MiniMax выкатила M3 — coding‑модель под длинные агентные сессии, а не просто очередной чат для автокомплита.
⠀
Главное: M3 поддерживает контекст до 1 млн токенов через новую архитектуру MiniMax Sparse Attention. Модель мультимодальная: работает с текстом, изображениями, видео и computer use. В API, AI Arena и MiniMax Code она уже доступна, а веса и технический отчёт MiniMax обещает выложить в течение 10 дней.
Хорошая замена для рабочей лошадки MiniMax 2.7. И тоже есть high speed режим, только не забудьте включить reasoning high, чтобы увеличить лимит токенов по каждому обращению.
⠀
По таблице бенчмарков выглядит сильно. MiniMax заявляет 59.0% на SWE-Bench Pro, 66.0% на Terminal-Bench 2.1, 80.5% на SWE-Bench Verified. На SWE-Bench Pro M3, MiniMax пишет, обходит GPT-5.5 и Gemini 3.1 Pro, но уступает Claude Opus 4.7. В SVG-Bench M3 уже выше Opus 4.7.
⠀
С этими цифрами хочется кричать «новый лидер рынка». Но это внутренние тесты MiniMax, часть сравнений неполная, у некоторых моделей в таблице стоят прочерки. Но китайская лаборатория вытащила coding‑модель в диапазон топовых закрытых систем и сразу упаковывает её в агентный продукт.
⠀
MiniMax Code теперь построен вокруг M3. Там есть Agent Team: модель делит большую задачу на параллельные подзадачи, запускает субагентов, проверяет результат и корректирует план по ходу работы. Это уже ближе к «агент ведёт проект», чем к «модель пишет функцию по промпту».
⠀
В релизе MiniMax приводит два показательных сценария. В первом M3 почти 12 часов автономно воспроизводила исследовательскую работу ICLR 2025 про finetuning dynamics, сделала 18 коммитов и 23 экспериментальные фигуры. Во втором 24 часа оптимизировала FP8 GEMM kernel под Nvidia Hopper: 147 benchmark submissions и 1959 tool calls.
⠀
Это тот класс задач, где обычный coding‑чат ломается. Нужна длинная память, умение держать логи/код/статью/ошибки в одном контексте, плюс привычка не останавливаться после первого неудачного запуска.
⠀
Если веса реально откроют в ближайшие дни, M3 станет интересной не только как API‑модель, но и как база для локальных/частных coding‑агентов. Особенно если MSA даст обещанную экономику длинного контекста: MiniMax пишет, что на 1M context per-token compute примерно в 20 раз ниже, чем у предыдущего поколения.
⠀
Слабые места: независимых прогонов пока мало, методика бенчей частично внутренняя, веса ещё не опубликованы. Релиз всё равно выглядит хорошо: MiniMax догоняет чат‑модели и одновременно собирает связку «модель + агентный coding‑инструмент + длинный контекст + computer use».
Я использую MiniMax на множестве задач, не требующих GPT. В частности, бот нашего воркшопа работает на этой модели и все мои кроны на основном боте. Лимиты за 40 долларов просто бездонные. Поделюсь результатами в ближайшие дни.
🧩 📣 🔥 💡 🪄
⠀
Источник: https://www.minimax.io/blog/minimax-m3
Инструменты и кейсы: @human20
Внедрение: human20.app
⠀
Главное: M3 поддерживает контекст до 1 млн токенов через новую архитектуру MiniMax Sparse Attention. Модель мультимодальная: работает с текстом, изображениями, видео и computer use. В API, AI Arena и MiniMax Code она уже доступна, а веса и технический отчёт MiniMax обещает выложить в течение 10 дней.
Хорошая замена для рабочей лошадки MiniMax 2.7. И тоже есть high speed режим, только не забудьте включить reasoning high, чтобы увеличить лимит токенов по каждому обращению.
⠀
По таблице бенчмарков выглядит сильно. MiniMax заявляет 59.0% на SWE-Bench Pro, 66.0% на Terminal-Bench 2.1, 80.5% на SWE-Bench Verified. На SWE-Bench Pro M3, MiniMax пишет, обходит GPT-5.5 и Gemini 3.1 Pro, но уступает Claude Opus 4.7. В SVG-Bench M3 уже выше Opus 4.7.
⠀
С этими цифрами хочется кричать «новый лидер рынка». Но это внутренние тесты MiniMax, часть сравнений неполная, у некоторых моделей в таблице стоят прочерки. Но китайская лаборатория вытащила coding‑модель в диапазон топовых закрытых систем и сразу упаковывает её в агентный продукт.
⠀
MiniMax Code теперь построен вокруг M3. Там есть Agent Team: модель делит большую задачу на параллельные подзадачи, запускает субагентов, проверяет результат и корректирует план по ходу работы. Это уже ближе к «агент ведёт проект», чем к «модель пишет функцию по промпту».
⠀
В релизе MiniMax приводит два показательных сценария. В первом M3 почти 12 часов автономно воспроизводила исследовательскую работу ICLR 2025 про finetuning dynamics, сделала 18 коммитов и 23 экспериментальные фигуры. Во втором 24 часа оптимизировала FP8 GEMM kernel под Nvidia Hopper: 147 benchmark submissions и 1959 tool calls.
⠀
Это тот класс задач, где обычный coding‑чат ломается. Нужна длинная память, умение держать логи/код/статью/ошибки в одном контексте, плюс привычка не останавливаться после первого неудачного запуска.
⠀
Если веса реально откроют в ближайшие дни, M3 станет интересной не только как API‑модель, но и как база для локальных/частных coding‑агентов. Особенно если MSA даст обещанную экономику длинного контекста: MiniMax пишет, что на 1M context per-token compute примерно в 20 раз ниже, чем у предыдущего поколения.
⠀
Слабые места: независимых прогонов пока мало, методика бенчей частично внутренняя, веса ещё не опубликованы. Релиз всё равно выглядит хорошо: MiniMax догоняет чат‑модели и одновременно собирает связку «модель + агентный coding‑инструмент + длинный контекст + computer use».
Я использую MiniMax на множестве задач, не требующих GPT. В частности, бот нашего воркшопа работает на этой модели и все мои кроны на основном боте. Лимиты за 40 долларов просто бездонные. Поделюсь результатами в ближайшие дни.
⠀
Источник: https://www.minimax.io/blog/minimax-m3
Инструменты и кейсы: @human20
Внедрение: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3
Hy‑Memory: Tencent делает память агента похожей на рабочую модель пользователя
⠀
Tencent выпустил Hy‑Memory для OpenClaw. Это плагин долгосрочной памяти для агентов, которым надо жить с одним человеком неделями, а не каждый раз начинать разговор с нуля.
⠀
Проблема старых memory‑решений: агент складывает куски диалогов в базу, ищет похожее по эмбеддингам и подсовывает в контекст. Сначала это выглядит полезно. Через время внутри накапливаются дубли, старые предпочтения, случайные фразы и мусорные факты.
⠀
Hy‑Memory пытается чинить именно это. У него память разложена на 6 уровней:
┈ L1: сырой след разговора
┈ L2: атомарный факт
┈ L3: профиль пользователя
┈ L4: сводка сессии
┈ L5: модель мышления или привычный паттерн
┈ L6: будущие намерения
⠀
Человеческим языком: агент хранит не только фразу пользователя, но и то, во что эта фраза со временем превратилась. Случайная реплика остаётся внизу. Повторяющаяся привычка поднимается выше. Старый конфликт должен погаснуть, когда появляется новое поведение.
⠀
Вторая часть архитектуры — System1 и System2. System1 работает во время диалога: быстро пишет следы, факты, профиль и сводку. System2 работает в фоне: пересматривает старые куски, склеивает повторы, обновляет картину пользователя и поднимает устойчивые паттерны.
⠀
Вот где Hy‑Memory отличается от обычного RAG. RAG хорошо достаёт похожий текст. Hy‑Memory пытается решать другую задачу: какую память сохранить, какую сжать, какую обновить, какую поднять из факта в профиль.
⠀
Давайте сравним популярным решением Cognee. Этот продукт силён как company brain: документы, решения, workflow, граф связей, remember / recall / forget / improve. Это хорошая память для знаний и командной базы. Но при этом Hy‑Memory сильнее выглядит в личном агенте, где важны привычки, предпочтения, изменения в решениях пользователя и долгие отношения с одним оператором — хозяином агента.
⠀
С Graphiti история похожая. Graphiti строит temporal knowledge graph: факты, связи, время действия, что было верно раньше и что верно сейчас. Hy‑Memory берёт более прикладной агентский угол: быстрый путь во время разговора, фоновая переработка, уровни от сырого следа до будущего намерения и готовая интеграция в OpenClaw.
⠀
OpenMemory ближе по духу: self‑hosted память, типы memories, объяснимый recall, MCP и интеграции. Но сам README сейчас предупреждает, что проект переписывается. Hy‑Memory выглядит уже как более собранная архитектура под долгие сессии агента с человеком.
⠀
Цифры Tencent тоже про это. На LongMemEval заявлено 85.20%, на PersonaMem — 76.91%, победа в 13 из 13 типов задач. По PersonaMem запись у Hy‑Memory занимает 12.3 s/k tokens против 97.8 у Graphiti, то есть почти в 8 раз быстрее.
⠀
Среднее число memories на пользователя: 82.3 против 309.8 у mem0 и 362.3 у Graphiti. Это на 73% меньше, чем у mem0, и на 77% меньше, чем у Graphiti. Плотность одной memory: 130.5 токена против 52 у mem0 и 89.2 у Graphiti.
⠀
Для агента это сильная заявка. Хорошая память должна хранить меньше записей, но доставать более точные. Иначе агент через месяц превращается в дом с забитым чердаком: вроде всё где‑то лежит, но найти правильное в нужный момент сложно.
⠀
Размер контекстного окна имеет всё меньше значения. На первый план выходит то, у кого память лучше обновляет модель пользователя: без дублей, старого мусора и вечного «напомни, что мы решили».
⠀
Да, кстати, в Hermes эта память тоже встанет без проблем.
🧱 🔧 🧬 📈 💎 🟣 🟢
⠀
Hy‑Memory: https://memory.hunyuan.tencent.com
OpenClaw docs: https://memory.hunyuan.tencent.com/openclaw/
Cognee: https://github.com/topoteretes/cognee
OpenMemory: https://github.com/CaviraOSS/OpenMemory
ИИ без лишнего шума: @human20
Практика: human20.app
⠀
Tencent выпустил Hy‑Memory для OpenClaw. Это плагин долгосрочной памяти для агентов, которым надо жить с одним человеком неделями, а не каждый раз начинать разговор с нуля.
⠀
Проблема старых memory‑решений: агент складывает куски диалогов в базу, ищет похожее по эмбеддингам и подсовывает в контекст. Сначала это выглядит полезно. Через время внутри накапливаются дубли, старые предпочтения, случайные фразы и мусорные факты.
⠀
Hy‑Memory пытается чинить именно это. У него память разложена на 6 уровней:
┈ L1: сырой след разговора
┈ L2: атомарный факт
┈ L3: профиль пользователя
┈ L4: сводка сессии
┈ L5: модель мышления или привычный паттерн
┈ L6: будущие намерения
⠀
Человеческим языком: агент хранит не только фразу пользователя, но и то, во что эта фраза со временем превратилась. Случайная реплика остаётся внизу. Повторяющаяся привычка поднимается выше. Старый конфликт должен погаснуть, когда появляется новое поведение.
⠀
Вторая часть архитектуры — System1 и System2. System1 работает во время диалога: быстро пишет следы, факты, профиль и сводку. System2 работает в фоне: пересматривает старые куски, склеивает повторы, обновляет картину пользователя и поднимает устойчивые паттерны.
⠀
Вот где Hy‑Memory отличается от обычного RAG. RAG хорошо достаёт похожий текст. Hy‑Memory пытается решать другую задачу: какую память сохранить, какую сжать, какую обновить, какую поднять из факта в профиль.
⠀
Давайте сравним популярным решением Cognee. Этот продукт силён как company brain: документы, решения, workflow, граф связей, remember / recall / forget / improve. Это хорошая память для знаний и командной базы. Но при этом Hy‑Memory сильнее выглядит в личном агенте, где важны привычки, предпочтения, изменения в решениях пользователя и долгие отношения с одним оператором — хозяином агента.
⠀
С Graphiti история похожая. Graphiti строит temporal knowledge graph: факты, связи, время действия, что было верно раньше и что верно сейчас. Hy‑Memory берёт более прикладной агентский угол: быстрый путь во время разговора, фоновая переработка, уровни от сырого следа до будущего намерения и готовая интеграция в OpenClaw.
⠀
OpenMemory ближе по духу: self‑hosted память, типы memories, объяснимый recall, MCP и интеграции. Но сам README сейчас предупреждает, что проект переписывается. Hy‑Memory выглядит уже как более собранная архитектура под долгие сессии агента с человеком.
⠀
Цифры Tencent тоже про это. На LongMemEval заявлено 85.20%, на PersonaMem — 76.91%, победа в 13 из 13 типов задач. По PersonaMem запись у Hy‑Memory занимает 12.3 s/k tokens против 97.8 у Graphiti, то есть почти в 8 раз быстрее.
⠀
Среднее число memories на пользователя: 82.3 против 309.8 у mem0 и 362.3 у Graphiti. Это на 73% меньше, чем у mem0, и на 77% меньше, чем у Graphiti. Плотность одной memory: 130.5 токена против 52 у mem0 и 89.2 у Graphiti.
⠀
Для агента это сильная заявка. Хорошая память должна хранить меньше записей, но доставать более точные. Иначе агент через месяц превращается в дом с забитым чердаком: вроде всё где‑то лежит, но найти правильное в нужный момент сложно.
⠀
Размер контекстного окна имеет всё меньше значения. На первый план выходит то, у кого память лучше обновляет модель пользователя: без дублей, старого мусора и вечного «напомни, что мы решили».
⠀
Да, кстати, в Hermes эта память тоже встанет без проблем.
⠀
Hy‑Memory: https://memory.hunyuan.tencent.com
OpenClaw docs: https://memory.hunyuan.tencent.com/openclaw/
Cognee: https://github.com/topoteretes/cognee
OpenMemory: https://github.com/CaviraOSS/OpenMemory
ИИ без лишнего шума: @human20
Практика: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
AutoHedge упаковывает «хедж‑фонд» в CLI‑агента
⠀
The Swarm Corporation выложила AutoHedge: Python‑пакет, который работает, как автономный агентский хедж‑фонд. В README формулировка: анализ рынка, риск‑менеджмент и исполнение сделок с минимальным участием человека.
⠀
Если отбросить кричащий маркетинг, внутри интересная заготовка: один директор‑агент получает задачу и раздаёт её специализированным агентам.
⠀
┈ Director Agent: формирует торговую гипотезу
┈ Quant Agent: смотрит технику, статистику, волатильность и уровни
┈ Sentiment Agent: ищет новости и контекст через Exa
┈ Risk Manager: считает размер позиции, drawdown и общий риск
┈ Execution Agent: готовит параметры сделки: тип ордера, вход, стоп, тейк, размер
⠀
Пользовательский вход выглядит почти как обычный CLI: ставишь
⠀
Самая крутая часть лежит в Solana‑интеграции. В пакете есть инструменты под Jupiter: поиск токенов, получение цен, создание Ultra‑order, подписание транзакции и отправка сделки. README пишет, что сейчас поддержан Solana, Coinbase и другие площадки стоят в roadmap.
⠀
Здесь нельзя верить на слово. По коду AutoHedge сейчас ближе к раннему каркасу для агентского трейдинга, чем к готовому фонду. Основной путь
⠀
Зачем тогда смотреть? Потому что AutoHedge хорошо показывает, куда едут агентские финтех‑репозитории. Вместо одиночной торговой подсказки появляется цепочка ролей: гипотеза → анализ → риск → параметры сделки → потенциальное исполнение через биржевой API.
⠀
Пока это нельзя воспринимать как безопасный автотрейдинг. Но как шаблон для research‑sandbox, paper trading и сборки собственного риск‑контура вокруг LLM‑агентов — материал живой.
Но взять за основу и допилить для себя — для этого и придумали опенсорс.
📊 💹 🧮 💰 🪙 🏦 ⚙ 📉 💵
⠀
GitHub: https://github.com/The-Swarm-Corporation/AutoHedge
ИИ для работы: @human20
Среда: human20.app
⠀
The Swarm Corporation выложила AutoHedge: Python‑пакет, который работает, как автономный агентский хедж‑фонд. В README формулировка: анализ рынка, риск‑менеджмент и исполнение сделок с минимальным участием человека.
⠀
Если отбросить кричащий маркетинг, внутри интересная заготовка: один директор‑агент получает задачу и раздаёт её специализированным агентам.
⠀
┈ Director Agent: формирует торговую гипотезу
┈ Quant Agent: смотрит технику, статистику, волатильность и уровни
┈ Sentiment Agent: ищет новости и контекст через Exa
┈ Risk Manager: считает размер позиции, drawdown и общий риск
┈ Execution Agent: готовит параметры сделки: тип ордера, вход, стоп, тейк, размер
⠀
Пользовательский вход выглядит почти как обычный CLI: ставишь
pip install -U autohedge, запускаешь autohedge, пишешь задачу вроде «Analyze NVDA for 50k allocation» — дальше агентская цепочка должна собрать торговый разбор.⠀
Самая крутая часть лежит в Solana‑интеграции. В пакете есть инструменты под Jupiter: поиск токенов, получение цен, создание Ultra‑order, подписание транзакции и отправка сделки. README пишет, что сейчас поддержан Solana, Coinbase и другие площадки стоят в roadmap.
⠀
Здесь нельзя верить на слово. По коду AutoHedge сейчас ближе к раннему каркасу для агентского трейдинга, чем к готовому фонду. Основной путь
AutoHedge().run(task) гонит задачу через director_agent и возвращает сообщения. Инструменты Jupiter в пакете есть, но в workers.py они не выглядят явно пришитыми к агентской цепочке исполнения.⠀
Зачем тогда смотреть? Потому что AutoHedge хорошо показывает, куда едут агентские финтех‑репозитории. Вместо одиночной торговой подсказки появляется цепочка ролей: гипотеза → анализ → риск → параметры сделки → потенциальное исполнение через биржевой API.
⠀
Пока это нельзя воспринимать как безопасный автотрейдинг. Но как шаблон для research‑sandbox, paper trading и сборки собственного риск‑контура вокруг LLM‑агентов — материал живой.
Но взять за основу и допилить для себя — для этого и придумали опенсорс.
⠀
GitHub: https://github.com/The-Swarm-Corporation/AutoHedge
ИИ для работы: @human20
Среда: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
Vibe‑Trading собирает агентский терминал для рынка
⠀
HKUDS выложили Vibe‑Trading: open‑source рабочее место для финансового ресёрча, бэктестов и агентских команд. Репозиторий на Python, лицензия MIT, пакет в PyPI называется
⠀
На фоне AutoHedge разница большая. AutoHedge выглядел как ранняя цепочка «директор → квант → риск → исполнение». Vibe‑Trading уже похож на полноценный терминал: CLI, Web UI, FastAPI, MCP‑сервер, память, swarm‑режим, факторная библиотека, бэктесты и брокерские коннекторы.
⠀
Что внутри по README:
┈ 77 финансовых skills
┈ 29 swarm‑пресетов
┈ 452 готовых альфы в Alpha Zoo
⠀
Плюс 7 рыночных источников: yfinance, OKX, AKShare, Tushare, CCXT, Futu, mootdx.
⠀
MCP‑часть делает проект полезным в чужих агентских средах. Vibe‑Trading отдаёт наружу 36 инструментов:
⠀
Что умеет Vibe‑Trading: пишешь
⠀
Самая живая фича — Shadow Account. Ты загружаешь брокерский экспорт, Vibe‑Trading разбирает твои сделки, считает holding days, win rate, drawdown, disposition effect, overtrading, chasing, anchoring, потом вытаскивает 3–5 правил и гоняет их через бэктест.
⠀
Для трейдера это зеркало дисциплины. Система показывает, где твоя фактическая торговля расходилась с твоими же правилами: ранние выходы, пропущенные входы, лишние сделки, слабые места дисциплины.
⠀
С live trading авторы двигаются аккуратно. README пишет, что проект не хранит деньги: брокер держит счёт и исполняет операции. IBKR подключается через локальный TWS / IB Gateway read‑only профиль. Robinhood Agentic Trading идёт через OAuth, mandate, order guard, audit ledger и instant halt.
⠀
Статус у проекта бодрый: создан в апреле, сейчас 9335 звёзд и 1916 forks. Для двух месяцев жизни темп бешеный, но воспринимать это как готовую машину для автотрейдинга всё равно рано.
⠀
Ценность Vibe‑Trading в другом: он заставляет торговую идею пройти через котировки, бэктест, отчёт, ограничения и следы исполнения. Плохую гипотезу он тоже может красиво упаковать, поэтому думать за человека всё равно придётся.
📊 💹 🧮 💰 🪙 🏦 ⚙ 📉 💵
⠀
GitHub: https://github.com/HKUDS/Vibe-Trading
Разборы и инструменты: @human20
Внедрение ИИ: human20.app
⠀
HKUDS выложили Vibe‑Trading: open‑source рабочее место для финансового ресёрча, бэктестов и агентских команд. Репозиторий на Python, лицензия MIT, пакет в PyPI называется
vibe-trading-ai, свежая версия — v0.1.9.⠀
На фоне AutoHedge разница большая. AutoHedge выглядел как ранняя цепочка «директор → квант → риск → исполнение». Vibe‑Trading уже похож на полноценный терминал: CLI, Web UI, FastAPI, MCP‑сервер, память, swarm‑режим, факторная библиотека, бэктесты и брокерские коннекторы.
⠀
Что внутри по README:
┈ 77 финансовых skills
┈ 29 swarm‑пресетов
┈ 452 готовых альфы в Alpha Zoo
⠀
Плюс 7 рыночных источников: yfinance, OKX, AKShare, Tushare, CCXT, Futu, mootdx.
⠀
MCP‑часть делает проект полезным в чужих агентских средах. Vibe‑Trading отдаёт наружу 36 инструментов:
backtest, factor_analysis, get_market_data, analyze_trade_journal, extract_shadow_strategy, run_shadow_backtest, trading_quote, trading_positions и другие. Другой агент получает финансовые операции как инструменты.⠀
Что умеет Vibe‑Trading: пишешь
Backtest a BTC-USDT 20/50 moving-average strategy for 2024, а система должна подтянуть котировки, собрать стратегию, прогнать бэктест, посчитать return/drawdown, добавить benchmark, Monte Carlo, Bootstrap, Walk‑Forward и сохранить run card.⠀
Самая живая фича — Shadow Account. Ты загружаешь брокерский экспорт, Vibe‑Trading разбирает твои сделки, считает holding days, win rate, drawdown, disposition effect, overtrading, chasing, anchoring, потом вытаскивает 3–5 правил и гоняет их через бэктест.
⠀
Для трейдера это зеркало дисциплины. Система показывает, где твоя фактическая торговля расходилась с твоими же правилами: ранние выходы, пропущенные входы, лишние сделки, слабые места дисциплины.
⠀
С live trading авторы двигаются аккуратно. README пишет, что проект не хранит деньги: брокер держит счёт и исполняет операции. IBKR подключается через локальный TWS / IB Gateway read‑only профиль. Robinhood Agentic Trading идёт через OAuth, mandate, order guard, audit ledger и instant halt.
⠀
Статус у проекта бодрый: создан в апреле, сейчас 9335 звёзд и 1916 forks. Для двух месяцев жизни темп бешеный, но воспринимать это как готовую машину для автотрейдинга всё равно рано.
⠀
Ценность Vibe‑Trading в другом: он заставляет торговую идею пройти через котировки, бэктест, отчёт, ограничения и следы исполнения. Плохую гипотезу он тоже может красиво упаковать, поэтому думать за человека всё равно придётся.
⠀
GitHub: https://github.com/HKUDS/Vibe-Trading
Разборы и инструменты: @human20
Внедрение ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
FinceptTerminal собирает open-source Bloomberg на десктопе
⠀
FinceptTerminal пытается собрать на десктопе финансовый терминал, который обычно приходится склеивать из десятка разных мест: котировки в одном окне, графики во втором, портфель у брокера, риск в Python, заметки в отдельном файле.
⠀
Проект написан на C++20 и Qt6, внутри есть встроенный Python для аналитики. Свежий релиз: v4.0.3. Есть сборки для Windows x64, Linux x64 и macOS Apple Silicon.
⠀
После Vibe‑Trading это другой тип инструмента. Vibe‑Trading больше про агентский ресёрч и бэктесты. FinceptTerminal шире: он тащит в один интерфейс рынок, портфель, брокеров, расчёты, LLM‑агентов, MCP и визуальные пайплайны.
⠀
README заявляет 37 ИИ-агентов, 100+ рыночных и макроисточников, 16 брокерских интеграций и 18 QuantLib-модулей. В брокерах есть IBKR, Alpaca, Tradier и Saxo. В QuantLib‑части: pricing, risk, volatility и fixed income.
⠀
Репозиторий не выглядит пустой витриной. В дереве видны MCP client/service, broker modules, Kraken и Hyperliquid,
⠀
В работе: смотришь рынок, собираешь фактор, проверяешь портфель, считаешь риск, запускаешь paper trade и сохраняешь отчёт. Меньше прыжков между брокером, Python‑скриптом, графиками и заметками.
⠀
Финансовый агент тут не болтается отдельно в чате. Он стоит рядом с терминалом, портфелем, расчётами и журналом действий. Для ресёрча это полезнее, чем очередная кнопка «дай идею для сделки».
⠀
С live trading я бы держал холодную голову. У проекта есть paper/live trading, broker modules и trade executor, но безопасность не доказывается строкой в дереве репозитория. Нужны аудит ключей, order lifecycle, риск‑лимиты, логи, отмена ордеров и аварийная остановка.
⠀
По GitHub: репозиторий создан в августе 2024, сейчас 24 956 звёзд и 3 467 forks. Лицензия в README: AGPL-3.0, рядом commercial license.
⠀
FinceptTerminal тянет open-source финтулы из разрозненных API и Jupyter‑скриптов к рабочим станциям, где рынок, код, агенты и исполнение живут в одном интерфейсе.
📊 💹 🧮 💰 🪙 🏦 ⚙ 📉 💵
⠀
GitHub: https://github.com/Fincept-Corporation/FinceptTerminal
Больше разборов: @human20
Среда: human20.app
⠀
FinceptTerminal пытается собрать на десктопе финансовый терминал, который обычно приходится склеивать из десятка разных мест: котировки в одном окне, графики во втором, портфель у брокера, риск в Python, заметки в отдельном файле.
⠀
Проект написан на C++20 и Qt6, внутри есть встроенный Python для аналитики. Свежий релиз: v4.0.3. Есть сборки для Windows x64, Linux x64 и macOS Apple Silicon.
⠀
После Vibe‑Trading это другой тип инструмента. Vibe‑Trading больше про агентский ресёрч и бэктесты. FinceptTerminal шире: он тащит в один интерфейс рынок, портфель, брокеров, расчёты, LLM‑агентов, MCP и визуальные пайплайны.
⠀
README заявляет 37 ИИ-агентов, 100+ рыночных и макроисточников, 16 брокерских интеграций и 18 QuantLib-модулей. В брокерах есть IBKR, Alpaca, Tradier и Saxo. В QuantLib‑части: pricing, risk, volatility и fixed income.
⠀
Репозиторий не выглядит пустой витриной. В дереве видны MCP client/service, broker modules, Kraken и Hyperliquid,
paper_execution, trade_executor, агентские блоки, Qlib, QuantLab и AI Quant Lab.⠀
В работе: смотришь рынок, собираешь фактор, проверяешь портфель, считаешь риск, запускаешь paper trade и сохраняешь отчёт. Меньше прыжков между брокером, Python‑скриптом, графиками и заметками.
⠀
Финансовый агент тут не болтается отдельно в чате. Он стоит рядом с терминалом, портфелем, расчётами и журналом действий. Для ресёрча это полезнее, чем очередная кнопка «дай идею для сделки».
⠀
С live trading я бы держал холодную голову. У проекта есть paper/live trading, broker modules и trade executor, но безопасность не доказывается строкой в дереве репозитория. Нужны аудит ключей, order lifecycle, риск‑лимиты, логи, отмена ордеров и аварийная остановка.
⠀
По GitHub: репозиторий создан в августе 2024, сейчас 24 956 звёзд и 3 467 forks. Лицензия в README: AGPL-3.0, рядом commercial license.
⠀
FinceptTerminal тянет open-source финтулы из разрозненных API и Jupyter‑скриптов к рабочим станциям, где рынок, код, агенты и исполнение живут в одном интерфейсе.
⠀
GitHub: https://github.com/Fincept-Corporation/FinceptTerminal
Больше разборов: @human20
Среда: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Ralphy превращает coding agent в видеопродакшн.
Автор называет alecs5am/ralphy open-source, agent-native CLI for AI video. Проще: Claude Code / Cursor / Codex ведут видеопайплайн, а CLI создаёт проект, выбирает шаблон, вызывает модели и собирает mp4.
Связка:
- OpenRouter для image / video / vision / LLM,
- ElevenLabs для голоса и музыки,
- HyperFrames для HTML+GSAP-композиции, дальше Puppeteer + FFmpeg для рендера.
Контроль производства встроен в сам маршрут. Перед тратами есть dry-run, каждый вызов модели пишет
Внутри ещё agent-native дисциплина: researcher / scenarist / art-director / editor / producer читают playbooks перед действием. Агент получает воспроизводимый repo-процесс для сценария, ассетов, рендера, логов и бюджета.
Репо свежее, CLI сейчас v0.3.0, звёзд пока немного. Это готова dev-инфраструктура для тех, кто готов сам делать автоматический пайплайн для продакшн.
🧱 🔧 🧬 📈 💎 🟣 🟢
GitHub:
https://github.com/alecs5am/ralphy
ИИ для работы: @human20
Среда: human20.app
Автор называет alecs5am/ralphy open-source, agent-native CLI for AI video. Проще: Claude Code / Cursor / Codex ведут видеопайплайн, а CLI создаёт проект, выбирает шаблон, вызывает модели и собирает mp4.
Связка:
- OpenRouter для image / video / vision / LLM,
- ElevenLabs для голоса и музыки,
- HyperFrames для HTML+GSAP-композиции, дальше Puppeteer + FFmpeg для рендера.
Контроль производства встроен в сам маршрут. Перед тратами есть dry-run, каждый вызов модели пишет
generations.jsonl, расходы уходят в cost rollup, падения — в postmortem. README заявляет порядок: ~$8–12 за 30 секунд видео и около 8 минут cold-start.Внутри ещё agent-native дисциплина: researcher / scenarist / art-director / editor / producer читают playbooks перед действием. Агент получает воспроизводимый repo-процесс для сценария, ассетов, рендера, логов и бюджета.
Репо свежее, CLI сейчас v0.3.0, звёзд пока немного. Это готова dev-инфраструктура для тех, кто готов сам делать автоматический пайплайн для продакшн.
GitHub:
https://github.com/alecs5am/ralphy
ИИ для работы: @human20
Среда: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
Microsoft завернул OpenClaw в свой Scout
Microsoft представила Scout — первого агента из категории Autopilots: постоянно включённого исполнителя, который работает в фоне, действует от отдельной идентичности и живёт внутри политик компании.
Формулировка про «убийцу OpenClaw» здесь мимо. В официальном посте Microsoft прямо пишет: Scout powered by OpenClaw open-source technology. Ещё важнее: Microsoft обещает контрибьютить policy conformance обратно в OpenClaw.
База — OpenClaw. Сверху Microsoft докрутила корпоративную оболочку под Microsoft 365: Teams, Outlook, OneDrive, SharePoint, Entra identity, Purview, DLP, Intune и human sign-off для чувствительных действий.
Сценарии пока офисные: назначить встречу, собрать материалы, разобрать email, заблокировать время в календаре, заметить зависшее решение.
Доступ ограниченный: early desktop experience у сотрудников Microsoft, дальше private preview для select customers и Frontier organizations.
Короче: Scout выглядит как Microsoft-дистрибутив OpenClaw для корпоративного мира. Кривой, закрытый политиками, без тележечки, но свой персональный ИИ-агент в M365 они уже собирают.
Сири? Сверчки.
🧩 📣 🔥 💡 🪄
Microsoft:
https://www.microsoft.com/en-us/microsoft-365/blog/2026/06/02/introducing-microsoft-scout-your-always-on-personal-agent/
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Microsoft представила Scout — первого агента из категории Autopilots: постоянно включённого исполнителя, который работает в фоне, действует от отдельной идентичности и живёт внутри политик компании.
Формулировка про «убийцу OpenClaw» здесь мимо. В официальном посте Microsoft прямо пишет: Scout powered by OpenClaw open-source technology. Ещё важнее: Microsoft обещает контрибьютить policy conformance обратно в OpenClaw.
База — OpenClaw. Сверху Microsoft докрутила корпоративную оболочку под Microsoft 365: Teams, Outlook, OneDrive, SharePoint, Entra identity, Purview, DLP, Intune и human sign-off для чувствительных действий.
Сценарии пока офисные: назначить встречу, собрать материалы, разобрать email, заблокировать время в календаре, заметить зависшее решение.
Доступ ограниченный: early desktop experience у сотрудников Microsoft, дальше private preview для select customers и Frontier organizations.
Короче: Scout выглядит как Microsoft-дистрибутив OpenClaw для корпоративного мира. Кривой, закрытый политиками, без тележечки, но свой персональный ИИ-агент в M365 они уже собирают.
Сири? Сверчки.
Microsoft:
https://www.microsoft.com/en-us/microsoft-365/blog/2026/06/02/introducing-microsoft-scout-your-always-on-personal-agent/
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
Media is too big
VIEW IN TELEGRAM
OpenAI выложила странный трейлер
⠀
OpenAI выложила 90-секундный X-трейлер с подписью: “It’s time to fly”.
⠀
По самому видео это не похоже на обычный тизер в стиле «вот новая кнопка». Там киноязык, ночная работа за ноутбуком, mission control, запуск, sci-fi glow и реплики: “This is mission control”, “You are cleared for launch”, “The code awaits your command”.
⠀
Намёк явно вокруг кода, агентного режима или нового пользовательского опыта: человек пишет команду, а система берёт на себя больше самостоятельной работы.
⠀
Название продукта и дата в ролике не раскрыты. OpenAI готовит анонс, а трейлер специально собран как запуск перед чем-то заметным.
⠀
Если они уже снимают 90-секундное кино, это вряд ли минорный апдейт интерфейса.
Возможно, это убийца OpenClaw?
🧩 📣 🔥 💡 🪄
⠀
Источник: https://x.com/OpenAI/status/2062249312839434452
Практика без воды: @human20
ИИ-среда: human20.app
⠀
OpenAI выложила 90-секундный X-трейлер с подписью: “It’s time to fly”.
⠀
По самому видео это не похоже на обычный тизер в стиле «вот новая кнопка». Там киноязык, ночная работа за ноутбуком, mission control, запуск, sci-fi glow и реплики: “This is mission control”, “You are cleared for launch”, “The code awaits your command”.
⠀
Намёк явно вокруг кода, агентного режима или нового пользовательского опыта: человек пишет команду, а система берёт на себя больше самостоятельной работы.
⠀
Название продукта и дата в ролике не раскрыты. OpenAI готовит анонс, а трейлер специально собран как запуск перед чем-то заметным.
⠀
Если они уже снимают 90-секундное кино, это вряд ли минорный апдейт интерфейса.
Возможно, это убийца OpenClaw?
⠀
Источник: https://x.com/OpenAI/status/2062249312839434452
Практика без воды: @human20
ИИ-среда: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3
Whoop 5.0 завайбкодили обход подписки
⠀
Разработчик из Англии выложил альфа-сборку iOS-приложения Goose для Whoop 5.0: браслет должен работать без фирменной подписки (от $199 в год).
⠀
Модель Whoop завязана на сервис: без платной подписки браслет теряет смысл. Goose цепляется к нему по Bluetooth, забирает сырые метрики и обрабатывает их на телефоне Rust-ядром.
⠀
Код Whoop и API компании в репозитории не используются. Сборка пока черновая и глючная, TestFlight автор обещает 13 июня 2026 года.
⠀
Модерация Apple и юристы Whoop могут остановить проект: пользователи уже спорят, пропустят ли такую сборку. Сам автор отвечает спокойно — жить без фана и риска скучно.
⠀
Пока это альфа, но сама попытка крутая: энтузиасты-вайбкодеры лезут прямиком в контроль над сырыми метриками с железки на запястье.
🧩 📣 🔥 💡 🪄
⠀
Источник: https://github.com/b-nnett/goose
⠀
Разработчик из Англии выложил альфа-сборку iOS-приложения Goose для Whoop 5.0: браслет должен работать без фирменной подписки (от $199 в год).
⠀
Модель Whoop завязана на сервис: без платной подписки браслет теряет смысл. Goose цепляется к нему по Bluetooth, забирает сырые метрики и обрабатывает их на телефоне Rust-ядром.
⠀
Код Whoop и API компании в репозитории не используются. Сборка пока черновая и глючная, TestFlight автор обещает 13 июня 2026 года.
⠀
Модерация Apple и юристы Whoop могут остановить проект: пользователи уже спорят, пропустят ли такую сборку. Сам автор отвечает спокойно — жить без фана и риска скучно.
⠀
Пока это альфа, но сама попытка крутая: энтузиасты-вайбкодеры лезут прямиком в контроль над сырыми метриками с железки на запястье.
⠀
Источник: https://github.com/b-nnett/goose
Please open Telegram to view this post
VIEW IN TELEGRAM
ЦОД переезжает на устройство
⠀
Perplexity представила Personal Computer — гибридный оркестратор инференса, который в реальном времени решает, какую часть задачи обработать локально, а какую отправить в облако.
⠀
Потребление токенов растёт быстрее, чем строятся дата-центры. Perplexity пишет про путь к 100-кратному росту спроса, который уже упирается в железо, энергию и стоимость инференса.
⠀
Дата-центры остаются для тяжёлых задач. Рутину забирают роутеры, малые модели и локальные рантаймы прямо на устройствах.
⠀
Оркестратор стоит между пользователем и ИИ-стеком: выбирает модель, место исполнения, цену запроса и маршрут контекста. Кто держит эту точку, держит агентный стек, даже если внутри работают чужие модели.
⠀
Поэтому туда уже смотрят Google, Notion, Anthropic, Sakana и все, кто строит полноценную среду исполнения вокруг ИИ. Гибридный инференс становится новой контрольной точкой ИИ-архитектуры.
⠀
Когда-то и корпорация П перестанет жечь ваши деньги и задумается об оптимизации своих опусов.
⠀
🧩 📣 🔥 💡 🪄
⠀
Источник: perplexity.ai
Кейсы и инструменты: @human20
Среда ИИ: human20.app
⠀
Perplexity представила Personal Computer — гибридный оркестратор инференса, который в реальном времени решает, какую часть задачи обработать локально, а какую отправить в облако.
⠀
Потребление токенов растёт быстрее, чем строятся дата-центры. Perplexity пишет про путь к 100-кратному росту спроса, который уже упирается в железо, энергию и стоимость инференса.
⠀
Дата-центры остаются для тяжёлых задач. Рутину забирают роутеры, малые модели и локальные рантаймы прямо на устройствах.
⠀
Оркестратор стоит между пользователем и ИИ-стеком: выбирает модель, место исполнения, цену запроса и маршрут контекста. Кто держит эту точку, держит агентный стек, даже если внутри работают чужие модели.
⠀
Поэтому туда уже смотрят Google, Notion, Anthropic, Sakana и все, кто строит полноценную среду исполнения вокруг ИИ. Гибридный инференс становится новой контрольной точкой ИИ-архитектуры.
⠀
Когда-то и корпорация П перестанет жечь ваши деньги и задумается об оптимизации своих опусов.
⠀
⠀
Источник: perplexity.ai
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
💯3
Google выкатила открытую Gemma 4 12B
Это мультимодальная модель: текст, картинки, аудио, а в документации семейства Gemma 4 отдельно описан и видеовход. Google упаковывает длинный контекст и мультимодальность в локальный формат на 12B параметров.
Заявка: модель можно запускать на ноутбуках с 16 ГБ RAM или unified memory. Важная поправка: это зависит от квантизации и рантайма. В BF16 память будет заметно выше, поэтому 16 ГБ — это consumer-local сценарий, а не тяжёлый полный режим.
Контекстное окно — 256K токенов. Для открытой модели такого размера это уже интересная зона: длинные документы, кодовые базы, скриншоты, аудио и рабочий контекст можно держать ближе к локальной машине, без постоянного похода в облако.
На бенчмарке Gemma 4 12B выглядит близко к Gemma 4 26B в ряде тестов и заметно сильнее Gemma 3 27B. Из подписанных цифр: GPQA Diamond 78.8, MMLU Pro 77.2, LiveCode Bench 72, DocVQA 94.9, InfoVQA 88.4.
Если это нормально заведётся в LM Studio / Ollama / MLX-подобных сборках, мультимодальная локальная модель перестанет быть игрушкой для энтузиастов с огромной видеокартой. Она становится обычным кандидатом для ноутбука.
🧱 🔧 🧬 📈 💎 🟣 🟢
Источник: Google AI docs
Инструменты и кейсы: @human20
Внедрение: human20.app
Это мультимодальная модель: текст, картинки, аудио, а в документации семейства Gemma 4 отдельно описан и видеовход. Google упаковывает длинный контекст и мультимодальность в локальный формат на 12B параметров.
Заявка: модель можно запускать на ноутбуках с 16 ГБ RAM или unified memory. Важная поправка: это зависит от квантизации и рантайма. В BF16 память будет заметно выше, поэтому 16 ГБ — это consumer-local сценарий, а не тяжёлый полный режим.
Контекстное окно — 256K токенов. Для открытой модели такого размера это уже интересная зона: длинные документы, кодовые базы, скриншоты, аудио и рабочий контекст можно держать ближе к локальной машине, без постоянного похода в облако.
На бенчмарке Gemma 4 12B выглядит близко к Gemma 4 26B в ряде тестов и заметно сильнее Gemma 3 27B. Из подписанных цифр: GPQA Diamond 78.8, MMLU Pro 77.2, LiveCode Bench 72, DocVQA 94.9, InfoVQA 88.4.
Если это нормально заведётся в LM Studio / Ollama / MLX-подобных сборках, мультимодальная локальная модель перестанет быть игрушкой для энтузиастов с огромной видеокартой. Она становится обычным кандидатом для ноутбука.
Источник: Google AI docs
Инструменты и кейсы: @human20
Внедрение: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6💯4
Human20
Reinforcement Learning
В машинном обучении есть понятие Reinforcement Learning: модель делает действие, получает обратную связь от среды и постепенно учится выбирать лучше. Обучение с подкреплением.
С агентами в работе происходит очень похожая штука. Среда здесь — твоя реальная жизнь.
У меня есть агент Scout на основе GoClaw. Он должен каждый день находить интересные проекты, репозитории, инструменты, свежие агентные штуки.
Но на практике он начал приносить слабую выдачу: старые новости про Karpathy, переходы основателя OpenClaw в OpenAI, громкие твиты без практической пользы. Формально всё про ИИ. По факту — не то.
Параллельно я сам веду канал Human20. Читаю X, GitHub, блоги, вытаскиваю проекты, которые мне правда интересны: agent frameworks, MCP, open-source инструменты, coding agents, financial agents, memory systems, video agents. Всё, что вы тут видите последний месяц.
Я не стал говорить агенту «Скаут плохой, сделай лучше». Я дал ему мой собственный результат месячной работы.
Он прочитал канал за последние недели, вытащил проекты, понял, какие находки я руками выбираю, нашёл людей в X, которые писали про эти проекты рано, и добавил 42 новых Twitter-аккаунта в карту источников Scout.
То есть агент не получил абстрактную инструкцию «ищи полезное».
Поведенческий пример был конкретным: что я сам считаю полезным, какие проекты выбираю, какие источники заметили их раньше остальных, кого теперь надо мониторить.
После этого мы ещё подкрутили фильтры: career news вниз, stale tweets вниз, repo/project/tool signals вверх.
Не магия. Не «один промпт всё сделал». Не «сейчас обучим модель».
Рабочая схема выглядит так: человек делает работу сам, агент наблюдает результат, человек отмечает, что было ценно. Потом агент превращает это в правило, скилл, источник, фильтр или автоматизацию, и следующая итерация начинается с более умной системы. На которую ты снова даёшь фидбэк.
Процесс не бесконечный, первые фидбеки самые ценные, дальше агент, как правило, хорошо работает сам.
Так постепенно агент перестаёт быть чатиком и становится продолжением твоего операционного опыта.
Ты не просто даёшь ему задачи. Ты обучаешь его на том, как сам принимаешь решения.
🧩 📣 🔥 💡 🪄
Больше разборов: @human20
Среда: human20.app
Reinforcement Learning
В машинном обучении есть понятие Reinforcement Learning: модель делает действие, получает обратную связь от среды и постепенно учится выбирать лучше. Обучение с подкреплением.
С агентами в работе происходит очень похожая штука. Среда здесь — твоя реальная жизнь.
У меня есть агент Scout на основе GoClaw. Он должен каждый день находить интересные проекты, репозитории, инструменты, свежие агентные штуки.
Но на практике он начал приносить слабую выдачу: старые новости про Karpathy, переходы основателя OpenClaw в OpenAI, громкие твиты без практической пользы. Формально всё про ИИ. По факту — не то.
Параллельно я сам веду канал Human20. Читаю X, GitHub, блоги, вытаскиваю проекты, которые мне правда интересны: agent frameworks, MCP, open-source инструменты, coding agents, financial agents, memory systems, video agents. Всё, что вы тут видите последний месяц.
Я не стал говорить агенту «Скаут плохой, сделай лучше». Я дал ему мой собственный результат месячной работы.
Он прочитал канал за последние недели, вытащил проекты, понял, какие находки я руками выбираю, нашёл людей в X, которые писали про эти проекты рано, и добавил 42 новых Twitter-аккаунта в карту источников Scout.
То есть агент не получил абстрактную инструкцию «ищи полезное».
Поведенческий пример был конкретным: что я сам считаю полезным, какие проекты выбираю, какие источники заметили их раньше остальных, кого теперь надо мониторить.
После этого мы ещё подкрутили фильтры: career news вниз, stale tweets вниз, repo/project/tool signals вверх.
Не магия. Не «один промпт всё сделал». Не «сейчас обучим модель».
Рабочая схема выглядит так: человек делает работу сам, агент наблюдает результат, человек отмечает, что было ценно. Потом агент превращает это в правило, скилл, источник, фильтр или автоматизацию, и следующая итерация начинается с более умной системы. На которую ты снова даёшь фидбэк.
Процесс не бесконечный, первые фидбеки самые ценные, дальше агент, как правило, хорошо работает сам.
Так постепенно агент перестаёт быть чатиком и становится продолжением твоего операционного опыта.
Ты не просто даёшь ему задачи. Ты обучаешь его на том, как сам принимаешь решения.
Больше разборов: @human20
Среда: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
💯3❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Codex выходит за пределы программирования
OpenAI выложила набор ролевых плагинов для Codex. Это готовые рабочие сборки: навык, подключённые приложения и настройки, чтобы агент сразу работал под конкретную задачу.
Первые роли: аналитик, продуктовый дизайнер, продакшен-дизайнер, ИИ-помощник для коммерческой команды, консультант по акциям и консультант по инвестиционному банкингу.
Как это выглядит в работе: аналитик берёт контекст из Snowflake, Databricks, Tableau или Hex и собирает отчёт. Коммерческая роль работает с Salesforce, HubSpot, Slack, Outreach, Clay и Actively. Дизайнерская роль подключает Figma, Canva, Shutterstock, Picsart и Fal.
Есть ещё Sites: Codex может превращать результат в интерактивный сайт. Агент не оставляет задачу в виде файла; он собирает артефакт, который можно открыть, показать команде и дальше править.
Codex теперь адресуют не только разработчикам. OpenAI берёт механику агента для кода: контекст, инструменты, рабочие сценарии, навыки. Эту схему переносят на аналитику, дизайн, сделки, ресёрч и подготовку материалов.
Claude, подвинься.
🧩 📣 🔥 💡 🪄
Источник: OpenAI
Практика ИИ: @human20
Среда внедрения: human20.app
OpenAI выложила набор ролевых плагинов для Codex. Это готовые рабочие сборки: навык, подключённые приложения и настройки, чтобы агент сразу работал под конкретную задачу.
Первые роли: аналитик, продуктовый дизайнер, продакшен-дизайнер, ИИ-помощник для коммерческой команды, консультант по акциям и консультант по инвестиционному банкингу.
Как это выглядит в работе: аналитик берёт контекст из Snowflake, Databricks, Tableau или Hex и собирает отчёт. Коммерческая роль работает с Salesforce, HubSpot, Slack, Outreach, Clay и Actively. Дизайнерская роль подключает Figma, Canva, Shutterstock, Picsart и Fal.
Есть ещё Sites: Codex может превращать результат в интерактивный сайт. Агент не оставляет задачу в виде файла; он собирает артефакт, который можно открыть, показать команде и дальше править.
Codex теперь адресуют не только разработчикам. OpenAI берёт механику агента для кода: контекст, инструменты, рабочие сценарии, навыки. Эту схему переносят на аналитику, дизайн, сделки, ресёрч и подготовку материалов.
Claude, подвинься.
Источник: OpenAI
Практика ИИ: @human20
Среда внедрения: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
Человек 2.0 — сообщество для тех, кто внедряет ИИ в работу, бизнес и личную систему.
Здесь мы разбираем ИИ-агентов, прокачиваем их навыки и память, даём рабочие связки, которые помогают быстрее думать, меньше вязнуть в рутине и собирать вокруг себя собственную среду внедрения ИИ.
Если ты только зашёл, начни с этих материалов:
• Как Openclaw встраивают в реальный контент-конвейер
• OpenClaw научился заходить в ваш реальный браузерный контекст
• Режим /goal в Hermes, чтобы не писать «продолжай»
• 17 навыков для соцсетей: один раз установил, дальше всё работает само
• Скилл, который чинит нейро дизайн
• Agent First - сообщества: место, где агенты обучаются за вас
Наши ресурсы:
┈
┈
┈
┈
┈
┈
┈
Собери свою систему вокруг ИИ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3
Microsoft сделала Windows-клиент для OpenClaw
У OpenClaw появился официальный Windows Companion от Microsoft. Это отдельное приложение, через которое агент подключается к системе, показывает состояние узла и даёт управлять локальными разрешениями.
На скриншоте видно обычную схему для рабочего агента: чат, шлюз, сессии, скиллы, каналы, cron-задачи, настройки компьютера, разрешения и sandbox. То есть OpenClaw перестаёт быть только фреймворком рядом с терминалом и получает нормальную оболочку под Windows.
Под капотом работает Microsoft Execution Containers, MXC. Эта система изолирует агентный запуск: разработчик описывает, к чему агент имеет доступ, а Windows применяет эти границы во время выполнения.
Что даёт клиент:
┈ разрешения внутри приложения
┈ управление через системный трей
┈ запуск узла и шлюза в контейнерной среде
┈ подключение к claws на Windows или WSL
┈ открытый исходный код в alpha-версии
Для ваших лобстеров это очень полезно: права, запуск и изоляция становятся частью операционной системы, а не хрупким набором самописных скриптов.
🧩 📣 🔥 💡 🪄
Источник: Microsoft
ИИ без лишнего шума: @human20
Практика: human20.app
У OpenClaw появился официальный Windows Companion от Microsoft. Это отдельное приложение, через которое агент подключается к системе, показывает состояние узла и даёт управлять локальными разрешениями.
На скриншоте видно обычную схему для рабочего агента: чат, шлюз, сессии, скиллы, каналы, cron-задачи, настройки компьютера, разрешения и sandbox. То есть OpenClaw перестаёт быть только фреймворком рядом с терминалом и получает нормальную оболочку под Windows.
Под капотом работает Microsoft Execution Containers, MXC. Эта система изолирует агентный запуск: разработчик описывает, к чему агент имеет доступ, а Windows применяет эти границы во время выполнения.
Что даёт клиент:
┈ разрешения внутри приложения
┈ управление через системный трей
┈ запуск узла и шлюза в контейнерной среде
┈ подключение к claws на Windows или WSL
┈ открытый исходный код в alpha-версии
Для ваших лобстеров это очень полезно: права, запуск и изоляция становятся частью операционной системы, а не хрупким набором самописных скриптов.
Источник: Microsoft
ИИ без лишнего шума: @human20
Практика: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
This media is not supported in your browser
VIEW IN TELEGRAM
OpenAI добавила в Codex режим для iOS-разработки
В каталоге Codex появился плагин
Отдельный сценарий — адаптация интерфейса под
OpenAI добавила Codex плагин, который связывает SwiftUI, Xcode 26, симулятор, проверку UI и конкретный migration workflow. Вместо абстрактного запроса «напиши экран» агент получает рабочий контур для iOS-разработки.
Для iOS-команд это особенно полезно на переходе к Liquid Glass: можно брать один flow, просить Codex мигрировать экран, запускать на iOS 26 simulator и сравнивать результат до расширения на весь продукт.
Codex с каждым днём получает 1-2 серьёзных обновления и становится не голову круче Claude Code. Думойте.
🧩 📣 🔥 💡 🪄
Источник: OpenAI
Разборы без шума: @human20
Платформа: human20.app
В каталоге Codex появился плагин
Build iOS Apps. Он заточен под мобильную разработку: SwiftUI, Xcode 26, iPhone/iPad UI, запуск через симулятор и проверку результата скриншотами.Отдельный сценарий — адаптация интерфейса под
Liquid Glass в iOS 26. Codex может пройтись по экрану, найти кастомные blur/material-решения и предложить замену на нативные API: glassEffect, GlassEffectContainer, glass button styles и переходы через glassEffectID.OpenAI добавила Codex плагин, который связывает SwiftUI, Xcode 26, симулятор, проверку UI и конкретный migration workflow. Вместо абстрактного запроса «напиши экран» агент получает рабочий контур для iOS-разработки.
Для iOS-команд это особенно полезно на переходе к Liquid Glass: можно брать один flow, просить Codex мигрировать экран, запускать на iOS 26 simulator и сравнивать результат до расширения на весь продукт.
Codex с каждым днём получает 1-2 серьёзных обновления и становится не голову круче Claude Code. Думойте.
Источник: OpenAI
Разборы без шума: @human20
Платформа: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
💯2
Supergoal превращает /goal в автопилот для разработки
Нашёл интересный апгрейд для /goal: Supergoal. Supergoal сначала разбирает задачу, а потом собирает один готовый /goal для автономного прогона.
Как это работает: ты пишешь
После этого Supergoal пишет артефакты в
После вставки /goal фазы идут последовательно: каждая читает свой spec, делает работу, проходит verify, делает memory writeback и двигает состояние дальше. Если фаза падает, включается 3-strike recovery: первая ошибка запускает автоповтор с probe, вторая пишет fix-spec и правит внутри фазы, третья останавливает прогон с handoff и историей проб.
В финале есть отдельный final audit: Supergoal заново сверяет результат с ROADMAP, гоняет обязательные команды, проверяет deliverables против baseline ref и только после этого печатает
Поддержка заявлена для Claude Code и Codex CLI. Установка для Claude идёт через plugin marketplace, для Codex через обычный clone-and-copy в
Это хороший формат для задач, где обычный /goal слишком быстро превращается в «сделай большой проект и не забудь всё важное». Supergoal держит план, состояние, recovery и final audit в файлах проекта, поэтому агент меньше зависит от одной длинной инструкции в чате.
Звучит как крутяк крутейший, буду пробовать.
🧱 🔧 🧬 📈 💎 🟣 🟢
Источник: GitHub / robzilla1738/supergoal
Кейсы и инструменты: @human20
Среда ИИ: human20.app👋
Нашёл интересный апгрейд для /goal: Supergoal. Supergoal сначала разбирает задачу, а потом собирает один готовый /goal для автономного прогона.
Как это работает: ты пишешь
/supergoal <что нужно сделать>. Инструмент смотрит кодовую базу, делает memory preload + writeback, проверяет доступные инструменты, задаёт вопросы только по настоящим пробелам и режет работу на нужное число фаз.После этого Supergoal пишет артефакты в
.supergoal/: ROADMAP.md, STATE.md, THINKING.md, спецификации фаз и протокол выполнения. В конце он печатает один ready-to-paste /goal. Его нужно вставить один раз.После вставки /goal фазы идут последовательно: каждая читает свой spec, делает работу, проходит verify, делает memory writeback и двигает состояние дальше. Если фаза падает, включается 3-strike recovery: первая ошибка запускает автоповтор с probe, вторая пишет fix-spec и правит внутри фазы, третья останавливает прогон с handoff и историей проб.
В финале есть отдельный final audit: Supergoal заново сверяет результат с ROADMAP, гоняет обязательные команды, проверяет deliverables против baseline ref и только после этого печатает
SUPERGOAL_RUN_COMPLETE.Поддержка заявлена для Claude Code и Codex CLI. Установка для Claude идёт через plugin marketplace, для Codex через обычный clone-and-copy в
~/.codex/skills. Репозиторий открыт под MIT, основной код — Shell.Это хороший формат для задач, где обычный /goal слишком быстро превращается в «сделай большой проект и не забудь всё важное». Supergoal держит план, состояние, recovery и final audit в файлах проекта, поэтому агент меньше зависит от одной длинной инструкции в чате.
Звучит как крутяк крутейший, буду пробовать.
Источник: GitHub / robzilla1738/supergoal
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
Как легко сделать плагин для Hermes
У Nous Research появился гайд Build a Hermes Plugin. По нему можно собрать своё расширение под личный или командный сценарий и не лезть в основной код Hermes.
Самый короткий путь: открыть гайд, дать его Hermes и написать
Часть этого раньше можно было запихнуть в skill. Skill мог описать, какие API вызвать, какие команды запускать, как интерпретировать ответ, когда сохранять память и как писать отчёт.
Но skill сам по себе не добавляет новое встроенное действие в Hermes. Он даёт агенту инструкцию: если надо, сходи туда, вызови это, собери результат так. Это работает, пока у агента уже есть нужные инструменты, доступы и рабочий путь через терминал или HTTP.
Plugin добавляет новый механизм в рантайме Hermes: новый tool, hook на события, slash command, интеграцию с внешним сервисом или bundled skill рядом с кодом.
На примере портфеля разница видна сразу. Skill говорит: открой скрипт, забери JSON, посчитай риск, напиши отчёт. Plugin даёт Hermes штатное действие вроде
То есть skill — это знания и процедура. Plugin — новая возможность или интеграция в самом агенте. Хороший plugin часто идёт вместе со skill, который объясняет Hermes, когда и как этим действием пользоваться.
Поэтому плагины не заменяют skills и memory. Memory хранит контекст, skills учат процедурам, plugins добавляют действия: сервисы, события, уведомления, проверки, команды.
🧱 🔧 🧬 📈 💎 🟣 🟢
Источник: Hermes Plugins; Build a Hermes Plugin
Разборы и инструменты: @human20
Внедрение ИИ: human20.app
У Nous Research появился гайд Build a Hermes Plugin. По нему можно собрать своё расширение под личный или командный сценарий и не лезть в основной код Hermes.
Самый короткий путь: открыть гайд, дать его Hermes и написать
I want to build a plugin for [x]. Ты описываешь задачу: что подключить, за чем следить, какие действия выполнять.Часть этого раньше можно было запихнуть в skill. Skill мог описать, какие API вызвать, какие команды запускать, как интерпретировать ответ, когда сохранять память и как писать отчёт.
Но skill сам по себе не добавляет новое встроенное действие в Hermes. Он даёт агенту инструкцию: если надо, сходи туда, вызови это, собери результат так. Это работает, пока у агента уже есть нужные инструменты, доступы и рабочий путь через терминал или HTTP.
Plugin добавляет новый механизм в рантайме Hermes: новый tool, hook на события, slash command, интеграцию с внешним сервисом или bundled skill рядом с кодом.
На примере портфеля разница видна сразу. Skill говорит: открой скрипт, забери JSON, посчитай риск, напиши отчёт. Plugin даёт Hermes штатное действие вроде
get_portfolio_risk(): оно само ходит в API, валидирует ответ, возвращает структуру и одинаково работает в разных сессиях.То есть skill — это знания и процедура. Plugin — новая возможность или интеграция в самом агенте. Хороший plugin часто идёт вместе со skill, который объясняет Hermes, когда и как этим действием пользоваться.
Поэтому плагины не заменяют skills и memory. Memory хранит контекст, skills учат процедурам, plugins добавляют действия: сервисы, события, уведомления, проверки, команды.
Источник: Hermes Plugins; Build a Hermes Plugin
Разборы и инструменты: @human20
Внедрение ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3
Gemma 4 проверили на реальные задачи Hermes
Вышла Gemma 4. Я попросил Hermes прогнать её через наши рабочие воркфлоу. Без абстрактных бенчмарков со чпагетти-графиками: три модели, один набор заданий.
⠀
Модели:
┈ локальная Gemma 4 от Google
┈ minimax M3 reasoning high
┈ GPT 5.5 reasoning medium
⠀
Задачи приземлённые: разобрать лог Telegram gateway, выбрать нужные skills, вычистить приватные куски из промпта, составить debug-план, написать короткий отчёт в моём стиле, решить, молчать cron watchdog или слать alert.
⠀
GPT 5.5: лучший финальный мозг. Там, где production config, риск сломать gateway, приватные куски или ответ человеку, он заметно точнее. Лучше держит контекст, меньше фантазирует, аккуратнее формулирует.
⠀
Minimax M3: рабочая лошадь. Нормально тянет маршрутизацию, суммаризацию логов, watchdog, короткие технические выводы. Слабое место: иногда слишком много токенов уходит во внутреннее reasoning, и при маленьком лимите наружу прилетает пустой ответ. Значит, нужны правильные лимиты и её роль это background-модель.
⠀
Gemma 4 локально: полезная, но это конечно не главный агент. Для дешёвой классификации, первичного summary и локального профильтра пойдёт. На задачах с контекстом Hermes Agent, privacy или с точным стилем письма быстро начинает плыть. На короткий запрос про Hermes она, например, решила, что речь про доставку и посылки🤷
⠀
Итого по ролям:
┈ Gemma 4 — дешёвый пре-фильтр
┈ Minimax M3 — дешёвый background-мозг
┈ GPT 5.5 — финальный judge и executor
⠀
Локальные модели уже можно ставить в работу: резать шум, сортировать задачи, сжимать логи, ловить приватные фрагменты, а наверх отдавать только то, где нужен дорогой мозг. Рабочая архитектура агента: связка моделей под разные уровни риска, а не попытка заставить одну модель делать всё.
А вот ждать от локальных моделей фронтир-поведения пока не приходится.
🧱 🔧 🧬 📈 💎 🟣 🟢
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Вышла Gemma 4. Я попросил Hermes прогнать её через наши рабочие воркфлоу. Без абстрактных бенчмарков со чпагетти-графиками: три модели, один набор заданий.
⠀
Модели:
┈ локальная Gemma 4 от Google
┈ minimax M3 reasoning high
┈ GPT 5.5 reasoning medium
⠀
Задачи приземлённые: разобрать лог Telegram gateway, выбрать нужные skills, вычистить приватные куски из промпта, составить debug-план, написать короткий отчёт в моём стиле, решить, молчать cron watchdog или слать alert.
⠀
GPT 5.5: лучший финальный мозг. Там, где production config, риск сломать gateway, приватные куски или ответ человеку, он заметно точнее. Лучше держит контекст, меньше фантазирует, аккуратнее формулирует.
⠀
Minimax M3: рабочая лошадь. Нормально тянет маршрутизацию, суммаризацию логов, watchdog, короткие технические выводы. Слабое место: иногда слишком много токенов уходит во внутреннее reasoning, и при маленьком лимите наружу прилетает пустой ответ. Значит, нужны правильные лимиты и её роль это background-модель.
⠀
Gemma 4 локально: полезная, но это конечно не главный агент. Для дешёвой классификации, первичного summary и локального профильтра пойдёт. На задачах с контекстом Hermes Agent, privacy или с точным стилем письма быстро начинает плыть. На короткий запрос про Hermes она, например, решила, что речь про доставку и посылки
⠀
Итого по ролям:
┈ Gemma 4 — дешёвый пре-фильтр
┈ Minimax M3 — дешёвый background-мозг
┈ GPT 5.5 — финальный judge и executor
⠀
Локальные модели уже можно ставить в работу: резать шум, сортировать задачи, сжимать логи, ловить приватные фрагменты, а наверх отдавать только то, где нужен дорогой мозг. Рабочая архитектура агента: связка моделей под разные уровни риска, а не попытка заставить одну модель делать всё.
А вот ждать от локальных моделей фронтир-поведения пока не приходится.
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
Gonka в деле: братья Либерманы раздают бесплатный API для LLM
Можно быстро погонять модели через один endpoint и сравнить ответы на своих задачах. Без оплаты и лишней настройки.
⠀
Доступ:
⠀
API key:
⠀
Что дают по output tokens:
┈
┈
┈
⠀
Список моделей:
https://gonkagate.com/en/models
⠀
Хороший вариант для быстрых тестов: подключить endpoint, прогнать один и тот же промпт через Qwen, MiniMax и Kimi, потом сравнить скорость, длину ответа и качество на реальной задаче.
Как сделаю отпишусь.
🧩 📣 🔥 💡 🪄
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Можно быстро погонять модели через один endpoint и сравнить ответы на своих задачах. Без оплаты и лишней настройки.
⠀
Доступ:
https://api.gonkagate.com/v1⠀
API key:
gp-jjYei9SI5xL9wkXTneqK03GuQQAtQt7g⠀
Что дают по output tokens:
┈
qwen/qwen3-235b-a22b-instruct-2507-fp8 — 16,384┈
minimaxai/minimax-m2.7 — 16,384┈
moonshotai/kimi-k2.6 — 8,192, лимит обещают поднять⠀
Список моделей:
https://gonkagate.com/en/models
⠀
Хороший вариант для быстрых тестов: подключить endpoint, прогнать один и тот же промпт через Qwen, MiniMax и Kimi, потом сравнить скорость, длину ответа и качество на реальной задаче.
Как сделаю отпишусь.
Кейсы и инструменты: @human20
Среда ИИ: human20.app
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4