🔥 Что на самом деле хотят услышать на DevOps собесе
На собеседованиях по DevOps очень любят спрашивать: "Как у вас устроен мониторинг в проекте?"
И многие отвечают слишком коротко:
Prometheus, Grafana, CloudWatch.
Ответ вроде правильный.
Но для сильного собеседования этого мало.
Интервьюеру обычно важно понять не просто названия инструментов, а всю цепочку:
- как собираются логи
- куда они попадают дальше
- как долго хранятся
- как собираются метрики
- как считается SLA
- и почему архитектура сделана именно так
Именно это показывает разницу между человеком, который просто пользовался готовым стеком, и тем, кто реально поднимал мониторинг в production.
Например, в enterprise-проекте на EKS мониторинг может выглядеть так:
Есть два типа нагрузок:
- микросервисы на Fargate
- stateful-приложение в StatefulSet
И подход к ним разный.
Для Fargate удобно использовать OpenTelemetry add-on.
Он автоматически собирает логи со всех Fargate-подов и отправляет их в CloudWatch. Это простой и удобный вариант, когда не хочется отдельно городить сбор логов внутри каждого сервиса.
Для StatefulSet чаще нужен более гибкий контроль.
Тут можно использовать Fluent Bit как sidecar-контейнер:
он читает логи из общего тома, фильтрует их, форматирует и отправляет в CloudWatch.
Это особенно важно в банках и других регулируемых системах, где есть требования к структуре логов, аудиту и хранению данных.
Дальше пайплайн может быть таким:
CloudWatch → Lambda для форматирования → Kinesis Firehose → OpenSearch
Зачем это нужно:
- Lambda может нормализовать и обогащать логи
- Firehose умеет батчить и стабильно доставлять данные
- OpenSearch удобен для поиска и анализа
- S3 подходит для долгого и дешёвого хранения
Пример хранения:
- 7 дней в OpenSearch
- 30 дней в CloudWatch
- полный архив в S3
С метриками история другая.
Обычно используют Prometheus, который ходит в
Чтобы Prometheus понимал, что именно скрейпить в Kubernetes, для сервисов настраивают
Дальше Grafana показывает всё в дашбордах.
Хорошая практика - свести в Grafana сразу несколько источников:
- Prometheus для технических метрик
- CloudWatch для инфраструктуры и логов
- OpenSearch для поиска по событиям и ошибкам
Тогда в одном месте можно увидеть:
- CPU и memory
- latency и error rate
- логи по времени инцидента
- состояние сервиса по SLA
И вот тут начинается взрослая часть мониторинга.
SLA - это не абстрактная цифра на слайде.
Это конкретный лимит простоя.
Например, 99.1% uptime в месяц означает, что сервис может быть недоступен примерно 6.4 часа за месяц.
Если это вынесено в Grafana, то и команда, и бизнес видят состояние системы в реальном времени, а не узнают о проблеме постфактум.
Поэтому на собеседовании лучше рассказывать не просто набор инструментов, а целую историю:
не "у нас Prometheus и Grafana",
а "вот как у нас собираются логи, вот куда они идут, вот почему выбран именно такой маршрут, вот как мы храним данные, вот как считаем SLA и что видит бизнес".
Именно такой ответ звучит как опыт production-уровня.
https://uproger.com/samyj-populyarnyj-vopros-na-sobesedovaniyah-devops-kak-u-vas-ustroen-monitoring-v-proekte/
На собеседованиях по DevOps очень любят спрашивать: "Как у вас устроен мониторинг в проекте?"
И многие отвечают слишком коротко:
Prometheus, Grafana, CloudWatch.
Ответ вроде правильный.
Но для сильного собеседования этого мало.
Интервьюеру обычно важно понять не просто названия инструментов, а всю цепочку:
- как собираются логи
- куда они попадают дальше
- как долго хранятся
- как собираются метрики
- как считается SLA
- и почему архитектура сделана именно так
Именно это показывает разницу между человеком, который просто пользовался готовым стеком, и тем, кто реально поднимал мониторинг в production.
Например, в enterprise-проекте на EKS мониторинг может выглядеть так:
Есть два типа нагрузок:
- микросервисы на Fargate
- stateful-приложение в StatefulSet
И подход к ним разный.
Для Fargate удобно использовать OpenTelemetry add-on.
Он автоматически собирает логи со всех Fargate-подов и отправляет их в CloudWatch. Это простой и удобный вариант, когда не хочется отдельно городить сбор логов внутри каждого сервиса.
Для StatefulSet чаще нужен более гибкий контроль.
Тут можно использовать Fluent Bit как sidecar-контейнер:
он читает логи из общего тома, фильтрует их, форматирует и отправляет в CloudWatch.
Это особенно важно в банках и других регулируемых системах, где есть требования к структуре логов, аудиту и хранению данных.
Дальше пайплайн может быть таким:
CloudWatch → Lambda для форматирования → Kinesis Firehose → OpenSearch
Зачем это нужно:
- Lambda может нормализовать и обогащать логи
- Firehose умеет батчить и стабильно доставлять данные
- OpenSearch удобен для поиска и анализа
- S3 подходит для долгого и дешёвого хранения
Пример хранения:
- 7 дней в OpenSearch
- 30 дней в CloudWatch
- полный архив в S3
С метриками история другая.
Обычно используют Prometheus, который ходит в
/metrics каждого приложения, например каждые 30 секунд.Чтобы Prometheus понимал, что именно скрейпить в Kubernetes, для сервисов настраивают
ServiceMonitor.Дальше Grafana показывает всё в дашбордах.
Хорошая практика - свести в Grafana сразу несколько источников:
- Prometheus для технических метрик
- CloudWatch для инфраструктуры и логов
- OpenSearch для поиска по событиям и ошибкам
Тогда в одном месте можно увидеть:
- CPU и memory
- latency и error rate
- логи по времени инцидента
- состояние сервиса по SLA
И вот тут начинается взрослая часть мониторинга.
SLA - это не абстрактная цифра на слайде.
Это конкретный лимит простоя.
Например, 99.1% uptime в месяц означает, что сервис может быть недоступен примерно 6.4 часа за месяц.
Если это вынесено в Grafana, то и команда, и бизнес видят состояние системы в реальном времени, а не узнают о проблеме постфактум.
Поэтому на собеседовании лучше рассказывать не просто набор инструментов, а целую историю:
не "у нас Prometheus и Grafana",
а "вот как у нас собираются логи, вот куда они идут, вот почему выбран именно такой маршрут, вот как мы храним данные, вот как считаем SLA и что видит бизнес".
Именно такой ответ звучит как опыт production-уровня.
https://uproger.com/samyj-populyarnyj-vopros-na-sobesedovaniyah-devops-kak-u-vas-ustroen-monitoring-v-proekte/
Если коннект обрубят или интернет вообще сотрут с лица Земли, в N.O.M.A.D. найдется всё необходимое для выживания:
• Локальный ИИ Ollama — ваш личный ассистент, который работает прямо на железе. Подскажет, как починить генератор или оказать первую помощь, не обращаясь к серверам в Калифорнии.
• Вся Википедия, медицинские справочники и учебники в офлайне.
• Карты и навигация любого региона планеты: никаких «белых пятен», даже если спутники сойдут с орбиты.
• Весь трафик и данные остаются внутри вашего компа.
• В теории вы можете развернуть полноценную станцию выживания с N.O.M.A.D. и запитать её всего от одной солнечной панели.
Сохраняем просто на всякий случай — тут.
Please open Telegram to view this post
VIEW IN TELEGRAM
🎮 Учись программировать через игры — это реально работает
Если скучно учить код по книжкам - попробуй формат, где ты сразу применяешь знания на практике
Вот 10 крутых платформ:
1. Kubernetes
http://k8sgames.com
2. DevOps
http://devops.games
3. Linux
http://overthewire.org
4. Git
http://ohmygit.org
5. Python
http://codecombat.com
6. CSS & HTML
http://codepip.com
7. Кибербезопасность
http://picoctf.org
8. Мобильное обучение (как Duolingo)
http://sololearn.com
9. Для новичков с нуля
http://scratch.mit.edu
10. 25+ языков программирования
http://codingame.com
Почему это работает:
- сразу практика, а не теория
- есть цель и геймификация
- быстрее запоминается
- не выгораешь
Если ты только начинаешь или застрял -
это один из самых быстрых способов прокачаться
Если скучно учить код по книжкам - попробуй формат, где ты сразу применяешь знания на практике
Вот 10 крутых платформ:
1. Kubernetes
http://k8sgames.com
2. DevOps
http://devops.games
3. Linux
http://overthewire.org
4. Git
http://ohmygit.org
5. Python
http://codecombat.com
6. CSS & HTML
http://codepip.com
7. Кибербезопасность
http://picoctf.org
8. Мобильное обучение (как Duolingo)
http://sololearn.com
9. Для новичков с нуля
http://scratch.mit.edu
10. 25+ языков программирования
http://codingame.com
Почему это работает:
- сразу практика, а не теория
- есть цель и геймификация
- быстрее запоминается
- не выгораешь
Если ты только начинаешь или застрял -
это один из самых быстрых способов прокачаться
⚡️ Claude Code бесплатно -появился мощный аналог OpenCode
Вышел open-source агент, который уже разогнался до 126 000+ звёзд и по возможностям практически не уступает оригиналу.
Что внутри:
• может автоматизировать разработку от лендингов до сложных сервисов
• поддерживает десятки моделей: OpenAI, Google, Mistral, локальные и др. (70+ провайдеров)
• запускается прямо из терминала — без лишней обвязки
• управляется даже с телефона — можно ставить задачи на ходу
По сути, это уже не просто инструмент,
а полноценный AI-агент для разработки.
Если следишь за трендом на vibe-coding - must try.
https://github.com/anomalyco/opencode
Вышел open-source агент, который уже разогнался до 126 000+ звёзд и по возможностям практически не уступает оригиналу.
Что внутри:
• может автоматизировать разработку от лендингов до сложных сервисов
• поддерживает десятки моделей: OpenAI, Google, Mistral, локальные и др. (70+ провайдеров)
• запускается прямо из терминала — без лишней обвязки
• управляется даже с телефона — можно ставить задачи на ходу
По сути, это уже не просто инструмент,
а полноценный AI-агент для разработки.
Если следишь за трендом на vibe-coding - must try.
https://github.com/anomalyco/opencode
Nemotron-Cascade 2 - вторая в мире открытая языковая модель, получившая золотую медаль сразу на 3 соревнованиях 2025 года: IMO, IOI и финале ICPC.
До нее это удавалось только DeepSeek-V3.2-Speciale, модели с 671B параметров и 37B активных. У Nemotron-Cascade 2 параметров в 20 раз меньше: 30B общих, 3B активных.
MoExperts на базе Nemotron-3-Nano-30B-A3B-Base. Отличие от первой версии - расширенный Cascade RL, где обучение с подкреплением проходит последовательно по доменам: сначала следование инструкциям, затем мультидоменное RL, потом дистилляция, RLHF, работа с длинным контекстом, код и, наконец, задачи программной инженерии.
На каждом этапе Cascade RL выбирается лучший промежуточный чекпоинт по конкретному домену и используется как учитель. Поскольку все учителя происходят от одной SFT-инициализации, они делят токенайзер и словарь, что упрощает дистилляцию.
MOPD работает на уровне отдельных токенов, а не последовательностей, и сходится быстрее, чем классический GRPO: на AIME 2025 достигает уровня учителя за 30 шагов оптимизации.
На бенчмарках модель обходит Qwen3.5-35B-A3B и более крупную Nemotron-3-Super-120B-A12B в математике, коде и следованию инструкциям.
Задачи, требующие глубоких знаний (MMLU-Pro, GPQA-Diamond) и агентные сценарии (BFCL v4, τ²-Bench, SWE Verified). Тут Qwen3.5 пока впереди.
NVIDIA обещает подтянуть наукоёмкий претрейн и агентный RL в следующих версиях Nemotron-Cascade.
@ai_machinelearning_big_data
#AI #ML #LLM #Nemotron #Cascade2 #NVIDIA
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡️ ByteDance нашли способ сделать MoE-модели реально умнее без увеличения стоимости
Современные LLM используют Mixture-of-Experts (MoE): задачи распределяются между “экспертами” через специальный роутер.
Проблема?
Роутер по сути угадывает.
Он не знает, какой эксперт в чём действительно силён.
👉 В итоге:
- часть экспертов недоиспользуется
- часть получает нерелевантные задачи
- модель теряет эффективность
🧠 Что сделали исследователи
Они добавили дополнительное правило обучения (auxiliary loss), которое:
заставляет роутер выбирать экспертов строго по их реальным “навыкам”.
Как это работает:
- в систему подается маленький “тестовый” сигнал
- проверяется, какой эксперт реагирует сильнее
- роутер обучается совпадать с этим выбором
📈 Результат
- модели до 15B параметров
- стабильный рост качества на бенчмарках
- без увеличения latency и стоимости
💡 Почему это важно
Теперь MoE:
- становится более специализированным
- лучше использует вычисления
- дает больше качества за те же деньги
Фактически, это шаг к более “осознанному” распределению интеллекта внутри моделей.
И это может стать стандартом для будущих архитектур.
Paper: Coupling Experts and Routers in Mixture-of-Experts via an Auxiliary Loss
arxiv. org/abs/2512.23447
Современные LLM используют Mixture-of-Experts (MoE): задачи распределяются между “экспертами” через специальный роутер.
Проблема?
Роутер по сути угадывает.
Он не знает, какой эксперт в чём действительно силён.
👉 В итоге:
- часть экспертов недоиспользуется
- часть получает нерелевантные задачи
- модель теряет эффективность
🧠 Что сделали исследователи
Они добавили дополнительное правило обучения (auxiliary loss), которое:
заставляет роутер выбирать экспертов строго по их реальным “навыкам”.
Как это работает:
- в систему подается маленький “тестовый” сигнал
- проверяется, какой эксперт реагирует сильнее
- роутер обучается совпадать с этим выбором
📈 Результат
- модели до 15B параметров
- стабильный рост качества на бенчмарках
- без увеличения latency и стоимости
💡 Почему это важно
Теперь MoE:
- становится более специализированным
- лучше использует вычисления
- дает больше качества за те же деньги
Фактически, это шаг к более “осознанному” распределению интеллекта внутри моделей.
И это может стать стандартом для будущих архитектур.
Paper: Coupling Experts and Routers in Mixture-of-Experts via an Auxiliary Loss
arxiv. org/abs/2512.23447
📢 Docker Workflow просто и понятно
Docker кажется сложным, пока не разложишь его на 5 элементов 👇
1. Docker Client
Это то, с чем ты работаешь каждый день:
команды
2. Docker Host + Daemon
“Мозг” Docker на машине
- хранит образы
- запускает контейнеры
- управляет всем процессом
3. Docker Registry
Хранилище образов
(например: MySQL, NGINX, Redis)
Ты либо скачиваешь оттуда, либо пушишь свои
4. Images vs Containers
- Image - это шаблон
- Container - это запущенный image
5. Как всё работает вместе
- build → создаешь image
- push → отправляешь в registry
- pull → скачиваешь image
- run → запускаешь container
💡 Вся магия Docker-— это просто поток:
Client → Daemon → Registry → Container
Если понимаешь этот flow - понимаешь Docker.
Именно это спрашивают на собеседованиях.
Docker кажется сложным, пока не разложишь его на 5 элементов 👇
1. Docker Client
Это то, с чем ты работаешь каждый день:
команды
build, push, pull, run2. Docker Host + Daemon
“Мозг” Docker на машине
- хранит образы
- запускает контейнеры
- управляет всем процессом
3. Docker Registry
Хранилище образов
(например: MySQL, NGINX, Redis)
Ты либо скачиваешь оттуда, либо пушишь свои
4. Images vs Containers
- Image - это шаблон
- Container - это запущенный image
5. Как всё работает вместе
- build → создаешь image
- push → отправляешь в registry
- pull → скачиваешь image
- run → запускаешь container
💡 Вся магия Docker-— это просто поток:
Client → Daemon → Registry → Container
Если понимаешь этот flow - понимаешь Docker.
Именно это спрашивают на собеседованиях.
🚨 В открытом GitHub утекло 29 миллионов секретов за прошлый год
Пароли. API-ключи. Токены.
И почти всегда это происходит по одной причине, разработчик просто не заметил.
Есть бесплатный инструмент, который ловит такие вещи ДО релиза.
Называется Trivy.
Одна команда и он проверяет весь твой стек:
контейнеры, код, Kubernetes, cloud - всё сразу.
• Без платных тарифов
• Без продажников
• Без “enterprise only”
Просто запускаешь и получаешь отчёт.
Что он находит:
→ уязвимости во всех зависимостях и пакетах
→ пароли, API-ключи и секреты в коде
→ ошибки конфигурации в cloud и контейнерах
→ проблемы с лицензиями
→ полный список всего, что ты деплоишь
Две строки и у тебя полный security-аудит.
https://github.com/aquasecurity/trivy
Пароли. API-ключи. Токены.
И почти всегда это происходит по одной причине, разработчик просто не заметил.
Есть бесплатный инструмент, который ловит такие вещи ДО релиза.
Называется Trivy.
Одна команда и он проверяет весь твой стек:
контейнеры, код, Kubernetes, cloud - всё сразу.
• Без платных тарифов
• Без продажников
• Без “enterprise only”
Просто запускаешь и получаешь отчёт.
Что он находит:
→ уязвимости во всех зависимостях и пакетах
→ пароли, API-ключи и секреты в коде
→ ошибки конфигурации в cloud и контейнерах
→ проблемы с лицензиями
→ полный список всего, что ты деплоишь
brew install trivy
trivy image your-app:latest
Две строки и у тебя полный security-аудит.
https://github.com/aquasecurity/trivy
🤯 AI не даёт роста экономике США? Не всё так очевидно
- главный экономист Goldman Sachs Ян Хациус
Звучит странно, учитывая миллиарды, которые вливаются в ИИ.
Но вот в чём нюанс 👇
👉 большая часть оборудования для AI (чипы, серверы) импортируется
👉 деньги уходят в экономики других стран — например, Тайваня и Южной Кореи
👉 в ВВП США это почти не отражается
То есть компании тратят огромные бюджеты на AI, но эти расходы “засчитываются” в рост других экономик.
Фактически:
💸 деньги - из США
🏭 производство - за пределами США
📊 рост ВВП - тоже не в США
Это один из первых сигналов, что AI-бум может не так прямо влиять на экономику, как все ожидали.
gizmodo.com/ai-added-basically-zero-to-us-economic-growth-last-year-goldman-sachs-says-2000725380
«Инвестиции в AI почти никак не повлияли на рост экономики США в прошлом году»
- главный экономист Goldman Sachs Ян Хациус
Звучит странно, учитывая миллиарды, которые вливаются в ИИ.
Но вот в чём нюанс 👇
👉 большая часть оборудования для AI (чипы, серверы) импортируется
👉 деньги уходят в экономики других стран — например, Тайваня и Южной Кореи
👉 в ВВП США это почти не отражается
То есть компании тратят огромные бюджеты на AI, но эти расходы “засчитываются” в рост других экономик.
Фактически:
💸 деньги - из США
🏭 производство - за пределами США
📊 рост ВВП - тоже не в США
Это один из первых сигналов, что AI-бум может не так прямо влиять на экономику, как все ожидали.
gizmodo.com/ai-added-basically-zero-to-us-economic-growth-last-year-goldman-sachs-says-2000725380
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 16 лучших GitHub-репозиториев для AI-инженера в 2026 (сохрани и не потеряй)
Я собрал 16 ключевых инструментов, которые прямо сейчас формируют стек AI-разработчика 👇
🧠 Агенты и фреймворки
1) OpenClaw
→ персональный AI-агент, работает на твоих устройствах и подключается к 50+ платформам
2) AutoGPT
→ платформа для создания и запуска автономных AI-агентов
3) LangChain
→ база для создания LLM-приложений и агентных систем
4) OpenCode
→ AI-кодинг агент прямо в терминале
🤖 Модели и локальный запуск
5) Hugging Face Transformers
→ главный фреймворк для SOTA моделей (текст, vision, audio)
6) Ollama
→ запуск LLM локально одной командой
7) vLLM
→ быстрый и эффективный inference-движок для продакшена
8) Unsloth
→ ускоренный fine-tuning (x2 быстрее, -70% памяти)
🧩 Инструменты и UI
9) Open WebUI
→ self-hosted альтернатива ChatGPT с RAG и плагинами
10) ComfyUI
→ визуальный workflow для генерации изображений и видео
11) Sim
→ drag-and-drop конструктор AI пайплайнов
📊 Данные, RAG и инфраструктура
12) Firecrawl
→ превращает любой сайт в markdown/структурированные данные
13) Airweave
→ слой контекста: синхронизация 50+ источников для агентов
14) Opik
→ мониторинг, трейсинг и оценка LLM-приложений
🧾 Специализированные модели
15) OpenPipe ART
→ обучение multi-step AI-агентов через reinforcement learning
16) Chandra OCR
→ SOTA OCR для таблиц, форм, рукописного текста и 90+ языков
💡 Это не просто “популярные репы”
Это реальные кирпичи, на которых строятся AI-продукты сегодня
Если ты делаешь:
- LLM-приложения
- AI-агентов
- RAG-системы
→ ты уже используешь часть этого стека (или скоро будешь)
Сохрани пригодится для проектов и собеседований 🚀
Я собрал 16 ключевых инструментов, которые прямо сейчас формируют стек AI-разработчика 👇
🧠 Агенты и фреймворки
1) OpenClaw
→ персональный AI-агент, работает на твоих устройствах и подключается к 50+ платформам
2) AutoGPT
→ платформа для создания и запуска автономных AI-агентов
3) LangChain
→ база для создания LLM-приложений и агентных систем
4) OpenCode
→ AI-кодинг агент прямо в терминале
🤖 Модели и локальный запуск
5) Hugging Face Transformers
→ главный фреймворк для SOTA моделей (текст, vision, audio)
6) Ollama
→ запуск LLM локально одной командой
7) vLLM
→ быстрый и эффективный inference-движок для продакшена
8) Unsloth
→ ускоренный fine-tuning (x2 быстрее, -70% памяти)
🧩 Инструменты и UI
9) Open WebUI
→ self-hosted альтернатива ChatGPT с RAG и плагинами
10) ComfyUI
→ визуальный workflow для генерации изображений и видео
11) Sim
→ drag-and-drop конструктор AI пайплайнов
📊 Данные, RAG и инфраструктура
12) Firecrawl
→ превращает любой сайт в markdown/структурированные данные
13) Airweave
→ слой контекста: синхронизация 50+ источников для агентов
14) Opik
→ мониторинг, трейсинг и оценка LLM-приложений
🧾 Специализированные модели
15) OpenPipe ART
→ обучение multi-step AI-агентов через reinforcement learning
16) Chandra OCR
→ SOTA OCR для таблиц, форм, рукописного текста и 90+ языков
💡 Это не просто “популярные репы”
Это реальные кирпичи, на которых строятся AI-продукты сегодня
Если ты делаешь:
- LLM-приложения
- AI-агентов
- RAG-системы
→ ты уже используешь часть этого стека (или скоро будешь)
Сохрани пригодится для проектов и собеседований 🚀
🏚 Один промпт - минус $30K комиссии: как ChatGPT продал дом!
ChatGPT продал дом быстрее и дороже, чем риелторы. И это тревожный сигнал для рынка
История началась как обычный эксперимент. Мужчина из Флориды собирался продать дом и, как это делают все, сначала поговорил с риелторами. Ему назвали примерную цену, стандартную стратегию и, конечно, комиссию.
Но дальше он решил проверить одну идею: а что если вообще не использовать людей?
Вместо агента он открыл ChatGPT.
Он начал с простого, попросил ИИ проанализировать рынок. ChatGPT разобрал похожие дома в районе, подсказал диапазон цен и предложил стратегию: не занижать стоимость, а наоборот — выставить чуть выше, чтобы создать ощущение ценности.
Дальше - больше.
Он попросил ИИ написать объявление. Не просто текст, а описание, которое “продаёт”: с правильными акцентами, эмоцией, выгодами. Затем — советы по подготовке дома. ChatGPT предложил, какие комнаты стоит освежить, какие детали убрать, а где наоборот добавить “вау-эффект”.
Фактически, ИИ стал его маркетологом, дизайнером и стратегом одновременно.
Дом выставили.
И тут началось самое интересное.
В первые три дня пришло сразу несколько предложений. Люди активно интересовались, записывались на просмотры. Через пять дней сделка была закрыта.
Финальная цена, почти на $100,000 выше, чем ожидали риелторы.
Комиссия - ноль.
Это не история про “заменили одного специалиста”. Это история про то, как один инструмент закрыл сразу несколько ролей:
- аналитика рынка
- копирайтера
- маркетолога
- консультанта
И сделал это быстрее.
Самое важное здесь даже не деньги. А то, насколько сильно изменилась сама логика процесса.
Раньше, чтобы продать дом, нужно было:
найти агента → согласовать стратегию → ждать → платить комиссию.
Теперь достаточно:
открыть ChatGPT → задать правильные вопросы → действовать.
Та же модель уже применяется в других сферах:
люди используют ИИ для переговоров, составления контрактов, анализа сделок, запуска рекламы.
Постепенно исчезает не профессия целиком, а её “рутинная часть”.
Та самая, за которую раньше платили больше всего.
И вот тут становится немного не по себе.
Потому что если ChatGPT может продать дом…. то что ещё он сможет сделать через год?
ChatGPT продал дом быстрее и дороже, чем риелторы. И это тревожный сигнал для рынка
История началась как обычный эксперимент. Мужчина из Флориды собирался продать дом и, как это делают все, сначала поговорил с риелторами. Ему назвали примерную цену, стандартную стратегию и, конечно, комиссию.
Но дальше он решил проверить одну идею: а что если вообще не использовать людей?
Вместо агента он открыл ChatGPT.
Он начал с простого, попросил ИИ проанализировать рынок. ChatGPT разобрал похожие дома в районе, подсказал диапазон цен и предложил стратегию: не занижать стоимость, а наоборот — выставить чуть выше, чтобы создать ощущение ценности.
Дальше - больше.
Он попросил ИИ написать объявление. Не просто текст, а описание, которое “продаёт”: с правильными акцентами, эмоцией, выгодами. Затем — советы по подготовке дома. ChatGPT предложил, какие комнаты стоит освежить, какие детали убрать, а где наоборот добавить “вау-эффект”.
Фактически, ИИ стал его маркетологом, дизайнером и стратегом одновременно.
Дом выставили.
И тут началось самое интересное.
В первые три дня пришло сразу несколько предложений. Люди активно интересовались, записывались на просмотры. Через пять дней сделка была закрыта.
Финальная цена, почти на $100,000 выше, чем ожидали риелторы.
Комиссия - ноль.
Это не история про “заменили одного специалиста”. Это история про то, как один инструмент закрыл сразу несколько ролей:
- аналитика рынка
- копирайтера
- маркетолога
- консультанта
И сделал это быстрее.
Самое важное здесь даже не деньги. А то, насколько сильно изменилась сама логика процесса.
Раньше, чтобы продать дом, нужно было:
найти агента → согласовать стратегию → ждать → платить комиссию.
Теперь достаточно:
открыть ChatGPT → задать правильные вопросы → действовать.
Та же модель уже применяется в других сферах:
люди используют ИИ для переговоров, составления контрактов, анализа сделок, запуска рекламы.
Постепенно исчезает не профессия целиком, а её “рутинная часть”.
Та самая, за которую раньше платили больше всего.
И вот тут становится немного не по себе.
Потому что если ChatGPT может продать дом…. то что ещё он сможет сделать через год?
🔥 Очень любопытный проект: Supermemory показал 99% на SOTA-бенчмарке памяти
• Supermemory набрал ~99% на LongMemEval_s с использованием экспериментальной техники ASMR (Agentic Search and Memory Retrieval)
• Вместо классического vector search и embeddings используется система параллельных агентов-наблюдателей, которые извлекают структурированные знания из истории взаимодействий сразу по нескольким направлениям
• Используются специализированные поисковые агенты:
→ для точных фактов
→ для связанного контекста
→ для восстановления временной последовательности
• И самое интересное, никакой векторной базы данных не требуется
🚀 Проект станет open-source уже через 11 дней, следим:
https://x.com/DhravyaShah/status/2035517012647272689
• Supermemory набрал ~99% на LongMemEval_s с использованием экспериментальной техники ASMR (Agentic Search and Memory Retrieval)
• Вместо классического vector search и embeddings используется система параллельных агентов-наблюдателей, которые извлекают структурированные знания из истории взаимодействий сразу по нескольким направлениям
• Используются специализированные поисковые агенты:
→ для точных фактов
→ для связанного контекста
→ для восстановления временной последовательности
• И самое интересное, никакой векторной базы данных не требуется
🚀 Проект станет open-source уже через 11 дней, следим:
https://x.com/DhravyaShah/status/2035517012647272689
NousResearch завершила хакатон, запущенный в конце февраля вслед за релизом Hermes Agent.
Из 187 заявок жюри отобрало финалистов по 3 критериям: креативность, практическая польза и качество презентации. Призовой фонд составил $11 750.
Это набор инструментов для обработки видео и аудио, который встраивается в Hermes как нативный скилл.
Загружаете файл в чат, описываете задачу текстом и получаете результат: обрезка, сжатие, конвертация форматов, наложение субтитров, генерация GIF-файлов, создание стикеров для Telegram или нормализация звука. Под капотом - ffmpeg. Работает через Telegram, Discord и CLI.
Агент находит реальные комплектующие в каталоге McMaster-Carr, подставляет фактические размеры найденной детали в параметрическую модель FreeCAD, анализирует, какие элементы сборки конфликтуют после изменений, и ведет спецификацию.
При обнаружении повторяющихся сценариев агент сам создает новые скиллы - например, для подбора определенного типа крепежа.
Браузерное расширение, которое открывает чат с Hermes Agent рядом с любой страницей. Фишка проекта - селективный контекст: агент видит только то, что пользователь выбрал (текст страницы, выделенный фрагмент, изображения, содержимое PDF). Поддерживаются кастомные темы, голосовой ввод, TTS и работа через SSH.
Спутниковые снимки рендерятся цветными юникод-блоками прямо в терминале, поверх отображаются города из OpenStreetMaps и заголовки новостей, привязанные к координатам в реальном времени. Геокодинг-пайплайн определяет локации из заголовков, расставляет приоритеты по населению и близости к другим видимым новостям. Автор собрал проект за один день, работая через Hermes Agent с Opus 4.6.
Симуляция автономного марсохода. Hermes Agent управляет моделью NASA Perseverance в среде Gazebo: планирование маршрута, считывание показаний IMU, четырех камер, LIDAR и контактных сенсоров, обход препятствий и генерация отчета о миссии.
Марсианская физика с гравитацией, проскальзыванием колес и динамикой ODE. За 25 минут автономной работы точность возврата на базу ~ 22 см. Ровер останавливается при наклоне больше 25°, сохраняет удачные треки и улучшает поведение от сессии к сессии.
Кстати, Hermes Agent написал роман «The Second Son of the House of Bells» - 79 456 слов, 19 глав. Агент выстроил собственный пайплайн по схеме, похожей на Autoresearch Андрея Карпатого: мироконструирование, черновики глав, состязательное редактирование, ревью через Opus, верстка в LaTeX, генерация обложки и аудиокниги.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡️ Лучшие GitHub-репозитории для Claude Code, которые могут увеличить эффективность твоего следующего проекта
1. Superpowers
https://github.com/obra/superpowers
2. Awesome Claude Code
https://github.com/hesreallyhim/awesome-claude-code
3. GSD (Get Shit Done)
https://github.com/gsd-build/get-shit-done
4. Claude Mem
https://github.com/thedotmack/claude-mem
5. UI UX Pro Max
https://github.com/nextlevelbuilder/ui-ux-pro-max-skill
6. n8n-MCP
https://github.com/czlonkowski/n8n-mcp
7. Obsidian Skills
https://github.com/kepano/obsidian-skills
8. LightRAG
https://github.com/hkuds/lightrag
9. Everything Claude Code
https://github.com/affaan-m/everything-claude-code
🎯Полезные Мл-ресурсы 🚀 Max
@data_analysis_ml
1. Superpowers
https://github.com/obra/superpowers
2. Awesome Claude Code
https://github.com/hesreallyhim/awesome-claude-code
3. GSD (Get Shit Done)
https://github.com/gsd-build/get-shit-done
4. Claude Mem
https://github.com/thedotmack/claude-mem
5. UI UX Pro Max
https://github.com/nextlevelbuilder/ui-ux-pro-max-skill
6. n8n-MCP
https://github.com/czlonkowski/n8n-mcp
7. Obsidian Skills
https://github.com/kepano/obsidian-skills
8. LightRAG
https://github.com/hkuds/lightrag
9. Everything Claude Code
https://github.com/affaan-m/everything-claude-code
🎯Полезные Мл-ресурсы 🚀 Max
@data_analysis_ml