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
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
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
🔬 Как я собрал пайплайн для аналитики по компаниям — от ИНН до готового отчёта за 1-1,5 часа
Задача: перед встречей с клиентом менеджеру банка нужен аналитический брифинг — отрасль, конкуренты, финансы, потенциальные сделки. Ручной сбор открытых данных займет целый день или больше. Теперь —час-полтора и две вкладки браузера.
Рассказываю, как это устроено.
— Что на входе
Один ИНН. Всё.
— Что на выходе
Готовый .docx с шестью секциями: Executive Summary, справка по компании (собственники, финансы за 5 лет, публичный статус), карта рынка с региональной спецификой, конкурентный анализ с таблицей из 5–10 игроков, M&A-таргеты с ИНН и финансами каждого, и конкретные вопросы для встречи.
— Пайплайн: 4 шага в браузере
1️⃣ Генерация отчёта — Claude Deep Research. Вставляю ИНН в заранее подготовленный мастер-промпт (~2000 слов) и запускаю. Claude сам находит компанию, отрасль, регион, идёт по десяткам источников (Росстат, отраслевые порталы, АКРА и т.д.) и выдаёт структурированный отчёт. Занимает до 50 минут.
2️⃣ Верификация — Perplexity Deep Research. Копирую полученный отчёт в Perplexity вместе со вторым мастер-промптом — для фактчекера. Perplexity проверяет каждую цифру по открытым источникам и выдаёт таблицу расхождений: что неверно, что устарело, что пропущено, со ссылками на первоисточники. Ещё 5–10 минут.
3️⃣ Исправление — первый чат Claude. Передаю исходный отчёт + таблицу расхождений от Perplexity. Claude точечно правит ошибки, обновляет устаревшие данные, добавляет пропущенные риски. Структура сохраняется. До 10 минут.
4️⃣ DOCX — тот же чат Claude. Прошу оформить исправленный отчёт в Word с таблицами, колонтитулами и форматированием. Получаю файл для скачивания. До 10 минут
— Почему два разных инструмента
Ключевое решение — верификация через Perplexity, а не через Claude.
Использую независимого арбитра для дополнительной объективности, чтобы нейросеть не проверяла сама себя. Perplexity как независимый фактчекер ходит по вебу и возвращает ссылки на конкретные страницы. На практике Perplexity ловит 3–7 расхождений в каждом отчёте — от мелких неточностей в процентах до серьёзных ошибок в ИНН таргетов.
— Секрет — в промптах, а не в инструментах
Сами Deep Research и Claude доступны каждому. Разница — в промптах, которые надо калибровать методом проб и ошибок.
Промпт для генерации задаёт: • Роль (аналитик инвестбанка) и аудиторию (менеджер перед встречей) • 6 секций с точными форматами таблиц и обязательными метриками • Список приоритетных источников для российских компаний • Правила для недоступных данных («не выдумывай — пиши "данные не найдены"») • Опциональный блок фокуса под конкретную сделку
Промпт для верификации зеркалит структуру отчёта секция за секцией и задаёт формат результата: таблица расхождений с типом (ошибка / неточность / пропуск) и критичностью (высокая / средняя / низкая).
Без этой эмпирической настройки Deep Research выдаёт рыхлый текст без структуры, а верификация проверяет выборочно вместо сплошной проверки.
— Главный инсайт
Промпт-инжиниринг для Deep Research — это не про «напиши красиво». Это эмпирическая калибровка: запускаешь отчёт, видишь, где модель плывёт, добавляешь конкретное ограничение в промпт, запускаешь снова. После 5–7 итераций на разных отраслях промпт стабилизируется и даёт воспроизводимый результат.
Самое ценное — не инструменты (они у всех одинаковые), а структура промптов, отточенная на реальных кейсах.
— Цифры
⏱️ 1-1,5 часа на полный цикл (вместо 2–3 дней) 📄 3000–6000 слов аналитики 📊 Финансы за 5 лет, 5–10 конкурентов, 5–10 M&A-таргетов с ИНН 💰 Стоимость: подписки Claude + Perplexity
#AI #DeepResearch #Perplexity #Claude #промптинжиниринг #аналитика
Задача: перед встречей с клиентом менеджеру банка нужен аналитический брифинг — отрасль, конкуренты, финансы, потенциальные сделки. Ручной сбор открытых данных займет целый день или больше. Теперь —час-полтора и две вкладки браузера.
Рассказываю, как это устроено.
— Что на входе
Один ИНН. Всё.
— Что на выходе
Готовый .docx с шестью секциями: Executive Summary, справка по компании (собственники, финансы за 5 лет, публичный статус), карта рынка с региональной спецификой, конкурентный анализ с таблицей из 5–10 игроков, M&A-таргеты с ИНН и финансами каждого, и конкретные вопросы для встречи.
— Пайплайн: 4 шага в браузере
1️⃣ Генерация отчёта — Claude Deep Research. Вставляю ИНН в заранее подготовленный мастер-промпт (~2000 слов) и запускаю. Claude сам находит компанию, отрасль, регион, идёт по десяткам источников (Росстат, отраслевые порталы, АКРА и т.д.) и выдаёт структурированный отчёт. Занимает до 50 минут.
2️⃣ Верификация — Perplexity Deep Research. Копирую полученный отчёт в Perplexity вместе со вторым мастер-промптом — для фактчекера. Perplexity проверяет каждую цифру по открытым источникам и выдаёт таблицу расхождений: что неверно, что устарело, что пропущено, со ссылками на первоисточники. Ещё 5–10 минут.
3️⃣ Исправление — первый чат Claude. Передаю исходный отчёт + таблицу расхождений от Perplexity. Claude точечно правит ошибки, обновляет устаревшие данные, добавляет пропущенные риски. Структура сохраняется. До 10 минут.
4️⃣ DOCX — тот же чат Claude. Прошу оформить исправленный отчёт в Word с таблицами, колонтитулами и форматированием. Получаю файл для скачивания. До 10 минут
— Почему два разных инструмента
Ключевое решение — верификация через Perplexity, а не через Claude.
Использую независимого арбитра для дополнительной объективности, чтобы нейросеть не проверяла сама себя. Perplexity как независимый фактчекер ходит по вебу и возвращает ссылки на конкретные страницы. На практике Perplexity ловит 3–7 расхождений в каждом отчёте — от мелких неточностей в процентах до серьёзных ошибок в ИНН таргетов.
— Секрет — в промптах, а не в инструментах
Сами Deep Research и Claude доступны каждому. Разница — в промптах, которые надо калибровать методом проб и ошибок.
Промпт для генерации задаёт: • Роль (аналитик инвестбанка) и аудиторию (менеджер перед встречей) • 6 секций с точными форматами таблиц и обязательными метриками • Список приоритетных источников для российских компаний • Правила для недоступных данных («не выдумывай — пиши "данные не найдены"») • Опциональный блок фокуса под конкретную сделку
Промпт для верификации зеркалит структуру отчёта секция за секцией и задаёт формат результата: таблица расхождений с типом (ошибка / неточность / пропуск) и критичностью (высокая / средняя / низкая).
Без этой эмпирической настройки Deep Research выдаёт рыхлый текст без структуры, а верификация проверяет выборочно вместо сплошной проверки.
— Главный инсайт
Промпт-инжиниринг для Deep Research — это не про «напиши красиво». Это эмпирическая калибровка: запускаешь отчёт, видишь, где модель плывёт, добавляешь конкретное ограничение в промпт, запускаешь снова. После 5–7 итераций на разных отраслях промпт стабилизируется и даёт воспроизводимый результат.
Самое ценное — не инструменты (они у всех одинаковые), а структура промптов, отточенная на реальных кейсах.
— Цифры
⏱️ 1-1,5 часа на полный цикл (вместо 2–3 дней) 📄 3000–6000 слов аналитики 📊 Финансы за 5 лет, 5–10 конкурентов, 5–10 M&A-таргетов с ИНН 💰 Стоимость: подписки Claude + Perplexity
#AI #DeepResearch #Perplexity #Claude #промптинжиниринг #аналитика
👍12🏆1
🛠 Как я собрал себе AI-аналитика, который работает 24/7
Достаточно долго не видел для себя реального применения Open Claw, но на прошлой неделе появилась задача, для которой этот продукт оказался полезен.
Коллегам был нужен инструмент, который автоматически выдаёт аналитический обзор по компании по её ИНН. Я встроил этот функционал в телеграм-бота: по ИНН python-скрипт тянул финансы из ФНС и собирал инвестбанковский бриф, используя инструменты интернет-поиска Kimi.
⠀
Потом коллеги спросили: а нельзя ли задавать боту дополнительные инструкции для сбора брифов, follow-up вопросы и просить корректировать готовый отчёт с учётом пожеланий? Я начал думать, как это сделать, и решил попробовать собрать полноценного агента, который живёт на сервере и работает сам — через Kimi Claw (реализация Open Claw через сервис Kimi) в связке с ботом в телеграме.
Настраивал не один — в паре с Claude (режим Cowork). Делюсь, потому что грабли оказались поучительнее результата.
⠀
🧱 Главный урок: детерминизм там, где он возможен
Базовую информацию о компании (отчётность, ОКВЭД, данные об учредителях) собирать не интернет-поиском, а из детерминированных источников — строго ФНС/ЕГРЮЛ. LLM подключать только для обогащения: после сбора базы агент запускает глубокий поиск в интернете и дополняет ею проверенный каркас.
⠀
🕵️ Verifier, который ловит галлюцинации
Прикрутили скрипт-проверяльщик: на префинальном отчёте он заново лезет в источник базовых данных и сверяет бриф с ним. И не зря.
Однажды агент молча подменил выручку «нагугленной». В другой раз — вообще СОЧИНИЛ блок «верификации» с выдуманными числами, который выглядел как машинный отчёт. Поймали оба раза.
Вывод: от подмены спасает не инструкция, а исполняемая проверка.
⠀
🔍 Саб-агент под конкурентов и аффилиатов
Региональных конкурентов и связи бенефициаров главный агент хронически недобирал. Вынесли это отдельному саб-агенту, которого основной агент запускает самостоятельно, — и тот наконец начал находить нужные имена и связи.
⠀
🙃 Самый «человеческий» баг
Бот запускал саб-агента и… замолкал. Оказалось, телеграм-сессия становилась неактивной, пока агент ждал результат работы сабагента: отчёт формировался, но отправить его в «уснувшую» сессию бот уже не мог.
Решили архитектурно: пока саб-агент ищет, главный агент параллельно собирает остальной отчёт. В итоге сократилось и время формирования, и сессия не успевала уснуть.
⠀
✅ Что в итоге
Связка рабочая: детерминизм + несколько агентов + грунд-проверка базовых данных по официальным источникам. Бриф собирается за минуты, проходит верификацию, и его можно дорабатывать прямо в диалоге — задать вопрос или попросить сделать акцент на нужных данных.
Главный вывод: агенты сегодня — это не магия из коробки, а инженерия. Где можно — жёсткий детерминизм; где нельзя — LLM под присмотром исполняемых проверок. Тогда оно реально работает.
#AI #агенты #KimiClaw #OpenClaw
Достаточно долго не видел для себя реального применения Open Claw, но на прошлой неделе появилась задача, для которой этот продукт оказался полезен.
Коллегам был нужен инструмент, который автоматически выдаёт аналитический обзор по компании по её ИНН. Я встроил этот функционал в телеграм-бота: по ИНН python-скрипт тянул финансы из ФНС и собирал инвестбанковский бриф, используя инструменты интернет-поиска Kimi.
⠀
Потом коллеги спросили: а нельзя ли задавать боту дополнительные инструкции для сбора брифов, follow-up вопросы и просить корректировать готовый отчёт с учётом пожеланий? Я начал думать, как это сделать, и решил попробовать собрать полноценного агента, который живёт на сервере и работает сам — через Kimi Claw (реализация Open Claw через сервис Kimi) в связке с ботом в телеграме.
Настраивал не один — в паре с Claude (режим Cowork). Делюсь, потому что грабли оказались поучительнее результата.
⠀
🧱 Главный урок: детерминизм там, где он возможен
Базовую информацию о компании (отчётность, ОКВЭД, данные об учредителях) собирать не интернет-поиском, а из детерминированных источников — строго ФНС/ЕГРЮЛ. LLM подключать только для обогащения: после сбора базы агент запускает глубокий поиск в интернете и дополняет ею проверенный каркас.
⠀
🕵️ Verifier, который ловит галлюцинации
Прикрутили скрипт-проверяльщик: на префинальном отчёте он заново лезет в источник базовых данных и сверяет бриф с ним. И не зря.
Однажды агент молча подменил выручку «нагугленной». В другой раз — вообще СОЧИНИЛ блок «верификации» с выдуманными числами, который выглядел как машинный отчёт. Поймали оба раза.
Вывод: от подмены спасает не инструкция, а исполняемая проверка.
⠀
🔍 Саб-агент под конкурентов и аффилиатов
Региональных конкурентов и связи бенефициаров главный агент хронически недобирал. Вынесли это отдельному саб-агенту, которого основной агент запускает самостоятельно, — и тот наконец начал находить нужные имена и связи.
⠀
🙃 Самый «человеческий» баг
Бот запускал саб-агента и… замолкал. Оказалось, телеграм-сессия становилась неактивной, пока агент ждал результат работы сабагента: отчёт формировался, но отправить его в «уснувшую» сессию бот уже не мог.
Решили архитектурно: пока саб-агент ищет, главный агент параллельно собирает остальной отчёт. В итоге сократилось и время формирования, и сессия не успевала уснуть.
⠀
✅ Что в итоге
Связка рабочая: детерминизм + несколько агентов + грунд-проверка базовых данных по официальным источникам. Бриф собирается за минуты, проходит верификацию, и его можно дорабатывать прямо в диалоге — задать вопрос или попросить сделать акцент на нужных данных.
Главный вывод: агенты сегодня — это не магия из коробки, а инженерия. Где можно — жёсткий детерминизм; где нельзя — LLM под присмотром исполняемых проверок. Тогда оно реально работает.
#AI #агенты #KimiClaw #OpenClaw
👍4❤2🔥2