Andrew Ng (кофаундер Coursera, профессор Стэнфорда, экс-глава Google Brain и Baidu AI) опубликовал AI Engineering Skills Map - попытку сформулировать, какие навыки сегодня действительно нужны разработчикам в эпоху AI.

В целом идеи вполне понятные:
• уметь строить и контролировать AI-системы;
• хорошо знать базовый software engineering;
• уметь эффективно работать с coding agents;
• и, что важно, уметь shaping the build - понимать, что именно нужно строить, зачем и как это должно работать.

Последний пункт особенно интересен. По мере того как AI всё лучше пишет код по хорошему ТЗ, ценность инженера всё больше смещается от самого написания кода к пониманию задачи, архитектуре, требованиям и принятию инженерных решений.

В общем, ничего революционного. Но приятно, когда направление, в котором сам смотришь на AI-shaped engineering, примерно совпадает с тем, что формулирует Andrew Ng.

🤖 AI-агент с нуля: строим Multi-Agent Systems

До сих пор мы строили одного AI-агента: дали ему инструменты, подключили MCP, добавили память и Guardrails. Он умеет получать контекст, принимать решения и выполнять действия во внешних системах.

Но что, если задача становится слишком большой для одного decision-making loop? Например, нужно одновременно исследовать несколько источников, работать с разными наборами данных и permissions, независимо проверять результаты и координировать несколько направлений работы. Кажется, очевидное решение — добавить ещё агентов. Но здесь легко усложнить систему, не сделав её лучше.

⚡️ Это пятая часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова!

Разберём Multi-Agent Systems: где на самом деле проходит граница между одним сложным агентом и системой из нескольких агентов — и когда распределение принятия решений действительно оправдано.
Десять Tools, несколько LLM-вызовов и даже цепочка из Planner, Researcher и Reviewer ещё не делают систему Multi-Agent. MAS появляется тогда, когда существуют несколько автономных decision-making компонентов, способных самостоятельно принимать локальные решения и взаимодействовать друг с другом.

В этом выпуске:
— Где заканчивается Single-Agent System и начинается настоящая Multi-Agent System
— Homogeneous и Heterogeneous Agents: почему специализация и роли — только один из вариантов дизайна
— Cooperative, Collaboration и Mixed-Motive взаимодействие
— Point-to-point, Broadcast, Pipeline, Peer-to-peer и Shared Message Pool
— Centralized, Decentralized, Hierarchical и Blackboard / Shared Message Pool архитектуры
— A2A: как независимые agentic systems находят друг друга, передают задачи, статусы и результаты

🎬 Смотрите на YouTube или RuTube!

Почему наука автоматизируется неравномерно? О пределах исследовательского harness расскажет Максим Шаланкин, Machine Learning Team Lead из MWS и автор телеграм-канала Maxim.ML.

27 августа 2026 года Anthropic объявила Model Hardware Standard: Claude из обычного терминала начал управлять микроскопами, роботизированными руками и qPCR-машинами. Интеграция, занимавшая недели, сократилась до часов.

Днём раньше стартап Transfyr поднял $25 млн: сенсоры и камеры записывают каждое движение учёных, превращая видеозаписи рук в обучающие данные для лабораторных роботов. Наука в физическом мире, самая сложная для автоматизации область, начала получать свой интерфейс.

Рассмотрим картину целиком: почему вычислительная наука уже упирается только в GPU, а экспериментальная — в законы природы.

⏰ Запускаем трансляцию завтра, 4 сентября, в 17:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Максиму!

Мы много писали о роли ИИ в аналитике и разработке ПО. Теперь решили выпустить несколько материалов о том, как ИИ меняет кибербезопасность — вместе с нашей Red Team / pentest-командой.

Начинаем с перевода статьи The Cybersecurity Industry Is Entering Its Third Era уже на Хабре. При этом руководитель нашей Red Team на вопрос о главном изменении последних лет отвечает ещё короче: скорость. Но об этом в следующем материале.

🤖 Как поднять корпоративного LLM-бота в закрытом контуре? Расскажет Алексей Кудаков, CTO технологической группы «Проявление».

Это продакшн-история для одной из крупнейших компаний в сфере ЖКХ России: один LLM-бот на телефон и чат-каналы (Макс, ВК, ОК, мобильное приложение) полностью on-premise, без единого внешнего вызова.

Разберём:
→ Что болело у заказчика: ~60 жёстких сценариев скриптового робота, очереди в пиках, тупики в чатах
→ Как выбирали стек и почему остановились на Qwen3-14B Instruct + LoRA + RAG + vLLM
→ Дообучение LLM под домен ЖКХ: от 45 тысяч ручных размеченных звонков до 345 тысяч примеров
→ Голосовой стек и его грабли: STT с галлюцинациями на тишине, дообучение CosyVoice 3, «превойс» для обхода недоверия абонентов
→ Запуск в закрытом контуре на NVIDIA H200: архитектура, оптимизации, бюджет латентности
→ Итоговые метрики: ожидание оператора с 5 минут до <5 секунд, 72% обращений закрываются без оператора, 98% точность классификации

Честно поговорим про проблемы в проде: абоненты, которые не доверяют роботу, заказчики, которые заводят тикеты на «ошибки», и пожилые люди, которых живой голос напугал больше, чем скриптовый.

⏰ Запускаем трансляцию сегодня в 12:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы лектору!

Кажется, что достаточно объединить несколько LLM-агентов, разрешить им общаться — и получится коллективный интеллект. Но сразу возникают вопросы: кто координирует агентов, как они распределяют задачи, что происходит без центрального управляющего узла и откуда появляется эмерджентное поведение?

⚡️Анна Авдюшина, кандидат технических наук и инженер центра «Сильный ИИ в промышленности» университета ИТМО, расскажет о том, как сформировать роевой интеллект на LLM.

На лекции поговорим про:
→ централизованные и децентрализованные архитектуры;
→ топологии взаимодействия агентов;
→ коммуникацию и распределение задач;
→ коллективное и эмерджентное поведение;
→ когда несколько агентов действительно лучше одного.

⏰ Запускаем трансляцию сегодня в 13:00.

Смотрите на YouTube, в ВК или прямо в этом канале — и задавайте вопросы Анне!

🔴 Мы в эфире!

ИИ уже помогает искать уязвимости. Вопрос в том, кто первым найдёт слабое место в вашей системе: ваш пентестер или атакующий с тем же инструментом?

Сегодня на Ai4Dev говорим про ИИ в роли атакующего: как он проверяет гипотезы, находит дыры и помогает строить цепочки атак. Где он действительно усиливает пентестера, а где уверенно ведёт его по ложному следу? Без презентаций — живой разговор и ваши вопросы в чате.

▶️ Подключайтесь

А если после эфира захочется спросить «что найдут у нас?», Security Lab проверяет инфраструктуру, приложения и LLM-сервисы на реальные пути атаки.

🤖 AI-агент с нуля: Evaluation & Observability

До сих пор мы строили систему: инструменты, MCP, память, Guardrails, несколько агентов. Однако это ещё не ответ на вопрос, насколько система надёжна. Один удачный прогон показывает возможность, но не вероятность. Один и тот же запрос проходит через Retrieval, несколько model calls, Tool вызовов, Guardrails — и два запуска одной задачи могут закончиться по-разному.

⚡️ Это шестая часть видеокурса об AI-агентах от ML-инженера Artezio Антона Максимова!

Разберём Evaluation & Observability: как перейти от «работает в демо» к системе, качество которой можно воспроизводимо измерять и объяснять.

В этом выпуске:
— Почему классический тест input → expected output не работает для агентов
— Eval как pipeline: Task Suite → Infrastructure → Criteria → Grading
— Как выглядит валидный Task
— pass@k и pass^k: capability и reliability
— Graders: когда нужен code, когда LLM-as-a-Judge, когда человек
— Observability: Session, Trace, Span
— Production closes the loop: как превратить реальный failure в воспроизводимый Regression Task

🎬 Смотрите на YouTube или RuTube!

На Хабре вышла статья о том, что ИИ изменил в кибератаках от нашей Red Team команды (tl;dr: методы остались прежними, изменилась скорость, на реакцию остаются часы; в статье собран практический минимум для защиты).

Разбираем кейсы:
• PaperCut, 31 августа. Один атакующий с роем ИИ-агентов взломал больше 440 серверов, на пике 11 организаций за 26 секунд.
• Marimo, CVE-2026-39987. От открытого терминала до внутренней инфраструктуры прошло 8 секунд.
• RubyGems, май. Агенты OpenAI залили больше 2000 пакетов-пустышек, часть из них охотилась за API-ключами.

🔴 Мы в эфире! AGI уже здесь — или главный экзамен еще впереди?

GPT-6 Astra набрал 99,9% на ARC-AGI-3 с адаптером, сохраняющим состояние рассуждений. Лучший результат в стандартной среде — 62,7%. Какую из этих цифр считать ответом на вопрос о возможностях ИИ?

Сейчас в Ai4Dev обсуждаем, что должно заставить нас признать появление общего искусственного интеллекта. Сможет ли он сам освоить незнакомую задачу, довести большой проект до конца и заметить собственную ошибку?

В эфире:

• Алексей Коломыц — NadelAI.
• Иван Иванов — «Апрель Инновации».
• Тим Зинин — «Зинин, Штурбин и партнеры».
• Алексей Сидорюк — «Ген ИИ», Ассоциация Финтех.

Час живого разговора без презентаций. Подключайтесь и задавайте вопросы — особенно если у вас есть задача, на которой «почти всемогущий» ИИ неожиданно провалился.

👉 Смотреть эфир

🔴 В ИТ больше не берут? Мы уже в эфире!

Соискатель ищет работу, компания ищет сотрудника — почему они могут так и не встретиться? Обсуждаем, что мешает получить оффер, как договариваться о зарплате и насколько ИИ меняет требования к людям.

Сегодня в Ai4Dev:

• Дмитрий Басс, BASSHR.
• Ольга Суховнина, директор по персоналу компании «СофтБаланс».

Поговорим о найме, сокращениях и деньгах. Отдельно спросим про джунов: ИИ помогает им войти в профессию или делает первый шаг еще труднее?

Подключайтесь к разговору с вашим случаем. Отказы без объяснений, затянувшиеся собеседования, неожиданные требования — приносите вопросы людям по другую сторону найма.

👉 Смотреть и задавать вопросы: https://www.youtube.com/watch?v=nxCvk92vlAs