения в незнакомую тему инструмент работает весьма достойно.

Собрал агента на Claude API, который отвечает на произвольные вопросы по облигациям
На выходных собрал рабочий прототип — автономного агента, который сам находит нужные данные по облигациям и формирует ответ. По сути, это аналитик-стажёр, которому можно задать любой вопрос и получить структурированный ответ.
Примеры запросов:
→ Какие облигации были погашены в январе 2026 года?
→ Какие корпоративные бонды с фиксированным купоном наиболее активно торговались в прошлый понедельник?
→ Покажи выпуски с офертой в ближайший месяц
Как это работает. Агент получает вопрос и сам решает, где искать данные. Сначала проверяет сохранённые Excel-файлы в заданной папке. Причём файлы могут быть в произвольном формате — агент сам разбирается в структуре и извлекает нужное. Если в локальных данных ответа нет, агент обращается к API Cbonds. Ключевое здесь — агент сам принимает решение о стратегии поиска и может дозапрашивать данные, если первый результат неполный.
Как я научил агента работать с API Cbonds — тема следующего поста.
По экономике: один запрос обходится примерно в 40–50 рублей за счёт расхода токенов Claude. Звучит дорого, пока не сравнишь с альтернативой — вручную тот же ответ занял бы до пары часов времени работы аналитика. Для оперативных задач, где важна скорость, система уже полезна.

Продолжаю свой опыт творчества совместно с AI. Я придумываю сюжет и сюжетные детали, обсуждаю их с ИИ и на выходе получаю текст, который итеративно дорабатывается. https://telegra.ph/Marafon-03-21-3

Мой рассказ, о котором писал выше, опубликовали на Литрес. Приглашаю ставить оценки и комментировать. https://www.litres.ru/73580527/

Как я научил ИИ работать с API Cbonds: навыки для агентов

Некоторое время назад обещал рассказать, как обучаю агентов работе с API Cbonds. Наконец дошли руки.

🎬 Помните сцену из «Матрицы», где Нео за секунды загружают навыки джиу-джитсу? С ИИ-агентами работает похожий принцип — только вместо боевых искусств загружаются навыки работы с финансовыми данными.

📄 Делается это через skill-файлы — текстовые инструкции, которые объясняют агенту, как решать конкретные задачи. Например:

▪️ для получения торговых оборотов использовать определённые эндпоинты API
▪️ при оценке стоимости размещения рублёвых облигаций брать в качестве аналогов только рублёвые выпуски
▪️ при анализе бумаг с фиксированным купоном не смешивать их с флоатерами

Перечень навыков ограничен только вашей фантазией и потребностями в аналитике.

🔑 Главное преимущество подхода — skill-файл создаётся один раз и применяется ко всем последующим задачам. А ещё его можно дорабатывать прямо в процессе: столкнулись с ошибкой — добавили уточнение, и агент больше её не повторит. Навык буквально «взрослеет» по мере работы скрипта.

⏭️ Как создать такой skill-файл — тема следующего поста.

Вот такой подарочек нашел с утра 😱

Первое апреля закончилось. Переходим к серьезным новостям. Покажу пример короткой версии аналитического отчета за прошлую неделю, который получается полностью автоматически.

Как превратить рабочие скрипты в skill для AI-агента

В одном из прошлых постов я рассказывал, что такое skill-файлы и зачем они нужны. Сегодня — практика: как я упаковал свои существующие Python-скрипты для работы с API в переиспользуемый skill.

🤖 Что такое skill технически
Это папка с файлом SKILL.md и вложенными скриптами, справочниками, шаблонами. SKILL.md — основной документ: в нём текстовая инструкция для агента. По сути, это памятка для будущего AI, который столкнётся с аналогичной задачей.

📦 Что я упаковал
Несколько скриптов для работы с Cbonds, Московской биржей, ЦБ РФ. Плюс справочники по работе с API Cbonds. Все это Claude упаковал в skill файл самостоятельно. Итого: около 1 000 строк документации и 1 500 строк рабочего кода.

🎯 Триггеры: как агент понимает, когда подключить skill
В описании skill'а прописываются ключевые слова: Cbonds, ISIN, облигации, gcurve, спреды, дюрация, оферты и так далее. По ним ассистент автоматически определяет, что нужно загрузить именно этот набор инструкций. Чем точнее триггеры — тем реже skill будет «молчать», когда он нужен.

🛠 Процесс за 3 шага
1 — Проанализировать существующие скрипты и паттерны 2 — Написать SKILL.md с инструкциями и справочниками 3 — Упаковать в .skill файл

💡 Что это даёт на практике
Вместо того чтобы каждый раз объяснять агенту структуру API, формат запросов, нюансы фильтров и пагинации — он сам читает инструкцию и пишет код.
Если ошибки всё-таки возникают, я даю команду Claude обновить SKILL.md с учётом полученного опыта. Skill буквально улучшается в процессе работы.
Бонус — этот же файл можно перенести в другие модели, поддерживающие данный функционал. Например, я использую свой skill по облигациям в Perplexity Computer.

📊 Рынок облигаций РФ | 30.03 — 05.04.2026

Оборот за неделю — 464 млрд ₽. Ключевое:

▪️ КС снижена до 15% (−50 б.п.), Сбер прогнозирует 13% к концу года
▪️ Минфин приостановил операции с валютой и золотом до 1 июля
▪️ ВВП в феврале −1,5% г/г, PMI ниже 50
▪️ 157 кредитных событий за I кв., 29 должников
▪️ Газпром капитал разместил 40 млрд, МТС — 15 млрд, Ozon анонсировал дебют

Полный отчёт в PDF → Скачать полный отчёт
Короткая версия отчета → Скачать

#облигации #DCM #макро

🧠 Thinking mode: следующий шаг в автоматической аналитике
Несколько недель назад писал про ошибку модели с описанием инверсии кривой бескупонной доходности Московской биржи — цифры верные, вывод неправильный. Тогда решил проблему уточнением промптов, и какое-то время это работало.

Но сейчас кривая приняла «неудобную» для модели форму: нормальная (восходящая) от 1Y до 10Y, и лишь незначительная инверсия в −3 б.п. на участке 10Y–15Y. Модель без thinking mode не справилась — дважды назвала всю кривую «инвертированной», хотя на большей части длины она была нормальной. Промпты здесь уже не помогали: проблема не в инструкции, а в том, что модель не «думает» над смыслом, прежде чем писать. Можно было продолжать эксперементировать с промптами, но решил попробовать другой путь.

💡 Включил thinking mode — режим, в котором модель сначала рассуждает, а потом формулирует ответ.

✅ Результат на тех же данных: «Кривая сохраняла восходящую форму. На участке 10Y–15Y — незначительная инверсия». Корректно. Заодно улучшились и аналитические связки между событиями — модель стала точнее объяснять, что из чего следует.

💰 Стоимость генерации отчёта выросла с ~$0.80 до ~$1.10 — плата за то, что модель «думает», а не только пишет.

🔍 Финальная проверка по-прежнему на человеке. Но граница того, что модель делает правильно без вмешательства, ощутимо сдвинулась.