Forwarded from Guide DAO
Андрей Карпатый: главные тейки с выступления на YC AI Startup School
Software 3.0
Software 1.0 — это код, который мы пишем (Python, C++). Software 2.0 — веса нейросетей, которые мы настраиваем датасетами. Software 3.0 — это промпты на естественном языке. Теперь ваша программа — это промпт.
LLM как новая ОС
Мы сейчас в 1960-х годах timesharing-компьютинга: дорогие, централизованные вычисления , к которым мы подключаемся через «тонкие клиенты». Контекстное окно — это RAM, сама LLM — CPU. Революция «персональных компьютеров» для LLM еще не наступила.
«Психология» LLM
LLM — это «стохастические симуляторы людей» или «духи людей». У них есть cверхспособности и когнитивные дефициты: галлюцинации, «рваный интеллект», антероградная амнезия и излишняя доверчивость.
Стройте «костюмы Железного человека», а не «роботов»
Сейчас время не для полной автономии, а для усиления человека. Пример: Cursor со «слайдером автономии», Perplexity с управлением контекстом и GUI для проверки источников.
Держите AI «на коротком поводке»
Главная цель — ускорить цикл генерация-проверка. Не просите AI сгенерировать 1000 строк кода, вы сами станете узким местом при проверке. Давайте небольшие, конкретные задачи, чтобы верификация была быстрой.
Наступает «декада агентов», а не «год агентов»
Это будет долгий путь, как с беспилотными автомобилями, массовое внедрение которых до сих пор не наступило. Демо — это когда что-то сработало один раз, продукт — когда работает всегда.
Готовьте инфраструктуру для AI
Появился третий потребитель цифровой информации — AI-агент. Поэтому нужно готовить для них почву: документацию с curl-командами вместо «кликните тут» и файлы lms.txt (аналог robots.txt) для сайтов, чтобы агентам было проще с ними взаимодействовать.
https://www.youtube.com/watch?v=LCEmiRjPEtQ
Software 3.0
Software 1.0 — это код, который мы пишем (Python, C++). Software 2.0 — веса нейросетей, которые мы настраиваем датасетами. Software 3.0 — это промпты на естественном языке. Теперь ваша программа — это промпт.
LLM как новая ОС
Мы сейчас в 1960-х годах timesharing-компьютинга: дорогие, централизованные вычисления , к которым мы подключаемся через «тонкие клиенты». Контекстное окно — это RAM, сама LLM — CPU. Революция «персональных компьютеров» для LLM еще не наступила.
«Психология» LLM
LLM — это «стохастические симуляторы людей» или «духи людей». У них есть cверхспособности и когнитивные дефициты: галлюцинации, «рваный интеллект», антероградная амнезия и излишняя доверчивость.
Стройте «костюмы Железного человека», а не «роботов»
Сейчас время не для полной автономии, а для усиления человека. Пример: Cursor со «слайдером автономии», Perplexity с управлением контекстом и GUI для проверки источников.
Держите AI «на коротком поводке»
Главная цель — ускорить цикл генерация-проверка. Не просите AI сгенерировать 1000 строк кода, вы сами станете узким местом при проверке. Давайте небольшие, конкретные задачи, чтобы верификация была быстрой.
Наступает «декада агентов», а не «год агентов»
Это будет долгий путь, как с беспилотными автомобилями, массовое внедрение которых до сих пор не наступило. Демо — это когда что-то сработало один раз, продукт — когда работает всегда.
Готовьте инфраструктуру для AI
Появился третий потребитель цифровой информации — AI-агент. Поэтому нужно готовить для них почву: документацию с curl-командами вместо «кликните тут» и файлы lms.txt (аналог robots.txt) для сайтов, чтобы агентам было проще с ними взаимодействовать.
https://www.youtube.com/watch?v=LCEmiRjPEtQ
👍2
Запилил web3 crypto copilot агента
подробнее можете в твиттере почитать, ссылка на агента там же )
https://x.com/AirPulseAI/status/1941176309415358805
подробнее можете в твиттере почитать, ссылка на агента там же )
https://x.com/AirPulseAI/status/1941176309415358805
🔥4👍1
Наш агент поможет вам в поиске необходимого web3 протокола под любые нужды. У него в базе 500+ блокчейнов и более 1000 проектов!
НО!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8
Forwarded from Artur Koltsov
Naval for Kids на русском.pdf
8.2 MB
Один из умнейших людей современности
Наваль Равикант — предприниматель, философ и ранний инвестор в твиттер, убер, форсквер. В 9 лет его семья переехала из Индии в Нью-Йорк. Он сделал хорошую карьеру, основал несколько проектов, вложился больше чем в 200 стартапов, глобально способствовал развитию краудинвестингу.
Я был очень рад, что наткнулся на него в твитере в 2022 году, когда изучал крипту. Частично из-за его мыслей бросил это занятие. Считаю его одним из немногих современных авторов, за которыми стоит следить. Самое необычное, что он одновременно разбирается в бизнесе, инвестициях, психологии и философии.
Я искренне рекомендую ознакомиться:
Подкаст/твитшторм 2019 — rutube рус., youtube рус., сайт англ.
Он у Джо Рогана 2019 — youtube рус., англ
Он у Криса Вильямса 2025 — youtube рус., англ
Книга "The Almanack of Naval Ravikant"
P.S. Кто-то упаковал его мысли для детей, а я перевел эту презенташку для своей сестры. Прикрепляю для ленивых, можно начать с нее.
Наваль Равикант — предприниматель, философ и ранний инвестор в твиттер, убер, форсквер. В 9 лет его семья переехала из Индии в Нью-Йорк. Он сделал хорошую карьеру, основал несколько проектов, вложился больше чем в 200 стартапов, глобально способствовал развитию краудинвестингу.
Я был очень рад, что наткнулся на него в твитере в 2022 году, когда изучал крипту. Частично из-за его мыслей бросил это занятие. Считаю его одним из немногих современных авторов, за которыми стоит следить. Самое необычное, что он одновременно разбирается в бизнесе, инвестициях, психологии и философии.
Я искренне рекомендую ознакомиться:
Подкаст/твитшторм 2019 — rutube рус., youtube рус., сайт англ.
Он у Джо Рогана 2019 — youtube рус., англ
Он у Криса Вильямса 2025 — youtube рус., англ
Книга "The Almanack of Naval Ravikant"
P.S. Кто-то упаковал его мысли для детей, а я перевел эту презенташку для своей сестры. Прикрепляю для ленивых, можно начать с нее.
❤8🔥4💯2
Вот 11 способов вернуть себе фокус.
1. Отключи уведомления
Среднее время фокуса в 2024 - 47 секунд. С уведомлениями ещё меньше.
Но 44% отвлечений - внутренние. Мы сами тянемся к телефону по привычке. Мало выключить уведомления - нужно замечать, когда сам себя отвлекаешь.
2. Многозадачность - миф
• После отвлечения нужно 25 минут на возврат
• Прежде чем вернуться, переключаешься на 2-3 другие задачи
• Чем чаще переключение - тем выше стресс
Совмещать можно только то, что ты можешь делать автоматически: посуда + подкаст, ходьба + аудиокнига.
3. Работай отрезками
Блоки по 25-30 минут с перерывами лучше, чем 5 часов без остановки.
Лучший момент для перерыва - естественная пауза. Отвлекаться в разгар работы - самое вредное.
4. Создай условия для потока
• Ясная цель
• Понятный результат
• Сложность 20-40% от максимума
5. Формула "если-то"
"Если [ситуация X], то я делаю [действие Y]"
• Сажусь за стол → убираю телефон в ящик
• Хочу открыть соцсеть → 5 глубоких вдохов
• Заканчиваю рабочий блок → 10 приседаний
Пробуем переобучить свой мозг.
6. Выгружай мысли из головы
Появилась идея или задача - записывай. Иначе будет крутиться в голове, поднимать тревогу и занимать оперативную память.
7. Пять минут тишины
Просто сидеть, ничего не делать, дышать. Не медитация - просто пауза. Мозгу нужно время без входящей информации.
Этот метод не смотря на свою простоту, действительно помогает снять тревогу, а если добавить к "безделию" ещё и глубокое дыхание или "дыхание Вима Хоффа", то через пару минут чувствуется, что стресс ушёл или свёлся к минимому.
8. Двигайся
Физическая активность напрямую влияет на концентрацию. Минимум - прогулки на улице. Само нахождение на улице снимает стресс и повышает фокус.
9. Дневник активности вместо вины
Просто записывай, сколько работал каждый день. Даже если 0. Спустя время увидишь динамику. Не вини себя за то, что сделал мало. Начни с техник по типу pomodoro или просто записывай в тетрадь или в блокнот на компьютере.
10. Награждай себя
Мозг связывает удовольствие с предшествующим действием. Награда после работы → мозг меньше сопротивляется работе.
Не жди похвалы от других. Сам отмечай завершённые задачи.
11. Найди причину, почему не хочешь начинать
Если ничего не работает - копни глубже:
• Ты избегаешь чего-то?
• Устал?
• Кажется слишком сложным?
• Страшно?
Если избегаешь сложной задачи - распиши её максимально подробно. Разбей на мелкие шаги. Когда задача декомпозирована, страх перед ней ослабевает, а ощущаемая сложность снижается. Большой проект пугает, а "написать первый абзац" - нет.
Часто тревога появляется, тогда когда мы думаем не о текущем моменте, а о будущем или прошлом, в таком случае задай себе вопрос: "Есть ли реальная проблема прямо сейчас?" Обычно ответ - нет. Возврат в настоящее снимает тревогу.
———————
• «Метавнимание» - Глория Марк
• «Стоики побеждают» - Уильям Ирвин
• «Делай просто, просто делай» - Оскар Хартманн
Давно ничего не выкладывал, надеюсь этот пост будет вам полезным, в эпоху отвлечений, даже небольшой шаг в сторону возвращения себе фокуса - уже выделяет вас. Делитесь своими методами в комментах.
DegenCoding Подписаться.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7🔥5❤🔥3
За последний год-полтора вышло много моделей и приложений, которые пытаются (зачастую с переменным успехом) облегчить ту или иную часть нашей жизни. Расскажу вам об одном приложении, которое действительно может дать буст в одной из самых важных сфер — обучении.
- аудиопересказы
- видеопересказы
- ментальные карты (mind map)
- отчёты в различных форматах
- карточки с вопросами и ответами
- тесты
- инфографику
- презентации
Форматы отчётов варьируются от стандартных (краткий обзор, методичка) до адаптивных под твой контент. Например, если изучаешь построение агентских флоу — предложат формат с уклоном на внедрение систем, а не на техническую реализацию. Можно выбрать и описать свой формат.
Всё это можно генерировать на любом языке и полностью бесплатно!
1️⃣ В ChatGPT нет такого количества интерактивных форматов вывода.
2️⃣ Более высокая точность ответов. Тесты учёных из Стэнфорда показали, что галлюцинаций внутри NotebookLM меньше на 87% по сравнению с AI общего назначения.
3️⃣ Контроль источников. Модели отвечают только по информации, на которой обучены, плюс веб-поиск. NotebookLM использует для генерации только те источники, которые нужны тебе, — личные заметки, статьи или видео с YouTube.
🔗 Попробовать NotebookLM
—————
⚠️ Нюанс: в России сервис напрямую недоступен — понадобится VPN. Но русский язык поддерживается полностью, включая аудиопересказы.
Впн можно взять тут (ставьте америку).
————
На мой взгляд это один из самых крутых AI инструментов сейчас на рынке, особенно с выходом Gemini 3 pro, которая является для меня на текущий момент Топ 2 моделью (Claude Opus 4.5 топ 1, но у неё нет такого мощного инструмента).
DegenCoding Подписаться.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤2👍2
Запускаю серию постов о Mastra AI
Mastra — это TypeScript-фреймворк для создания AI-агентов и workflow. Хочу разобраться в нём и поделиться с вами.
Серия будет из двух частей:
- Сначала — концепции (5 постов без кода). Разберём идеи и принципы, чтобы понять, как всё устроено.
- Потом — практика (посты с кодом). Будем писать агентов руками.
Что будет в концептуальной части:
1. Агенты и System Prompt — что такое AI-агент и как задать ему поведение
2. Tools и MCP — как агенты взаимодействуют с внешним миром
3. Memory — как агенты запоминают контекст разговора
4. Умная память — Semantic Recall и Working Memory
5. Workflows — как строить сложные AI-процессы
В следующем посте разберём, чем AI-агент отличается от обычного чат-бота и как System Prompt превращает языковую модель в специализированного ассистента.
Mastra — это TypeScript-фреймворк для создания AI-агентов и workflow. Хочу разобраться в нём и поделиться с вами.
Серия будет из двух частей:
- Сначала — концепции (5 постов без кода). Разберём идеи и принципы, чтобы понять, как всё устроено.
- Потом — практика (посты с кодом). Будем писать агентов руками.
Что будет в концептуальной части:
1. Агенты и System Prompt — что такое AI-агент и как задать ему поведение
2. Tools и MCP — как агенты взаимодействуют с внешним миром
3. Memory — как агенты запоминают контекст разговора
4. Умная память — Semantic Recall и Working Memory
5. Workflows — как строить сложные AI-процессы
В следующем посте разберём, чем AI-агент отличается от обычного чат-бота и как System Prompt превращает языковую модель в специализированного ассистента.
🔥8❤🔥5❤1
Пост 1 из серии Mastra
Чем агент отличается от чат-бота?
Обычный чат-бот — это интерфейс к языковой модели. Вы пишете вопрос, получаете ответ. Всё.
AI-агент — это языковая модель + контекст + память + возможность действовать. Агент понимает свою роль, помнит контекст разговора и может выполнять задачи: искать информацию, работать с API, отправлять письма.
Простая аналогия: чат-бот — это эрудит, который отвечает на вопросы. Агент — это ассистент, который понимает вашу ситуацию, помнит предыдущие разговоры и может что-то сделать.
—
Mastra — конструктор агентов
Mastra собирает все компоненты агента в единую систему:
Фреймворк берёт на себя инфраструктуру, а вы фокусируетесь на логике: каким должен быть агент, что он умеет, как себя ведёт.
—
System Prompt — личность агента
Ключевой элемент любого агента — System Prompt. Это набор инструкций, который определяет, кем является агент и как он должен себя вести.
Хороший System Prompt включает:
Роль — "Ты — помощник по погоде"
Возможности — "Ты можешь получать данные о погоде для любого города"
Стиль — "Отвечай кратко и информативно"
Ограничения — "Не давай советов, не связанных с погодой"
Чем яснее System Prompt, тем более предсказуемым будет агент. Это как должностная инструкция — без неё человек может быть талантливым, но не будет понимать, что именно от него ждут.
—
Почему это важно?
System Prompt — это не просто "настройка тона". Это способ:
— Ограничить агента от нерелевантных тем
— Задать экспертизу в конкретной области
— Определить формат и стиль ответов
— Установить границы ответственности
Один и тот же LLM с разными System Prompt'ами — это принципиально разные агенты. Финансовый консультант, техподдержка, персональный тренер — всё начинается с правильно написанного промпта.
—
Что дальше?
Агент с System Prompt уже знает свою роль. Но пока у него нет памяти — каждое сообщение как первое. И он не может взаимодействовать с внешним миром: получить данные из API, отправить email, записать что-то в базу данных.
В следующих постах разберём, как дать агенту "руки" через Tools и MCP, и как добавить ему Memory — чтобы он помнил контекст разговора и ключевые факты о пользователе.
Чем агент отличается от чат-бота?
Обычный чат-бот — это интерфейс к языковой модели. Вы пишете вопрос, получаете ответ. Всё.
AI-агент — это языковая модель + контекст + память + возможность действовать. Агент понимает свою роль, помнит контекст разговора и может выполнять задачи: искать информацию, работать с API, отправлять письма.
Простая аналогия: чат-бот — это эрудит, который отвечает на вопросы. Агент — это ассистент, который понимает вашу ситуацию, помнит предыдущие разговоры и может что-то сделать.
—
Mastra — конструктор агентов
Mastra собирает все компоненты агента в единую систему:
Agents — Регистрирует агентовTools — Подключает инструментыMemory — Управляет памятьюWorkflows — Строит цепочки действийФреймворк берёт на себя инфраструктуру, а вы фокусируетесь на логике: каким должен быть агент, что он умеет, как себя ведёт.
—
System Prompt — личность агента
Ключевой элемент любого агента — System Prompt. Это набор инструкций, который определяет, кем является агент и как он должен себя вести.
Хороший System Prompt включает:
Роль — "Ты — помощник по погоде"
Возможности — "Ты можешь получать данные о погоде для любого города"
Стиль — "Отвечай кратко и информативно"
Ограничения — "Не давай советов, не связанных с погодой"
Чем яснее System Prompt, тем более предсказуемым будет агент. Это как должностная инструкция — без неё человек может быть талантливым, но не будет понимать, что именно от него ждут.
—
Почему это важно?
System Prompt — это не просто "настройка тона". Это способ:
— Ограничить агента от нерелевантных тем
— Задать экспертизу в конкретной области
— Определить формат и стиль ответов
— Установить границы ответственности
Один и тот же LLM с разными System Prompt'ами — это принципиально разные агенты. Финансовый консультант, техподдержка, персональный тренер — всё начинается с правильно написанного промпта.
—
Что дальше?
Агент с System Prompt уже знает свою роль. Но пока у него нет памяти — каждое сообщение как первое. И он не может взаимодействовать с внешним миром: получить данные из API, отправить email, записать что-то в базу данных.
В следующих постах разберём, как дать агенту "руки" через Tools и MCP, и как добавить ему Memory — чтобы он помнил контекст разговора и ключевые факты о пользователе.
👍3❤2🔥2
Пост 2 из серии Mastra
Tools и MCP
В прошлом посте мы разобрали, что такое агент и как System Prompt задаёт ему личность. Но есть проблема: агент с одним только промптом — это всё ещё "говорящая голова". Он может рассуждать, но не может ничего сделать.
Чтобы агент мог взаимодействовать с внешним миром, ему нужны Tools — инструменты.
—
Что такое Tools?
Tools — это функции, которые агент может вызывать для выполнения задач. Они расширяют возможности агента, давая доступ к внешним данным и сервисам.
Каждый tool состоит из:
id — Уникальное имя инструмента
description — Описание — помогает агенту понять, когда использовать
inputSchema — Что инструмент принимает на вход
outputSchema — Что возвращает
execute — Функция, которая выполняет работу
Пример: tool для получения погоды принимает название города, обращается к API погоды и возвращает температуру и условия.
—
Зачем нужны Tools?
Без инструментов агент может только генерировать текст. С инструментами он может:
— Получать данные из баз данных и API
— Отправлять email и сообщения
— Создавать записи в CRM
— Искать информацию в интернете
— Работать с файлами
Агент сам решает, какой инструмент вызвать, на основе описания (description) и контекста разговора.
—
MCP — универсальный стандарт интеграций
Писать свой tool для каждого сервиса — долго. Здесь на помощь приходит MCP (Model Context Protocol).
MCP — это стандарт, который позволяет AI-моделям получать доступ к внешним сервисам через единый интерфейс. Вместо написания кастомного инструмента вы просто подключаете готовый MCP-сервер.
Какие сервисы уже доступны через MCP:
— Email: Gmail
— Код: GitHub
— Соцсети: Twitter, Slack
— Данные: Погода, новости
— Файлы: Файловая система
—
Tools vs MCP
На практике их комбинируют: MCP для стандартных интеграций, кастомные tools для специфичной бизнес-логики.
—
Что дальше?
Теперь наш агент умеет действовать — вызывать API, отправлять письма, работать с данными. Но есть ещё одна проблема: он не помнит, о чём вы говорили минуту назад.
В следующем посте разберём Memory — как сделать так, чтобы агент запоминал контекст разговора.
Tools и MCP
В прошлом посте мы разобрали, что такое агент и как System Prompt задаёт ему личность. Но есть проблема: агент с одним только промптом — это всё ещё "говорящая голова". Он может рассуждать, но не может ничего сделать.
Чтобы агент мог взаимодействовать с внешним миром, ему нужны Tools — инструменты.
—
Что такое Tools?
Tools — это функции, которые агент может вызывать для выполнения задач. Они расширяют возможности агента, давая доступ к внешним данным и сервисам.
Каждый tool состоит из:
id — Уникальное имя инструмента
description — Описание — помогает агенту понять, когда использовать
inputSchema — Что инструмент принимает на вход
outputSchema — Что возвращает
execute — Функция, которая выполняет работу
Пример: tool для получения погоды принимает название города, обращается к API погоды и возвращает температуру и условия.
—
Зачем нужны Tools?
Без инструментов агент может только генерировать текст. С инструментами он может:
— Получать данные из баз данных и API
— Отправлять email и сообщения
— Создавать записи в CRM
— Искать информацию в интернете
— Работать с файлами
Агент сам решает, какой инструмент вызвать, на основе описания (description) и контекста разговора.
—
MCP — универсальный стандарт интеграций
Писать свой tool для каждого сервиса — долго. Здесь на помощь приходит MCP (Model Context Protocol).
MCP — это стандарт, который позволяет AI-моделям получать доступ к внешним сервисам через единый интерфейс. Вместо написания кастомного инструмента вы просто подключаете готовый MCP-сервер.
Какие сервисы уже доступны через MCP:
— Email: Gmail
— Код: GitHub
— Соцсети: Twitter, Slack
— Данные: Погода, новости
— Файлы: Файловая система
—
Tools vs MCP
Tools — пишете сами под свои нужды. Полный контроль над логикой, но больше работы.MCP — используете готовые серверы. Стандартизированный протокол, быстрое подключение.На практике их комбинируют: MCP для стандартных интеграций, кастомные tools для специфичной бизнес-логики.
—
Что дальше?
Теперь наш агент умеет действовать — вызывать API, отправлять письма, работать с данными. Но есть ещё одна проблема: он не помнит, о чём вы говорили минуту назад.
В следующем посте разберём Memory — как сделать так, чтобы агент запоминал контекст разговора.
🔥6❤3
Пост 3 из серии Mastra
Проблема без памяти
Представьте диалог:
— Меня зовут Алексей, я из Москвы.
— Приятно познакомиться, Алексей!
— Какая погода в моём городе?
— В каком городе вы находитесь?
Без памяти каждое сообщение для агента — как первое. Он не помнит, что вы только что представились и назвали город. Пользователю приходится повторять информацию снова и снова.
—
Что даёт Memory?
— Запоминание диалога — помнит предыдущие вопросы и свои ответы
— Контекст — поддерживает контекст между сообщениями
— Персонализация — даёт более релевантные ответы
— Не переспрашивает — не запрашивает информацию повторно
С памятью агент строит на предыдущих сообщениях, разговор становится естественным, а пользовательский опыт — приятным.
—
Три типа памяти в Mastra
Контекстное окно агента делится на три части:
Conversation History — последние N сообщений. Аналогия: запись разговора.
Semantic Recall — релевантные старые сообщения. Аналогия: поиск в записях предыдущих сообщений.
Working Memory — структурированные данные о пользователе. Аналогия: карточка клиента.
Каждый тип решает свою задачу. Conversation History — это просто последние сообщения по порядку. Но что если важная информация была 50 сообщений назад?
—
Ограничение контекстного окна
У любой языковой модели есть лимит — контекстное окно. Нельзя просто загрузить всю историю переписки за год. Поэтому Memory в Mastra — это не "запомнить всё", а умное управление тем, что попадает в контекст агента.
Задача — уместить в ограниченное окно:
— Системные инструкции (System Prompt)
— Релевантный контекст из прошлых разговоров
— Текущее сообщение пользователя
—
Простота подключения
Что меня удивило и порадовало в Mastra — насколько просто добавить память агенту. Не нужны сотни строк кода и сложные конфигурации. Буквально 10-20 строк — и у вас работают все три типа памяти.
При этом поддерживаются стандартные базы данных: LibSQL и PostgreSQL. Не нужно разбираться в экзотических хранилищах — используете то, что уже знаете.
—
Что дальше?
Conversation History — это просто. Берём последние N сообщений и добавляем в контекст. Но как найти релевантную информацию, которая была давно? И как хранить ключевые факты о пользователе компактно?
В следующем посте разберём Semantic Recall и Working Memory — умные механизмы памяти, которые делают агентов по-настоящему контекстно-осведомлёнными.
Проблема без памяти
Представьте диалог:
— Меня зовут Алексей, я из Москвы.
— Приятно познакомиться, Алексей!
— Какая погода в моём городе?
— В каком городе вы находитесь?
Без памяти каждое сообщение для агента — как первое. Он не помнит, что вы только что представились и назвали город. Пользователю приходится повторять информацию снова и снова.
—
Что даёт Memory?
— Запоминание диалога — помнит предыдущие вопросы и свои ответы
— Контекст — поддерживает контекст между сообщениями
— Персонализация — даёт более релевантные ответы
— Не переспрашивает — не запрашивает информацию повторно
С памятью агент строит на предыдущих сообщениях, разговор становится естественным, а пользовательский опыт — приятным.
—
Три типа памяти в Mastra
Контекстное окно агента делится на три части:
Conversation History — последние N сообщений. Аналогия: запись разговора.
Semantic Recall — релевантные старые сообщения. Аналогия: поиск в записях предыдущих сообщений.
Working Memory — структурированные данные о пользователе. Аналогия: карточка клиента.
Каждый тип решает свою задачу. Conversation History — это просто последние сообщения по порядку. Но что если важная информация была 50 сообщений назад?
—
Ограничение контекстного окна
У любой языковой модели есть лимит — контекстное окно. Нельзя просто загрузить всю историю переписки за год. Поэтому Memory в Mastra — это не "запомнить всё", а умное управление тем, что попадает в контекст агента.
Задача — уместить в ограниченное окно:
— Системные инструкции (System Prompt)
— Релевантный контекст из прошлых разговоров
— Текущее сообщение пользователя
—
Простота подключения
Что меня удивило и порадовало в Mastra — насколько просто добавить память агенту. Не нужны сотни строк кода и сложные конфигурации. Буквально 10-20 строк — и у вас работают все три типа памяти.
При этом поддерживаются стандартные базы данных: LibSQL и PostgreSQL. Не нужно разбираться в экзотических хранилищах — используете то, что уже знаете.
—
Что дальше?
Conversation History — это просто. Берём последние N сообщений и добавляем в контекст. Но как найти релевантную информацию, которая была давно? И как хранить ключевые факты о пользователе компактно?
В следующем посте разберём Semantic Recall и Working Memory — умные механизмы памяти, которые делают агентов по-настоящему контекстно-осведомлёнными.
🔥5👍4❤3
Пост 4 из серии Mastra
Проблема Conversation History
В прошлом посте мы разобрали три типа памяти. Conversation History — самый простой: берём последние N сообщений и добавляем в контекст.
Но что если пользователь спрашивает: "Что мы обсуждали про мой проект на прошлой неделе?" — а это было 100 сообщений назад? Conversation History не поможет.
Здесь вступает Semantic Recall.
—
Semantic Recall — поиск по смыслу
Semantic Recall — это RAG-поиск (Retrieval-Augmented Generation), который находит релевантные сообщения не по порядку, а по смыслу.
Как это работает:
— Сообщение пользователя превращается в вектор (embedding)
— Система ищет похожие векторы в истории переписки
— Находит релевантные сообщения, даже если они были давно
— Добавляет их в контекст агента
Пример: пользователь спрашивает "Когда дедлайн моего проекта?" — система находит сообщение месячной давности "Работаю над проектом, дедлайн в следующем месяце" и добавляет его в контекст.
—
Conversation History vs Semantic Recall
Аналогия с человеческой памятью: вы не помните каждое слово каждого разговора, но можете вспомнить релевантную информацию, когда вас спрашивают.
—
Working Memory — карточка клиента
Semantic Recall ищет по сообщениям. Но иногда нужно хранить не сообщения, а факты: имя пользователя, его предпочтения, текущие цели.
Working Memory — это "блокнот" агента для структурированных данных о пользователе.
Conversation History — хранит сырые сообщения. "Привет" → "Как дела?"
Semantic Recall — хранит релевантные сообщения. Поиск по смыслу.
Working Memory — хранит структурированные данные. Имя: Алексей, Город: Москва.
—
Как работает Working Memory?
Вы задаёте шаблон — что агент должен запоминать:
Когда пользователь говорит "Меня зовут Алексей, я из Москвы", агент сам заполняет шаблон. Теперь он знает имя и город — даже через 1000 сообщений.
Working Memory компактна и обновляется. В отличие от истории сообщений, которая только растёт, Working Memory хранит только актуальную информацию.
—
Когда что использовать?
— Недавний контекст (последние сообщения) → Conversation History
— "Что мы обсуждали раньше?" → Semantic Recall
— Профиль пользователя (имя, предпочтения) → Working Memory
На практике все три типа работают вместе, создавая полную картину контекста для агента.
—
Что дальше?
У нас есть умный агент с инструментами и памятью. Но что если задача сложная и требует нескольких шагов? Проверить данные, обогатить их, проанализировать, сформировать отчёт?
В следующем посте серии разберём Workflows — как строить цепочки действий и оркестрировать сложные AI-процессы.
Проблема Conversation History
В прошлом посте мы разобрали три типа памяти. Conversation History — самый простой: берём последние N сообщений и добавляем в контекст.
Но что если пользователь спрашивает: "Что мы обсуждали про мой проект на прошлой неделе?" — а это было 100 сообщений назад? Conversation History не поможет.
Здесь вступает Semantic Recall.
—
Semantic Recall — поиск по смыслу
Semantic Recall — это RAG-поиск (Retrieval-Augmented Generation), который находит релевантные сообщения не по порядку, а по смыслу.
Как это работает:
— Сообщение пользователя превращается в вектор (embedding)
— Система ищет похожие векторы в истории переписки
— Находит релевантные сообщения, даже если они были давно
— Добавляет их в контекст агента
Пример: пользователь спрашивает "Когда дедлайн моего проекта?" — система находит сообщение месячной давности "Работаю над проектом, дедлайн в следующем месяце" и добавляет его в контекст.
—
Conversation History vs Semantic Recall
Conversation History — последние N сообщений, строго по порядку, ограничено количеством.Semantic Recall — любые релевантные сообщения, по смыслу, ищет по всей истории.Аналогия с человеческой памятью: вы не помните каждое слово каждого разговора, но можете вспомнить релевантную информацию, когда вас спрашивают.
—
Working Memory — карточка клиента
Semantic Recall ищет по сообщениям. Но иногда нужно хранить не сообщения, а факты: имя пользователя, его предпочтения, текущие цели.
Working Memory — это "блокнот" агента для структурированных данных о пользователе.
Conversation History — хранит сырые сообщения. "Привет" → "Как дела?"
Semantic Recall — хранит релевантные сообщения. Поиск по смыслу.
Working Memory — хранит структурированные данные. Имя: Алексей, Город: Москва.
—
Как работает Working Memory?
Вы задаёте шаблон — что агент должен запоминать:
<user>
<name></name>
<city></city>
<preferences></preferences>
</user>
Когда пользователь говорит "Меня зовут Алексей, я из Москвы", агент сам заполняет шаблон. Теперь он знает имя и город — даже через 1000 сообщений.
Working Memory компактна и обновляется. В отличие от истории сообщений, которая только растёт, Working Memory хранит только актуальную информацию.
—
Когда что использовать?
— Недавний контекст (последние сообщения) → Conversation History
— "Что мы обсуждали раньше?" → Semantic Recall
— Профиль пользователя (имя, предпочтения) → Working Memory
На практике все три типа работают вместе, создавая полную картину контекста для агента.
—
Что дальше?
У нас есть умный агент с инструментами и памятью. Но что если задача сложная и требует нескольких шагов? Проверить данные, обогатить их, проанализировать, сформировать отчёт?
В следующем посте серии разберём Workflows — как строить цепочки действий и оркестрировать сложные AI-процессы.
❤3👍1🔥1
Пост 5 из серии Mastra
Когда одного агента недостаточно
До этого мы говорили об агентах как о самостоятельных единицах: есть агент, у него промпт, инструменты, память. Он получает запрос — даёт ответ.
Но что если задача сложнее? Например:
— Получить текст → проверить на ошибки → обогатить данными → сгенерировать саммари
— Принять заявку → валидировать → отправить в CRM → уведомить менеджера
Запихивать всё это в одного агента — плохая идея. Логика становится запутанной, сложно тестировать и переиспользовать.
Здесь нужны Workflows.
—
Что такое Workflows?
Workflows — это способ объединить операции в цепочки. Каждая операция — отдельный Step (шаг), который делает что-то одно.
— Модульность — разбиваете сложную задачу на простые шаги
— Переиспользование — один шаг можно использовать в разных workflows
— Тестируемость — каждый шаг тестируется отдельно
— Типобезопасность — чёткие входы и выходы для каждого шага
— Трейсинг — видите, что происходит на каждом этапе
—
Workflow vs Agent — ключевое отличие
И workflow, и agent могут выполнять сложные задачи с несколькими шагами. Но есть принципиальная разница:
Workflow — это конвейер. Вы заранее определяете: сначала валидация, потом обогащение, потом анализ. Всегда в этом порядке.
Agent с теми же инструментами будет сам решать, что вызвать. Может сразу пойти в анализ, может сначала уточнить у пользователя, может вызвать инструменты в другом порядке — в зависимости от контекста.
Когда что выбрать:
— Нужна предсказуемость и чёткий процесс → Workflow
— Нужна гибкость и адаптация к ситуации → Agent
—
Step — строительный блок
Каждый Step:
1. Принимает данные на вход (что ожидает получить)
2. Выполняет работу (логика)
3. Возвращает данные в заданном формате (результат)
Шаги соединяются в цепочку: выход одного шага становится входом следующего.
Внутри шага может быть что угодно: простая функция, вызов API, или даже обращение к AI-агенту для анализа.
—
Параллельное выполнение
Иногда шаги не зависят друг от друга. Например, нужно проанализировать текст по трём параметрам: SEO, читабельность, тональность.
Запускать их последовательно — долго. Workflows позволяют запустить их параллельно:
Последовательно: 2s + 2s + 2s = 6s
Параллельно: 2s (все одновременно)
—
Условное ветвление
Не всегда нужно выполнять все шаги. Иногда логика зависит от данных:
— Короткий текст → быстрая обработка
— Средний текст → стандартная обработка
— Длинный текст → детальный анализ
Workflows поддерживают ветвление — выбор пути в зависимости от условий:
—
Зачем агенты внутри Workflows?
Шаги могут содержать не только простую логику, но и вызовы AI-агентов:
— Понимание контекста — AI интерпретирует смысл, не только данные
— Генерация insights — анализ, недоступный простой логике
— Адаптивность — разные ответы для разного контента
— Natural language — человекочитаемый вывод
Workflow становится комбинацией детерминированных шагов (валидация, форматирование) и AI-шагов (анализ, генерация
Когда одного агента недостаточно
До этого мы говорили об агентах как о самостоятельных единицах: есть агент, у него промпт, инструменты, память. Он получает запрос — даёт ответ.
Но что если задача сложнее? Например:
— Получить текст → проверить на ошибки → обогатить данными → сгенерировать саммари
— Принять заявку → валидировать → отправить в CRM → уведомить менеджера
Запихивать всё это в одного агента — плохая идея. Логика становится запутанной, сложно тестировать и переиспользовать.
Здесь нужны Workflows.
—
Что такое Workflows?
Workflows — это способ объединить операции в цепочки. Каждая операция — отдельный Step (шаг), который делает что-то одно.
— Модульность — разбиваете сложную задачу на простые шаги
— Переиспользование — один шаг можно использовать в разных workflows
— Тестируемость — каждый шаг тестируется отдельно
— Типобезопасность — чёткие входы и выходы для каждого шага
— Трейсинг — видите, что происходит на каждом этапе
—
Workflow vs Agent — ключевое отличие
И workflow, и agent могут выполнять сложные задачи с несколькими шагами. Но есть принципиальная разница:
Workflow — шаги выполняются в заранее определённом порядке. Предсказуемость и контроль. Вы задаёте логику.Agent — сам решает, когда и какой tool использовать. Гибкость и адаптивность. AI выбирает путь.Workflow — это конвейер. Вы заранее определяете: сначала валидация, потом обогащение, потом анализ. Всегда в этом порядке.
Agent с теми же инструментами будет сам решать, что вызвать. Может сразу пойти в анализ, может сначала уточнить у пользователя, может вызвать инструменты в другом порядке — в зависимости от контекста.
Когда что выбрать:
— Нужна предсказуемость и чёткий процесс → Workflow
— Нужна гибкость и адаптация к ситуации → Agent
—
Step — строительный блок
Каждый Step:
1. Принимает данные на вход (что ожидает получить)
2. Выполняет работу (логика)
3. Возвращает данные в заданном формате (результат)
Шаги соединяются в цепочку: выход одного шага становится входом следующего.
Input → [Validate] → [Enrich] → [Summarize] → Output
Внутри шага может быть что угодно: простая функция, вызов API, или даже обращение к AI-агенту для анализа.
—
Параллельное выполнение
Иногда шаги не зависят друг от друга. Например, нужно проанализировать текст по трём параметрам: SEO, читабельность, тональность.
Запускать их последовательно — долго. Workflows позволяют запустить их параллельно:
┌─ SEO Analysis ──┐
Input → Validate → ├─ Readability ───┼→ Combine → Output
└─ Sentiment ─────┘
Последовательно: 2s + 2s + 2s = 6s
Параллельно: 2s (все одновременно)
—
Условное ветвление
Не всегда нужно выполнять все шаги. Иногда логика зависит от данных:
— Короткий текст → быстрая обработка
— Средний текст → стандартная обработка
— Длинный текст → детальный анализ
Workflows поддерживают ветвление — выбор пути в зависимости от условий:
┌─ quickProcess (< 50 слов)
Input → Validate → ├─ standardProcess (50-200 слов)
└─ detailedProcess (> 200 слов)
—
Зачем агенты внутри Workflows?
Шаги могут содержать не только простую логику, но и вызовы AI-агентов:
— Понимание контекста — AI интерпретирует смысл, не только данные
— Генерация insights — анализ, недоступный простой логике
— Адаптивность — разные ответы для разного контента
— Natural language — человекочитаемый вывод
Workflow становится комбинацией детерминированных шагов (валидация, форматирование) и AI-шагов (анализ, генерация
❤1👍1🔥1
Пост 6 из серии Mastra
Проблема: как понять, что агент работает хорошо?
Мы разобрали, как создать агента: дать ему роль, инструменты, память, построить workflow. Но есть вопрос, который многие игнорируют: а как измерить качество его работы?
В обычном коде всё просто — тест проходит или нет. Но AI недетерминирован: один и тот же вопрос может дать разные ответы. Нельзя написать assert и успокоиться.
Без измерений вы летите вслепую — меняете промпт и не знаете, стало лучше или хуже.
Здесь нужны Scorers.
—
Что такое Scorers?
Scorers — это автоматические оценщики, которые измеряют качество ответов агента. Они возвращают число от 0 до 1, где 1 — идеально.
— Точен ли ответ? — не галлюцинирует ли агент
— Релевантен ли ответ? — отвечает ли на заданный вопрос
— Безопасен ли ответ? — нет ли токсичности или предвзятости
— Полон ли ответ? — не упустил ли важную информацию
Scorers превращают субъективное "вроде нормально отвечает" в объективные метрики.
—
Зачем это нужно?
— Продакшен: без scorers нельзя выпускать агента в прод — вы не знаете, насколько он надёжен
— Итерации: поменяли промпт или модель — scorers покажут, стало лучше или хуже
— CI/CD: scorers встраиваются в пайплайн деплоя как обычные тесты
— Мониторинг: в реальном времени отслеживаете качество ответов на проде
Аналогия: scorers для AI-агентов — как юнит-тесты для обычного кода. Без них вы не знаете, что сломали.
—
Три подхода к оценке
Mastra поддерживает разные способы оценки:
Rule-based — детерминированные правила. Проверяем конкретные критерии алгоритмически: совпадение текста, наличие ключевых слов, длина ответа. Быстро, предсказуемо, но ограничено.
Model-graded — LLM как судья. Другая модель оценивает ответ агента по заданным критериям. Гибко, понимает контекст, но дороже.
Statistical — статистические методы. Вычисляем метрики: cosine similarity, текстовое сходство, покрытие. Объективно и воспроизводимо.
На практике их комбинируют: rule-based для простых проверок, model-graded для нюансов, statistical для сравнений.
—
Как устроен scorer внутри?
Каждый scorer в Mastra — это pipeline из четырёх шагов:
preprocess — подготовка данных. Извлекаем нужное из сырого ввода/вывода агента.
analyze — анализ. Основная логика: собираем инсайты для оценки. Здесь может работать как алгоритм, так и LLM.
generateScore — оценка. Превращаем результат анализа в число от 0 до 1.
generateReason — объяснение. Человекочитаемое описание, почему такая оценка.
Обязательный шаг — только generateScore. Остальные опциональны. Но чем полнее pipeline, тем информативнее результат.
—
Почему pipeline, а не одна функция?
— Разделение ответственности — каждый шаг делает одну вещь
— Переиспользование — один preprocess для нескольких scorers
— Отладка — видно, на каком шаге что-то пошло не так
— Гибкость — можно миксовать функции и LLM в одном scorer
Проблема: как понять, что агент работает хорошо?
Мы разобрали, как создать агента: дать ему роль, инструменты, память, построить workflow. Но есть вопрос, который многие игнорируют: а как измерить качество его работы?
В обычном коде всё просто — тест проходит или нет. Но AI недетерминирован: один и тот же вопрос может дать разные ответы. Нельзя написать assert и успокоиться.
Без измерений вы летите вслепую — меняете промпт и не знаете, стало лучше или хуже.
Здесь нужны Scorers.
—
Что такое Scorers?
Scorers — это автоматические оценщики, которые измеряют качество ответов агента. Они возвращают число от 0 до 1, где 1 — идеально.
— Точен ли ответ? — не галлюцинирует ли агент
— Релевантен ли ответ? — отвечает ли на заданный вопрос
— Безопасен ли ответ? — нет ли токсичности или предвзятости
— Полон ли ответ? — не упустил ли важную информацию
Scorers превращают субъективное "вроде нормально отвечает" в объективные метрики.
—
Зачем это нужно?
— Продакшен: без scorers нельзя выпускать агента в прод — вы не знаете, насколько он надёжен
— Итерации: поменяли промпт или модель — scorers покажут, стало лучше или хуже
— CI/CD: scorers встраиваются в пайплайн деплоя как обычные тесты
— Мониторинг: в реальном времени отслеживаете качество ответов на проде
Аналогия: scorers для AI-агентов — как юнит-тесты для обычного кода. Без них вы не знаете, что сломали.
—
Три подхода к оценке
Mastra поддерживает разные способы оценки:
Rule-based — детерминированные правила. Проверяем конкретные критерии алгоритмически: совпадение текста, наличие ключевых слов, длина ответа. Быстро, предсказуемо, но ограничено.
Model-graded — LLM как судья. Другая модель оценивает ответ агента по заданным критериям. Гибко, понимает контекст, но дороже.
Statistical — статистические методы. Вычисляем метрики: cosine similarity, текстовое сходство, покрытие. Объективно и воспроизводимо.
На практике их комбинируют: rule-based для простых проверок, model-graded для нюансов, statistical для сравнений.
—
Как устроен scorer внутри?
Каждый scorer в Mastra — это pipeline из четырёх шагов:
preprocess — подготовка данных. Извлекаем нужное из сырого ввода/вывода агента.
analyze — анализ. Основная логика: собираем инсайты для оценки. Здесь может работать как алгоритм, так и LLM.
generateScore — оценка. Превращаем результат анализа в число от 0 до 1.
generateReason — объяснение. Человекочитаемое описание, почему такая оценка.
Обязательный шаг — только generateScore. Остальные опциональны. Но чем полнее pipeline, тем информативнее результат.
—
Почему pipeline, а не одна функция?
— Разделение ответственности — каждый шаг делает одну вещь
— Переиспользование — один preprocess для нескольких scorers
— Отладка — видно, на каком шаге что-то пошло не так
— Гибкость — можно миксовать функции и LLM в одном scorer
❤2👍2🔥2
Forwarded from Валера Ковальский
AI Daily Digest
TerserAI - мой вижн для поиска по постам тг каналов, и ежедневных дайджестов!
Теперь я наконец то решил проблему ежедневных дайджестов того что мне реально интересно
@neuraldeepbot (достаточно стартануть бота и в 13 по МСК будете получать рассылку)
Бонусом для вас безлимитный ReAct агент с поиском по 20+ тысячам постов моих любимых каналов
Через команду
Если вас итересует mcp/api к данной бд/агенту вызывайте команду
Пишите ваши в коменты с чем вам помог мой сервис @neuraldeepbot
TerserAI - мой вижн для поиска по постам тг каналов, и ежедневных дайджестов!
Теперь я наконец то решил проблему ежедневных дайджестов того что мне реально интересно
@neuraldeepbot (достаточно стартануть бота и в 13 по МСК будете получать рассылку)
Бонусом для вас безлимитный ReAct агент с поиском по 20+ тысячам постов моих любимых каналов
Через команду
/suggest можно предложить канал для добавления в скрепер!Если вас итересует mcp/api к данной бд/агенту вызывайте команду
/earlyadopter (пока выдача доступа ручная) c вами свяжутсяПишите ваши в коменты с чем вам помог мой сервис @neuraldeepbot
AI пишет код — инженер управляет контекстом
Посмотрел отличное видео про выстраивание процесса работы с AI-агентами при написании кода. Главное — пошаговая работа с контекстом:
Проблема: без процесса AI генерит быстро, но плохо. Сложность кода +40%, ошибок в 1.7 раз больше, XSS-уязвимости в 2.7 раз чаще.
Формула качества контекста:
— Полнота: дать модели всё, что нужно для задачи
— Релевантность: убрать шум из контекстного окна
— Структура: чёткие инструкции, роли, ограничения
Роль инженера сместилась — не писать код, а управлять тем, как AI его пишет. Контролировать контекст, архитектуру, качество.
Процесс по шагам:
1. Исследование — агент сканирует кодовую базу и генерит документацию: архитектура, стек, паттерны, зависимости. Это становится фундаментом контекста для всех следующих шагов.
2. Планирование — на основе документации агент создаёт детальный план: фазы, конкретные шаги, архитектурные решения и quality-гейты. Всё до написания первой строчки кода.
3. Имплементация — мультиагентная команда, каждый со своей ролью и промптом: кодер пишет, тестировщик проверяет билд, архитектор смотрит структуру, секьюрити-ревьюер ищет уязвимости. Работают параллельно, каждый в своём контекстном окне.
4. Ревью человеком — LLM может галлюцинировать на любой фазе. Финальная проверка всегда за инженером + жёсткий CI: линтеры, тесты, security-сканы.
—-
Очень понравился такой подход — в своей работе я пришёл к похожему воркфлоу самостоятельно. Особенно зашло после того, как в Claude Code не так давно добавили agent teams и worktrees, которые буквально раскрывают весь потенциал мультиагентной разработки.
ссылка на видео
—-
Сейчас код может писать каждый — порог входа упал до нуля. Однако качество кода по-прежнему зависит от инженера. Тебе не нужно заучивать промпты, тебе нужно выстраивать мышление: как формировать контекст, как декомпозировать задачи, как контролировать качество. Это мышление переносится на любой инструмент и любую модель.
Так что учиться и расти как инженер сейчас важно как никогда.
DegenCoding Подписаться.
Посмотрел отличное видео про выстраивание процесса работы с AI-агентами при написании кода. Главное — пошаговая работа с контекстом:
Проблема: без процесса AI генерит быстро, но плохо. Сложность кода +40%, ошибок в 1.7 раз больше, XSS-уязвимости в 2.7 раз чаще.
Формула качества контекста:
— Полнота: дать модели всё, что нужно для задачи
— Релевантность: убрать шум из контекстного окна
— Структура: чёткие инструкции, роли, ограничения
Роль инженера сместилась — не писать код, а управлять тем, как AI его пишет. Контролировать контекст, архитектуру, качество.
Процесс по шагам:
1. Исследование — агент сканирует кодовую базу и генерит документацию: архитектура, стек, паттерны, зависимости. Это становится фундаментом контекста для всех следующих шагов.
2. Планирование — на основе документации агент создаёт детальный план: фазы, конкретные шаги, архитектурные решения и quality-гейты. Всё до написания первой строчки кода.
3. Имплементация — мультиагентная команда, каждый со своей ролью и промптом: кодер пишет, тестировщик проверяет билд, архитектор смотрит структуру, секьюрити-ревьюер ищет уязвимости. Работают параллельно, каждый в своём контекстном окне.
4. Ревью человеком — LLM может галлюцинировать на любой фазе. Финальная проверка всегда за инженером + жёсткий CI: линтеры, тесты, security-сканы.
—-
Очень понравился такой подход — в своей работе я пришёл к похожему воркфлоу самостоятельно. Особенно зашло после того, как в Claude Code не так давно добавили agent teams и worktrees, которые буквально раскрывают весь потенциал мультиагентной разработки.
ссылка на видео
—-
Сейчас код может писать каждый — порог входа упал до нуля. Однако качество кода по-прежнему зависит от инженера. Тебе не нужно заучивать промпты, тебе нужно выстраивать мышление: как формировать контекст, как декомпозировать задачи, как контролировать качество. Это мышление переносится на любой инструмент и любую модель.
Так что учиться и расти как инженер сейчас важно как никогда.
DegenCoding Подписаться.
🔥5❤3👍3
Как контекстные файлы делают агентов тупее ?
Один из базовых приёмов в AI-разработке — файлы AGENT.md и CLAUDE.md.
В теории это гайд, помогающий LLM соблюдать style guides и ориентироваться в кодовой базе. На деле — часто это просто лишний мусор в контексте.
—-
Исследования показали:
• LLM-generated файлы снижают success rate агентов на 3%
• Human-written дают прирост в 4% — на уровне погрешности
• Косты на инференс +20% из-за раздутого контекста
• Reasoning-нагрузка растёт: +22% токенов для GPT-5.2, +14% для 5.1 Mini
• Контекстные файлы быстро становятся легаси — агент кладёт код в несуществующие папки
—-
Почему так происходит? Контекст модели складывается слоями:
1. Provider instructions — хардкод от Anthropic/OpenAI, грузится всегда
2. System prompt — роль агента
3. Developer message — сюда попадает AGENT.md/CLAUDE.md
4. User prompt — ваш запрос
AGENT.md сидит в developer message и загружается в каждый запрос. Неважно, релевантна ли информация для текущей задачи — модель всё равно её обрабатывает, тратит reasoning-токены и пытается следовать всем инструкциям одновременно. Агент начинает шире исследовать файлы, запускать лишние тесты, проверять то, что никто не просил. Контекст раздувается, задача становится «тяжелее», а результат не улучшается.
---
Если агенту нужно описывать структуру папок вашего проекта — вы делаете что-то не так. Скорее всего, отступаете от общепризнанных стандартов.
Используйте контекстные файлы только для жёстких технических ограничений или описания бизнес логики.
Не кормите модель водой, следите за контекстом. Удаляйте всё, что она может найти быстро. Модели — эксперты в shell, им не нужны пересказы структуры папок.
@DegenCoding
Один из базовых приёмов в AI-разработке — файлы AGENT.md и CLAUDE.md.
В теории это гайд, помогающий LLM соблюдать style guides и ориентироваться в кодовой базе. На деле — часто это просто лишний мусор в контексте.
—-
Исследования показали:
• LLM-generated файлы снижают success rate агентов на 3%
• Human-written дают прирост в 4% — на уровне погрешности
• Косты на инференс +20% из-за раздутого контекста
• Reasoning-нагрузка растёт: +22% токенов для GPT-5.2, +14% для 5.1 Mini
• Контекстные файлы быстро становятся легаси — агент кладёт код в несуществующие папки
—-
Почему так происходит? Контекст модели складывается слоями:
1. Provider instructions — хардкод от Anthropic/OpenAI, грузится всегда
2. System prompt — роль агента
3. Developer message — сюда попадает AGENT.md/CLAUDE.md
4. User prompt — ваш запрос
AGENT.md сидит в developer message и загружается в каждый запрос. Неважно, релевантна ли информация для текущей задачи — модель всё равно её обрабатывает, тратит reasoning-токены и пытается следовать всем инструкциям одновременно. Агент начинает шире исследовать файлы, запускать лишние тесты, проверять то, что никто не просил. Контекст раздувается, задача становится «тяжелее», а результат не улучшается.
---
Если агенту нужно описывать структуру папок вашего проекта — вы делаете что-то не так. Скорее всего, отступаете от общепризнанных стандартов.
Используйте контекстные файлы только для жёстких технических ограничений или описания бизнес логики.
Не кормите модель водой, следите за контекстом. Удаляйте всё, что она может найти быстро. Модели — эксперты в shell, им не нужны пересказы структуры папок.
@DegenCoding
🔥2
Claude подписка вместо API для Mastra-агентов
Залил PoC: агент на базе Mastra и Claude Code, работающий на подписке Claude Max/Pro — без единого цента на API. Это пример — можно и нужно создавать своих агентов и использовать их под свои задачи.
🐺 Как это работает:
CLIProxyAPI оборачивает OAuth-токен подписки в OpenAI-совместимый эндпоинт. Mastra подключается к нему как к обычному провайдеру — и всё работает: стриминг, tools, memory.
Что внутри:
— Working memory — агент сам запоминает факты о тебе между сессиями
— Semantic recall — vector search по истории сообщений (эмбеддинги локальные, через fastembed)
— MCP tools — агент использует Claude Code CLI как набор инструментов (чтение файлов, терминал, поиск по коду)
— Observability — трейсы всех вызовов через Mastra Studio
Всё хранится локально в одном SQLite-файле. Никаких внешних сервисов кроме самого Claude.
Mastra Studio — это встроенный UI для дебага агентов, не фронтенд приложения. Чтобы построить своё приложение — добавляешь в проект Next.js и подключаешь
😮 Бонус: в репо уже лежат настроенные skills и MCP для Claude Code, полезные при разработке агентов — AI SDK skills, Mastra skills и Mastra MCP. Клонируешь репо, открываешь в Claude Code — и он сразу понимает контекст стека.
Зачем:
API-ключ Anthropic стоит денег за каждый токен. Подписка Max — фиксированная цена. Если ты уже платишь за подписку — зачем платить дважды, чтобы создавать полноценных AI-агентов через лучшую библиотеку, заточенную именно под это?
Понятно, что это серая зона по ToS — Anthropic официально не одобряет сторонние прокси для OAuth. Для личных экспериментов работает, для прода — на свой риск.
Пошаговая документация для поднятия проекта лежит в
🚬 Репо для скачивания
👅 Документация просто дайте её вашему claude code и он всё запустит
——
Отличный повод перечитать мою серию постов по mastra ai
Пост 1 - Что такое агенты
Пост 2 - Tools и MCP
Пост 3 - Память часть 1
Пост 4 - Память часть 2
Пост 5 - Workflows
Пост 6 - Observability и Scorers
PS: в прикреплённой картинке - сама mastra studio.
DegenCoding подписаться.
Залил PoC: агент на базе Mastra и Claude Code, работающий на подписке Claude Max/Pro — без единого цента на API. Это пример — можно и нужно создавать своих агентов и использовать их под свои задачи.
CLIProxyAPI оборачивает OAuth-токен подписки в OpenAI-совместимый эндпоинт. Mastra подключается к нему как к обычному провайдеру — и всё работает: стриминг, tools, memory.
Что внутри:
— Working memory — агент сам запоминает факты о тебе между сессиями
— Semantic recall — vector search по истории сообщений (эмбеддинги локальные, через fastembed)
— MCP tools — агент использует Claude Code CLI как набор инструментов (чтение файлов, терминал, поиск по коду)
— Observability — трейсы всех вызовов через Mastra Studio
Всё хранится локально в одном SQLite-файле. Никаких внешних сервисов кроме самого Claude.
Mastra Studio — это встроенный UI для дебага агентов, не фронтенд приложения. Чтобы построить своё приложение — добавляешь в проект Next.js и подключаешь
@mastra/client-js — клиентскую библиотеку для взаимодействия с Mastra-сервером (стриминг, управление тредами, работа с памятью).Зачем:
API-ключ Anthropic стоит денег за каждый токен. Подписка Max — фиксированная цена. Если ты уже платишь за подписку — зачем платить дважды, чтобы создавать полноценных AI-агентов через лучшую библиотеку, заточенную именно под это?
Понятно, что это серая зона по ToS — Anthropic официально не одобряет сторонние прокси для OAuth. Для личных экспериментов работает, для прода — на свой риск.
Пошаговая документация для поднятия проекта лежит в
/docs — от установки до troubleshooting.——
Отличный повод перечитать мою серию постов по mastra ai
Пост 1 - Что такое агенты
Пост 2 - Tools и MCP
Пост 3 - Память часть 1
Пост 4 - Память часть 2
Пост 5 - Workflows
Пост 6 - Observability и Scorers
PS: в прикреплённой картинке - сама mastra studio.
DegenCoding подписаться.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤3👍1