GEO аналитик с KimiClaw или как мы улучшаем наш publicity для агентов.

Вышла новая статья про то, как во ВкусВилл мы сделали Claw помощника 🤖 с целью анализа выдачи в поиске для ИИ-агента.
Что такое GEO? Это generative engine optimization, процесс оптимизации контента для искусственного интеллекта. Цель - улучшить видимость бренда для нейросетей и попадать в блок нейро-ответов поисковых систем.

Представьте, вы запустили своего AI-пикера за товаром в сеть. И от того, как LLM видит ваш магазин в поиске зависит попадёт ли ваш товар или услуга в пулл агента для покупки. Именно, чтобы понять, как мы выглядим в поиске для агента и был сделан такой GEO-аналитик, и да пререквизитом уже был наш готовый MCP.
Цель статьи показать, что сделать своего помощника совершенно не сложно, также мы подсветили ряд интересных моментов, с которыми мы столкнулись при создании.

Пробуйте сами, а также приходите к нам создавать будущее AI-ритейла. 🥛

Читайте, комментируйте и ставьте лайкосы. 👍

AI, ML, DL engineer давай до свидания? 😐

🦍🦍

Дизайнер Лилло и Stitch, или как навести мосты между разработкой и UI.

В двух словах. Google Stitch (тот самый вайб-дизайн) придумал новый стандарт DESIGN.md. Представлен открытый GitHub-репозиторий с готовыми примерами, чтобы начать пользоваться этим стандартом без лишних усилий и побыстрее. 🤙

🧐 Что такое Google Stitch DESIGN.md?

DESIGN.md — это единый Markdown-файл, который содержит всю информацию о визуальном языке проекта: цвета, типографику, отступы, правила оформления компонентов и даже примеры того, что можно и чего нельзя делать.

Раньше передать дизайн от дизайнера к разработчику или объяснить AI ваши визуальные предпочтения было непросто. Теперь вы просто кладёте файл DESIGN.md в корень проекта, и любой AI-агент (Google Stitch, Claude Code, Cursor, Gemini и другие) сможет прочитать его и создавать интерфейсы, строго следующие заданным правилам.

🚀 Чем полезен для Google Stitch DESIGN.md?

· Единый источник обмена: Файл становится главным документом, который одновременно понимают и дизайнеры, и разработчики, и AI.
· AI-нативный формат: AI отлично понимает Markdown, поэтому ему не нужно разбирать сложные JSON-схемы или экспорты из Figma.
· Мгновенное применение: Вы просто копируете файл в проект и указываете AI его использовать. Ваш любимый редактор сразу начнёт генерировать UI в нужной стилистике.

🛠️ Чем полезен Awesome DESIGN.md от VoltAgent?

Этот репозиторий – готовая библиотека таких файлов, собранная с реально существующих сайтов. Он позволяет вам не создавать дизайн-систему с нуля, а взять за основу уже проверенные решения от ведущих IT-компаний.

· Повышение качества MVP. Вы можете скопировать стиль проверенного продукта (например, Stripe или Linear) и быть уверенными, что ваш прототип будет выглядеть профессионально.
· Обучение на примерах. Изучая эти файлы, вы можете понять, как устроены визуальные языки лучших продуктов, и создать свой на основе этих знаний.
· Быстрый старт и A/B-тесты. Вы можете моментально переключаться между разными визуальными стилями, просто заменяя файл DESIGN.md и заново генерируя интерфейс.

💎 Как это работает вместе и с чего начать?

Схема работы выглядит так:

1. Вы идёте на GitHub-репозиторий VoltAgent и выбираете стиль, который вам нравится.
2. Копируете файл DESIGN.md из папки этого стиля в корень вашего проекта.
3. Запускаете вашего AI-ассистента (например, с помощью Google Stitch или Claude Code) и просите его «создать страницу, используя стиль из DESIGN.md».
4. AI анализирует файл и генерирует код, который идеально соответствует заданным правилам.

Вуаля. Вы получили эскиз, проверили, подвайб-редактили, ну или вручную, и го брр на прод.😮‍💨
В общем, тема. Ускоряемся. 👍

OpenAI "Industrial Policy for the Intelligence Age".

Тут опены выкатили манифест. Читая его 📦 сразу вспомнил и WoW с Иллиданом и "Слово пацана". Но перескажемс...

Начнём с пафоса, естественно. Чтобы обеспечить экономическое лидерство и национальную безопасность США в эпоху ИИ, необходима активная государственная политика. Рынок сам по себе не справится – нужны инвестиции, регуляторная поддержка и координация между бизнесом, наукой и властями. 💪

Ключевые тезисы:

1. ИИ – это новый технологический уклад. Ну как бэ очевидно, видимо, не для всех раз уже какой раз Сама это повторил. 🆒 Он сравнивается с электричеством или интернетом. Страны, которые первыми создадут и внедрят передовой ИИ, получат колоссальное преимущество в производительности, обороне и инновациях.

2. Главный геополитический соперник – Китай. 🪨🪨🪨 Слышали, да? Любители суверенных и национальных, кто тут папка.
Китай уже вкладывает огромные ресурсы в ИИ через госпрограммы, субсидии и контроль над данными. США должны ответить не просто запретами, а собственным мощным развитием.

3. Необходимы инвестиции в 5 ключевых областей (или дай денек 💸) :
– Инфраструктура ИИ: дата-центры, электросети, полупроводники (чипы).
– Энергетика, тк ИИ потребляет очень много энергии, нужно наращивать генерацию, включая атомную и возобновляемые источники.
– Научные исследования, как поддержка фундаментальной науки и подготовки кадров. Понятно, да??? RnD нужОн!
– Образование и переквалификация, чтобы работники не выпали из рынка труда.
– Госзаказ, чтобы правительство само внедряло ИИ и создавало спрос на передовые разработки. Вот тут Саме над закон протолкнуть на национальные модели USA. Учиться нада, Сэм, у восточных соседей.🧠

4. Роль государства – не просто регулятор, а партнёр. ("МММ" я не тунеядец, я партнёр 🤣)
Нужны налоговые льготы, гранты, ускоренное лицензирование стройки дата-центров, стимулирование отечественного производства чипов (как в CHIPS Act). Снова, дай денек.

5. Риски бездействия. Отставание в ИИ подорвёт экономику, оборону и способность влиять на глобальные стандарты (любой страны). При этом автор признаёт, что надо балансировать с безопасностью, чтобы не создавать угроз.

Без шуток. OpenAI призывает к стратегической индустриальной политике США – смелой, долгосрочной и масштабной, как в космической гонке или в проекте "Интернет". Иначе технологическое и военное лидерство может перейти к автократическим режимам. Развитие нового тех укладка влечёт за собой прогресс в смежных сферах, инвестиции, новые рабочие места и тп.

Не мудрено, что Китай раздаёт Claw для повышения эффективности, а РФ подобно Китаю вводит понятие суверенных моделей и нац. стратегию ИИ. 👍

P. S. Qwen так видит Саму из "Слово пацана" 🤣

Тех репорт тут.

Почтальон Печкин стайл включён: "у меня для вас модель, но я вам её не дам, она небезопасная".

Как обычно тлдр:
1. Пробили метрики и обещают новые возможности. Значительный скачок по всем ключевым бенчмаркам 🚬
2. Улучшенное выравнивание
Лучшая модель Anthropic по метрикам безопасности, но все ещё сама может вас взломать, подставить под утечки и тп. 🤣 Тут или вы крестик снимите или перестаньте её юзать для CyberSec.
3. Проактивное управление рисками. Решение ограничить доступ демонстрирует зрелый подход к ответственному развитию ИИ – ага, да... 👍
4. Оценки модели, как живого человека. Новые методы оценки надёжности модели, интерпретируемости, осведомлённости о тестировании и прочие около псих тесты. 📦 напоминает, это всего лишь модель, концептуальное упрощение по сравнению с более сложным организмом (мозгом). Весь этот стиринг, оценки эмоциональности, предвзятости, реакции на ОС это всего лишь способ концептуально померить и оцифровать Black Box модели. Не надо её одушевлять. 🛑

Alibaba с Qwen седлает harness и монетизацию. 🪨🪨🪨

Alibaba переводит свои ИИ-проекты на коммерческие рельсы.

Речь идет о глубокой стратегической трансформации, а не о сворачивании разработок. Корпорация действительно меняет приоритеты с погони за технологическим лидерством на прагматичную задачу извлечения прибыли. Происходит смена приоритетов от гонки технологий к монетизации

Ключевые решения, принятые Alibaba в этом году, подтверждают этот разворот:

1. Коммерциализация как главная цель. 🚬 В конце марта 2026 года генеральный директор Alibaba Эдди У поставил амбициозную цель - увеличить выручку облачного бизнеса и сферы ИИ до $100 млрд в год в течение пяти лет.

2. Выпуск проприетарных моделей. 😎 Компания уже начала выпускать модели с закрытым исходным кодом, такие как Qwen3.6-Plus (обновите Qwen chat она уже там), чтобы получать прямую прибыль от их использования через свою облачную инфраструктуру. Доступ к новым мощным моделям, вроде Qwen3-Max, теперь предоставляется на платной основе.
3. Очень интересное. Создание нового подразделения "Token Hub". 🌿 Для ускорения этого процесса в марте было создано специальное подразделение во главе с самим Эдди У. Суть стратегии - превратить вычислительные токены, генерируемые при работе с ИИ, в основной товар, за который будут платить корпоративные клиенты. Токеномика техногигантов против клиентской компактизации, имхо, будет интересно. 👍

4. Кадровые перестановки, как отражение новой стратегии. 🇨🇩

Ключевые перестановки в команде:
- Уход "идеологов" открытого кода: Главный архитектор Qwen Линь Цзюньянь, публично попрощавшийся с проектом фразой "me stepping down. bye my beloved qwen", покинул компанию в начале марта. Сообщается, что уход Лина и нескольких других ключевых исследователей был напрямую связан с планами руководства "разобрать и переформатировать" команду Qwen, чтобы сместить фокус с исследований на бизнес-задачи.

- Назначение "бизнес-ориентированного" 📈 руководителя. Новым главой ИИ-направления назначен Чжоу Цзинжэнь, бывший технический директор облачного подразделения Alibaba Cloud. В отличие от своего предшественника, Чжоу призван теснее увязать развитие ИИ с финансовыми показателями компании. 💸

Вот такие дела. Ну все нац моделям хана, придётся делать суверенные 😀

😁😆😁 Реддит удивляет интересным взглядом на ситуацию с агентами и вайб-кодингом. Только в отличии от работы с LLM и МАС, тут мы все же имеем дело с open source и энтузиастами разработки. Когда мы говорим об этом в контексте МАС - мол, люди тут у Линуса, был каждый супер агентом, то чем это отличается от диспозиции СТО/техлид -> разработчики? Ничем, тут вы платите за человек-часы, там за токены. Но с опенсорсом немного не так, там модель волонтерская/на энтузиазме - за идею.

Ну и все же парадигма "техлид+живые разрабы" меняется с LLM на "живой архитектор/СТО + МАС разработка". И буст open-source это даёт тоже. В остальном, сравнения идеологически ИМО не верны.

P. S. Кому лень читать с картинки, вот перевод. Автор называет Линуса Торвальдса «оригинальным вайб-кодером»: он просто выкладывает гневное письмо в почтовую рассылку с описанием того, что нужно сделать, а тысячи инженеров по всему миру бесплатно это реализуют:

· Нулевые затраты токенов (в отличие от API LLM)
· Бесконечный контекст (30+ лет знаний о ядре)
· "Агенты" люди не галлюцинируют (в отличие от нейросетей)
· Работают бесплатно

Смысл в том, что OpenAI и Anthropic пытаются воспроизвести модель «постановка задачи → коллективное исполнение», но с ИИ. А Линус делал то же самое с людьми ещё с 1991 года — и это работает лучше (нет галлюцинаций, нет платы за запросы).

Второй пост (Sahil) добавляет: Линус создал Linux в 21 год без сооснователя, венчурного капитала, офиса и команды — то есть без всей современной стартап-инфраструктуры, которая сейчас считается обязательной для ИИ-проектов. 👍

MiniMax – последняя надежда суверенов.

Если бы меня спросили, а за кем теперь следить в OpenSource (помимо Kimi и GLM), то 📦 советует присмотреть за MiniMax. Тем более, сегодня у них вышла в открытый доступ новая моделька. Тут тебе и 229B MoE параметров и 10B активных, и агентные темки, и петля самоулучшения с RL. Единственное, хотелось бы для комьюнити модельки поменьше.

Но ничего сдюжите, сдистиллите. Гит тут. 👍

Теперь ещё и Линус разрешил коммиты с использованием ИИ в ядро Linux. Но отвечать за баги всеравно кожАным. 🚬 Уже вижу его гневные комменты к PR. Переделат!!! 🇨🇩

Репостну, тк 📦 всю кашу и заварил 👍.

Upd. В целом рад, что сподвигнул ребят разобраться самим, и вывести себя и других на внутренний конфликт опыта, интуиции и науки.

👇👇👇

О как в тему похоливарили. А теперь вышел новый Opus 4.7. Заверяют, что лучше GPT 5.4 в кодинге, да ещё и умеет сам себя оценивать/проверять перед отправкой ответа юзеру. 👍
Ещё посмотреть тут.

На чем строится SPLADE и bge-m3 sparse vector и почему это совсем не полнотекстовый поиск.

Потихоньку возвращается рубрика разборов, тем более, жду техрепорт DeepSeek v4.
Сегодня расскажу про sparse, который не совсем sparse, и вовсе не bm25/tfidf.
Откуда ноги растут, 📦?
Да вот, давече, читал очередной пост про hybrid rag, думаю, дай гляну, мб че новое есть. И вижу, что люди пишут: берём dense поиск с bge, а далее полнотекст от него же в виде sparse. И тут меня повело. 🌟 Думаю, че там завезли за полнотекст в bge? Открываем мы оригинальную статью.
А там... Нет никакого полнотекста!🚬
Sparse вектора учатся в той же тушке трансформера bge, через два слоя отображения. На вход модели, когда приходит токен, он получает плотный вектор эмбеддинга h. Далее его отображают через linear в пространство w размерности словаря токенайзера (скок токенов в словаре). Потом, после функции ReLU(w), мы получаем значения этого вектора в каждой компоненте >=0.

Т.е. следим за пальцами, bm25 или tfidf используют прям потокенное кодирование частотами, к примеру, есть в тексте токен из словаря 1, нет 0 (эт бинарное кодирование), или его частота встречаемости.
В sparse bge-m3 мы все ещё используем трансформер +2 новых отображения, это все ещё семантический вектор, попоржденный из плотного. И этот вектор не кодирует наличие токена или отсутствие в документе. А что он кодирует? Он делает отображение вашего вектора на пространство токенов, те по сути учится отображать, как этот токен взаимосвязан в разреженном пространстве с другими. Для примера вспомните SVD разложение для рекомендаций там мы отображаем пространство юзеров к фильмам. Однако вектор токена все ещё семантический, хоть и sparse. Это легко понять по способу обучения этой модели. Мы решаем все ту же задачу, обучаем сетку сведению текстов запроса и релевантных ответов, и разведения с нерелевантными, bm25/tfidf такого нет, мы там ничего не учим. Только для sparse голова использует близость в виде скалярного произведения. Это позволяет для ненулевых общих позиций векторов документов просто иметь попарно их произведение. Также, мы не работаем на уровне токенов, а работаем на уровне документов. А вектор документа из таких токенов получается не средним mean pool из них, а через max pool. Это позволяет выделять максимальные компоненты по позиции в векторах токенов, а не размывать их. В качестве функции ошибки между вектором запроса и ответа используется infoNCE просто вместо косинуса, там скалярное произведение. Далее присыпаются самовыравниванием на другие dense головы - берут к ним оценку корреляции в виде КLD или MSE. Учат так сказать быть в синке ;)

При этом, чтобы после таких операций вектор все ещё при обучении не выродился в плотный, его специально штрафуют через l1 норму, как сумму модулей всех весов вектора документа. Привет l1 регуляризация. А ещё, чтобы вектора забрали свойства idf, мы штрафуем за то, что те или иные позиции векторов слишком часто встречаются в других документах батча. Это делается при помощи l2 регуляризации уже весов по батчу - мы штрафуем сумму квадратов весов векторов в батче, а не на один документ как в l1. Кстати, также учится и SPLADE.

Таким образом, мы учим семантику, просто в разреженном пространстве. Это не полнотекстовый поиск, в нем не заложен тот смысл что был в tfidf. Причем это учится на одних и тех же кандидатах, что для dense голов. Тогда почему мы получаем иных кандидатов при поиске? А дело в том, что изменили форму пространства дважды, при помощи смены векторов и функции ошибки. У нас вектор не плотный и учится он не по косинусу, а по dot prod. В плотном пространстве у нас вектора лежат, как облака точек размазанных по поверхности единичной гиперсферы. А sparse вдоль лучей разреженного (те вдоль радиусов бесконечного шара) пространства. Отсюда и артефакты появления иных кандидатов.

В общем, я все ещё советую сюда подмешивать tfidf /bm25, помимо bge dense и sparse кандидатов. Можно ещё пользоваться подходящими индексами для такого, писал тут. Ну и не называйте больше этот подход полнотекстом. Все же это не так. 👍