reverse-SynthID
Это инструмент для обратного инжиниринга технологии SynthID от Google DeepMind, предназначенной для встраивания невидимых водяных знаков в контент, сгенерированный искусственным интеллектом.
Программа анализирует изображения, помеченные SynthID, и пытается извлечь или удалить встроенные водяные знаки, делая их недоступными для обнаружения.
📁 Language: #Python 100.0%
⭐️ Stars: 522
➡️ Cсылка на GitHub
📱 @git_developer
Это инструмент для обратного инжиниринга технологии SynthID от Google DeepMind, предназначенной для встраивания невидимых водяных знаков в контент, сгенерированный искусственным интеллектом.
Программа анализирует изображения, помеченные SynthID, и пытается извлечь или удалить встроенные водяные знаки, делая их недоступными для обнаружения.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3
Hermes HUD
При использовании AI-агентов в работе самая раздражающая вещь — это отсутствие понимания, что происходит у них «внутри»: что они запомнили, на каком шаге находится задача — всё как чёрный ящик.
Недавно наткнулся на проект Hermes HUD на GitHub. Он даёт агентам дашборд, который визуализирует их память, развитие и операционное состояние — всё наглядно.
Сделан специально для Hermes-агентов: читает данные агента в реальном времени и отображает их в 9 вкладках по разным аспектам. Открываешь — и сразу видно реальное состояние агента.
Также есть логирование ошибок: фиксируется каждая ошибка агента и то, чему он на ней «научился».
Можно делать сравнение snapshot’ов роста — смотреть, что изменилось у агента со вчера на сегодня. Есть трекинг проектов, мониторинг запланированных задач и проверка runtime-состояния.
В комплекте 4 киберпанк-темы — в терминале выглядит довольно эффектно. Поддерживаются macOS и Linux: достаточно склонировать репозиторий и настроить.
Если используешь Hermes-агентов и хочешь в любой момент видеть их полную операционную картину — этот дашборд стоит поставить.
📁 Language: #Python 99.7%
⭐️ Stars: 309
➡️ Cсылка на GitHub
📱 @git_developer
При использовании AI-агентов в работе самая раздражающая вещь — это отсутствие понимания, что происходит у них «внутри»: что они запомнили, на каком шаге находится задача — всё как чёрный ящик.
Недавно наткнулся на проект Hermes HUD на GitHub. Он даёт агентам дашборд, который визуализирует их память, развитие и операционное состояние — всё наглядно.
Сделан специально для Hermes-агентов: читает данные агента в реальном времени и отображает их в 9 вкладках по разным аспектам. Открываешь — и сразу видно реальное состояние агента.
Также есть логирование ошибок: фиксируется каждая ошибка агента и то, чему он на ней «научился».
Можно делать сравнение snapshot’ов роста — смотреть, что изменилось у агента со вчера на сегодня. Есть трекинг проектов, мониторинг запланированных задач и проверка runtime-состояния.
В комплекте 4 киберпанк-темы — в терминале выглядит довольно эффектно. Поддерживаются macOS и Linux: достаточно склонировать репозиторий и настроить.
Если используешь Hermes-агентов и хочешь в любой момент видеть их полную операционную картину — этот дашборд стоит поставить.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍3
This media is not supported in your browser
VIEW IN TELEGRAM
AgentHandover
Используя AI-агентов для выполнения задач, я хочу выстроить общую структуру своего workflow и создать Skill, чтобы агент «обучался» нашим процессам.
Я наткнулся на проект AgentHandover, который автоматически дистиллирует рабочие процессы в «skill manuals», которые AI-агенты могут напрямую исполнять, наблюдая за реальными действиями пользователя на Mac.
Достаточно просто работать как обычно — инструмент в фоне выявляет повторяющиеся процессы и автоматически генерирует полноценную документацию навыков: шаги, стратегии, логику принятия решений и даже ваш стиль написания.
Что ещё важнее — эти навыки не «застывают» после создания: агент пересматривает и оптимизирует Skill после каждого выполнения, делая его точнее с каждым использованием.
Все данные обрабатываются локально, скриншоты удаляются после аннотации, пароли и ключи автоматически маскируются, также есть интеграция в один клик с популярными инструментами вроде Claude Code и Codex.
Если у вас много повторяющихся задач в повседневной работе, которые вы хотите делегировать агенту, но не хотите каждый раз вручную описывать workflow — на этот инструмент стоит обратить внимание.
📁 Language: #Python 75.1%
⭐️ Stars: 521
➡️ Cсылка на GitHub
📱 @git_developer
Используя AI-агентов для выполнения задач, я хочу выстроить общую структуру своего workflow и создать Skill, чтобы агент «обучался» нашим процессам.
Я наткнулся на проект AgentHandover, который автоматически дистиллирует рабочие процессы в «skill manuals», которые AI-агенты могут напрямую исполнять, наблюдая за реальными действиями пользователя на Mac.
Достаточно просто работать как обычно — инструмент в фоне выявляет повторяющиеся процессы и автоматически генерирует полноценную документацию навыков: шаги, стратегии, логику принятия решений и даже ваш стиль написания.
Что ещё важнее — эти навыки не «застывают» после создания: агент пересматривает и оптимизирует Skill после каждого выполнения, делая его точнее с каждым использованием.
Все данные обрабатываются локально, скриншоты удаляются после аннотации, пароли и ключи автоматически маскируются, также есть интеграция в один клик с популярными инструментами вроде Claude Code и Codex.
Если у вас много повторяющихся задач в повседневной работе, которые вы хотите делегировать агенту, но не хотите каждый раз вручную описывать workflow — на этот инструмент стоит обратить внимание.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍2🔥1
ATLAS
Написание кода с использованием локальных больших моделей приводит к нестабильному качеству вывода, из-за чего требуется многократная отладка и доработка — это неудобно и в итоге менее эффективно, чем просто вызывать API напрямую.
Open-source проект ATLAS предлагает интересный подход: вместо fine-tuning модели он оборачивает её в интеллектуальный пайплайн, позволяя локальным малым моделям генерировать код высокого качества.
Он автоматически генерирует несколько кандидатных решений, валидирует их через sandboxing и механизмы самовосстановления, итеративно отбирая оптимальный вариант, при этом весь процесс полностью выполняется офлайн, а данные остаются на локальной машине.
Даже на потребительской видеокарте с 16 ГБ VRAM он достигает производительности в задачах кодинга, близкой к передовым API-моделям.
Также он предоставляет интерактивный инструмент командной строки: достаточно ввести команду в директории проекта, чтобы начать работу — сложная логика автоматически запускает полный пайплайн, а простые файлы генерируются за секунды.
Если вы хотите запускать надёжного AI-ассистента для кодинга локально, без зависимости от облачных API и оплаты токенов, на этот проект стоит обратить внимание.
📁 Language: #Python 81.4%
⭐️ Stars: 1.8k
➡️ Cсылка на GitHub
📱 @git_developer
Написание кода с использованием локальных больших моделей приводит к нестабильному качеству вывода, из-за чего требуется многократная отладка и доработка — это неудобно и в итоге менее эффективно, чем просто вызывать API напрямую.
Open-source проект ATLAS предлагает интересный подход: вместо fine-tuning модели он оборачивает её в интеллектуальный пайплайн, позволяя локальным малым моделям генерировать код высокого качества.
Он автоматически генерирует несколько кандидатных решений, валидирует их через sandboxing и механизмы самовосстановления, итеративно отбирая оптимальный вариант, при этом весь процесс полностью выполняется офлайн, а данные остаются на локальной машине.
Даже на потребительской видеокарте с 16 ГБ VRAM он достигает производительности в задачах кодинга, близкой к передовым API-моделям.
Также он предоставляет интерактивный инструмент командной строки: достаточно ввести команду в директории проекта, чтобы начать работу — сложная логика автоматически запускает полный пайплайн, а простые файлы генерируются за секунды.
Если вы хотите запускать надёжного AI-ассистента для кодинга локально, без зависимости от облачных API и оплаты токенов, на этот проект стоит обратить внимание.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🏆4❤3
graphify
Использование AI для помощи в программировании — когда проект разрастается, это превращается в головную боль: зависимости между частями кода, нюансы архитектурных решений — простым пролистыванием файлов уже не разобраться.
Можно попробовать open-source проект graphify — он автоматически превращает весь кодбейс в граф знаний, позволяя AI-ассистентам реально «понимать» структуру проекта.
Достаточно ввести одну команду в популярных AI-инструментах для разработки, таких как Claude Code, Cursor, Gemini CLI — и он генерирует интерактивные графы знаний, архитектурные отчёты и файлы с возможностью запросов.
Это не только про код — можно загружать PDF-документы, скриншоты, фото с доски, даже видео и аудио — система автоматически извлекает сущности и связи, объединяя всё в единый граф.
Для кода используется локальный парсинг синтаксического дерева, без отправки данных в облако, поддерживается 20 языков программирования.
При выполнении запросов экономия достигает более чем в 70 раз по сравнению с прямым чтением сырых файлов, а последующие запросы после одного прогона практически не требуют затрат.
Если ваш проект растёт, файлов становится всё больше, и вы хотите, чтобы AI-ассистент перестал «гадать вслепую», это стоит попробовать.
📁 Language: #Python 100.0%
⭐️ Stars: 22.4k
➡️ Cсылка на GitHub
📱 @git_developer
Использование AI для помощи в программировании — когда проект разрастается, это превращается в головную боль: зависимости между частями кода, нюансы архитектурных решений — простым пролистыванием файлов уже не разобраться.
Можно попробовать open-source проект graphify — он автоматически превращает весь кодбейс в граф знаний, позволяя AI-ассистентам реально «понимать» структуру проекта.
Достаточно ввести одну команду в популярных AI-инструментах для разработки, таких как Claude Code, Cursor, Gemini CLI — и он генерирует интерактивные графы знаний, архитектурные отчёты и файлы с возможностью запросов.
Это не только про код — можно загружать PDF-документы, скриншоты, фото с доски, даже видео и аудио — система автоматически извлекает сущности и связи, объединяя всё в единый граф.
Для кода используется локальный парсинг синтаксического дерева, без отправки данных в облако, поддерживается 20 языков программирования.
При выполнении запросов экономия достигает более чем в 70 раз по сравнению с прямым чтением сырых файлов, а последующие запросы после одного прогона практически не требуют затрат.
Если ваш проект растёт, файлов становится всё больше, и вы хотите, чтобы AI-ассистент перестал «гадать вслепую», это стоит попробовать.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2🌭1
MathCode
Я хочу использовать ИИ для формальных доказательств математических теорем, но большинство инструментов этого не поддерживают, а собрать собственный воркфлоу с нуля — очень высокий порог входа.
Случайно наткнулся на опенсорс-проект под названием MathCode. Он принимает описание математической задачи на естественном языке и автоматически конвертирует его в теоремы для Lean 4, после чего пытается завершить формальное доказательство.
Проще говоря, это ассистент для доказательства теорем прямо в терминале. Вводишь фразу вроде «Докажи, что квадрат чётного числа — чётный», и он сам проходит весь пайплайн: от формализации до доказательства.
Также есть интеграция с Lean LSP, которая позволяет автоматически подтягивать существующие леммы из библиотеки Mathlib для помощи в доказательствах. Если возникают ошибки компиляции, система автоматически их исправляет и делает ретраи, до десяти итераций.
Поддерживается генерация графов знаний в Obsidian для визуализации зависимостей между теоремами и леммами. Есть параллельный запуск нескольких планировщиков, чтобы одновременно прогонять разные стратегии доказательства и находить оптимальное решение.
Если интересна формальная верификация математики или вы используете Lean 4 и считаете ручной процесс слишком трудоёмким, этот инструмент стоит попробовать.
📁 Language: #Python 52.7%
⭐️ Stars: 402
➡️ Cсылка на GitHub
📱 @git_developer
Я хочу использовать ИИ для формальных доказательств математических теорем, но большинство инструментов этого не поддерживают, а собрать собственный воркфлоу с нуля — очень высокий порог входа.
Случайно наткнулся на опенсорс-проект под названием MathCode. Он принимает описание математической задачи на естественном языке и автоматически конвертирует его в теоремы для Lean 4, после чего пытается завершить формальное доказательство.
Проще говоря, это ассистент для доказательства теорем прямо в терминале. Вводишь фразу вроде «Докажи, что квадрат чётного числа — чётный», и он сам проходит весь пайплайн: от формализации до доказательства.
Также есть интеграция с Lean LSP, которая позволяет автоматически подтягивать существующие леммы из библиотеки Mathlib для помощи в доказательствах. Если возникают ошибки компиляции, система автоматически их исправляет и делает ретраи, до десяти итераций.
Поддерживается генерация графов знаний в Obsidian для визуализации зависимостей между теоремами и леммами. Есть параллельный запуск нескольких планировщиков, чтобы одновременно прогонять разные стратегии доказательства и находить оптимальное решение.
Если интересна формальная верификация математики или вы используете Lean 4 и считаете ручной процесс слишком трудоёмким, этот инструмент стоит попробовать.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍2