У Microsoft вышла очень показательная работа про надёжность AI-агентов.
Лучший агент в эксперименте смог успешно выполнить 91% бизнес-задач хотя бы один раз.
Но если требовать, чтобы он выполнял ту же задачу правильно каждый раз, показатель падал до 25%.
И есть ещё более неприятная часть.
В 4 из 5 неудачных запусков агент:
— вежливо завершал работу
— вызывал инструмент записи в базу
— сообщал, что всё выполнено
Но состояние базы показывало обратное.
То есть по финальному ответу агента проблема вообще могла быть незаметна.
Поэтому Microsoft сделала ThinkingBox — sandbox для проверки агентов в stateful business workflows.
Он запускает агента с реальными tools, симулированным пользователем и backend-состоянием, а после выполнения проверяет не слова агента, а то, что реально изменилось в системе.
Очень правильная метрика для production-агентов:
Paper:
https://arxiv.org/abs/2608.19741
“One Success Isn't Reliability: ThinkingBox, a Sandbox and Benchmark for Agents in Stateful Business Workflows”
Лучший агент в эксперименте смог успешно выполнить 91% бизнес-задач хотя бы один раз.
Но если требовать, чтобы он выполнял ту же задачу правильно каждый раз, показатель падал до 25%.
И есть ещё более неприятная часть.
В 4 из 5 неудачных запусков агент:
— вежливо завершал работу
— вызывал инструмент записи в базу
— сообщал, что всё выполнено
Но состояние базы показывало обратное.
То есть по финальному ответу агента проблема вообще могла быть незаметна.
Поэтому Microsoft сделала ThinkingBox — sandbox для проверки агентов в stateful business workflows.
Он запускает агента с реальными tools, симулированным пользователем и backend-состоянием, а после выполнения проверяет не слова агента, а то, что реально изменилось в системе.
Очень правильная метрика для production-агентов:
не «смог ли он сделать это хотя бы раз», а
**«делает ли он это стабильно при повторных запусках».**
Paper:
https://arxiv.org/abs/2608.19741
“One Success Isn't Reliability: ThinkingBox, a Sandbox and Benchmark for Agents in Stateful Business Workflows”
❤6👍4🔥2
🤖 AI-агенты уже пишут код. Но умеют ли они чинить настоящие проблемы?
Новое исследование SWE-bench Science показывает: часто агенты исправляют только видимый симптом, а не реальную причину бага.
Учёные проверили агентов на задачах из открытых научных репозиториев:
* публичные тесты можно использовать для итераций;
* скрытые тесты показывают, действительно ли проблема решена.
Результат удивляет:
Claude Code с Opus-5 проходит 96,64% публичных тестов, но настоящий показатель Pas@1 - всего 47,90%.
Агент часто делает так, чтобы ошибка исчезла на поверхности, но не восстанавливает правильное поведение системы.
📄 SWE-bench Science: Can Coding Agents Resolve Engineering Tasks in Science?
https://arxiv.org/abs/2608.19799
Новое исследование SWE-bench Science показывает: часто агенты исправляют только видимый симптом, а не реальную причину бага.
Учёные проверили агентов на задачах из открытых научных репозиториев:
* публичные тесты можно использовать для итераций;
* скрытые тесты показывают, действительно ли проблема решена.
Результат удивляет:
Claude Code с Opus-5 проходит 96,64% публичных тестов, но настоящий показатель Pas@1 - всего 47,90%.
Агент часто делает так, чтобы ошибка исчезла на поверхности, но не восстанавливает правильное поведение системы.
📄 SWE-bench Science: Can Coding Agents Resolve Engineering Tasks in Science?
https://arxiv.org/abs/2608.19799
👍5❤2🔥1
🤯 Локальные AI-модели становятся пугающе мощными
Qwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки.
Модель всего на 27 млрд параметров, которую можно запускать локально.
Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры.
Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе.
Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов.
https://x.com/arena/status/2091920512796725272
Qwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки.
Модель всего на 27 млрд параметров, которую можно запускать локально.
Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры.
Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе.
Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов.
https://x.com/arena/status/2091920512796725272
🔥8❤4🥰1
🔥 Prime Agent выпустили технический отчёт
"Prime Agent: A Self-Improving RLM Harness"
В работе подробнее разобрана архитектура Prime Agent и его роль как harness для долгих agentic-оценок.
Один из самых интересных экспериментов - Factorio:
- 7 дней непрерывной траектории на Sonnet 5
- 23,4 млн output tokens
- завершено 24 из 196 технологий
- ещё 71% прогресса до следующей технологии
- 633 запущенных subagents
- максимум 7 агентов работали одновременно
Отчёт:
https://arxiv.org/abs/2608.23552
"Prime Agent: A Self-Improving RLM Harness"
В работе подробнее разобрана архитектура Prime Agent и его роль как harness для долгих agentic-оценок.
Один из самых интересных экспериментов - Factorio:
- 7 дней непрерывной траектории на Sonnet 5
- 23,4 млн output tokens
- завершено 24 из 196 технологий
- ещё 71% прогресса до следующей технологии
- 633 запущенных subagents
- максимум 7 агентов работали одновременно
Отчёт:
https://arxiv.org/abs/2608.23552
🔥3
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Prime Agent — это больше, чем харнесс модели. Сами авторы называют проект операционной системой для долгоживущих агентов.
Умнее модель он не делает, но дает ей работать дольше - программно раскладывать информацию, параллельно раздавать задачи подагентам и копить полезные процедуры.
Идея в том, чтобы у языковой модели была устойчивая вычислительная среда, где она сама распоряжается памятью, кодом, подагентами и долгими задачами.
Состояние в системе разложено по четырем уровням:
Состояние переживает и шаги, и перезапуски, и отключения. Человек при этом может наблюдать за агентами и вмешиваться.
Сильнее всего эффект виден на длинных интерактивных задачах. На ARC-AGI-3 конфигурация с Opus 5 дала 95,5% Best@1 против 30,2% у обвязки самой ARC.
На длинноконтекстных задачах Prime Agent держится наравне с конкурентами, а на отдельных, вроде EmulatorBench, заметно вырывается вперед. Он обошел Pi-mono с GLM-5.2 и Codex с GPT-5.6 Sol, но уступил Claude Code с Opus 5.
Отдельно показательны игровые прогоны на эмуляторах. На Sega Genesis связка Prime Agent и GPT-5.6 Sol набрала 61,6% по итоговой оценке верификатора, а Claude Code с той же моделью — ноль. На Game Boy Color разрыв еще резче: 99,8% против нуля.
Самая любопытная деталь отчета - накопление навыков закрепляет не только полезное.
В одном из экспериментов агент нашел способ обходить ограничения Factorio, сохранил его как переиспользуемый навык и тем самым записал эксплойт в долговременную память. Дальше он доставал оттуда именно это решение, потому что оно один раз сработало.
На днях вышел релиз 0.8.0 с исправлениями найденных проблем и новыми возможностями.
@ai_machinelearning_big_data
#AI #ML #Harness #Agents #PrimeIntellect
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4❤3🔥2
Модель построена на Qwen-VL / Qwen3.5-4B и объединяет визуально-языковую основу с action-модулем на Diffusion Transformer и flow matching. Это позволяет напрямую генерировать непрерывные движения робота, сохраняя понимание изображения и текстовых инструкций.
Главная идея проекта - сначала выровнять данные, потом масштабировать обучение.
Датасеты робототехники сильно различаются: разные роботы, камеры, системы координат, пространства действий и способы сбора данных. Qwen-RobotManip приводит их к общей системе на уровне представлений, движений и поведения.
Для обучения использовали только открытые датасеты роботизированных манипуляций и видео от первого лица - без собственного закрытого сбора данных. В итоге собрали около 38 100 часов данных.
Авторы показывают сильное обобщение на новые условия, выполнение инструкций, восстановление после ошибок и перенос навыков между разными типами роботов.
https://github.com/QwenLM/Qwen-RobotManip
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2🔥1
🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.
Stepik: «Python современный AI для разработчика и автоматизации задач»
63 урока, 382 шага, практика с кодом и автопроверкой.
Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.
Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.
Для тех, кто уже знает Python и хочет перейти к production AI.
⏳ 72 часа скидка 55%
https://stepik.org/a/295921
Stepik: «Python современный AI для разработчика и автоматизации задач»
63 урока, 382 шага, практика с кодом и автопроверкой.
Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.
Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.
Для тех, кто уже знает Python и хочет перейти к production AI.
⏳ 72 часа скидка 55%
https://stepik.org/a/295921
❤3👍2🔥2
⚡️ AI-агенты научились автономно разрабатывать софт несколько дней подряд
В новой работе представили Harness-of-Harness (HoH) - надстройку над coding-агентами, которая превращает их работу в повторяющиеся циклы:
Главная идея — не просто дать агенту одну большую задачу, а заставить его постоянно улучшать проект небольшими проверяемыми шагами, сохранять историю версий и отделять собственные тесты от независимой оценки.
На GameCraft-Bench, FrontierSWE и ProgramBench подход протестировали с несколькими связками:
- Codex + GPT-5.5
- OpenCode + DeepSeek-V4-Pro
- Pi + MiniMax-M3
После трёх итераций HoH в среднем улучшил результат на 52,25%, а максимальный прирост достиг 82,86% по сравнению с обычным запуском тех же агентов.
Самый показательный эксперимент длился более 70 итераций несколько дней подряд. Агент автономно собрал полноценный FPS: сюжет, основные механики, играбельный геймплей, визуал и звук.
То есть речь уже не о «написать функцию по промпту», а о попытке построить цикл, в котором coding-агент самостоятельно развивает один проект часами и днями.
https://arxiv.org/abs/2609.01481
В новой работе представили Harness-of-Harness (HoH) - надстройку над coding-агентами, которая превращает их работу в повторяющиеся циклы:
планирование → код → тесты → оценка → улучшениеГлавная идея — не просто дать агенту одну большую задачу, а заставить его постоянно улучшать проект небольшими проверяемыми шагами, сохранять историю версий и отделять собственные тесты от независимой оценки.
На GameCraft-Bench, FrontierSWE и ProgramBench подход протестировали с несколькими связками:
- Codex + GPT-5.5
- OpenCode + DeepSeek-V4-Pro
- Pi + MiniMax-M3
После трёх итераций HoH в среднем улучшил результат на 52,25%, а максимальный прирост достиг 82,86% по сравнению с обычным запуском тех же агентов.
Самый показательный эксперимент длился более 70 итераций несколько дней подряд. Агент автономно собрал полноценный FPS: сюжет, основные механики, играбельный геймплей, визуал и звук.
То есть речь уже не о «написать функцию по промпту», а о попытке построить цикл, в котором coding-агент самостоятельно развивает один проект часами и днями.
https://arxiv.org/abs/2609.01481
❤4👍1🔥1
📖 OpenAI обновила гайд по GPT-6 Astra API - модель явно заточена под длинные агентные задачи
GPT-6 Astra позиционируется как самая сильная модель OpenAI для computer use, браузера, software engineering, науки и сложных профессиональных workflows.
Главные возможности:
- Async tool calling — модель может продолжать рассуждать и выполнять другие части задачи, пока внешний tool ещё работает
- Mid-turn steering — требования можно менять прямо во время выполнения задачи, не начиная всё заново
- Динамический reasoning — reasoning effort можно повышать или снижать по ходу диалога с сохранением prompt cache
- Multi-agent orchestration
- Computer use
- Structured Outputs
- Programmatic Tool Calling
- Persisted reasoning
- Compaction
OpenAI отдельно отмечает, что Astra во многих тестах использует заметно меньше output-токенов, поэтому стоимость успешно выполненной задачи может быть ниже даже при более высокой цене токена.
https://developers.openai.com/api/docs/guides/latest-model?model=gpt-6-astra
GPT-6 Astra позиционируется как самая сильная модель OpenAI для computer use, браузера, software engineering, науки и сложных профессиональных workflows.
Главные возможности:
- Async tool calling — модель может продолжать рассуждать и выполнять другие части задачи, пока внешний tool ещё работает
- Mid-turn steering — требования можно менять прямо во время выполнения задачи, не начиная всё заново
- Динамический reasoning — reasoning effort можно повышать или снижать по ходу диалога с сохранением prompt cache
- Multi-agent orchestration
- Computer use
- Structured Outputs
- Programmatic Tool Calling
- Persisted reasoning
- Compaction
OpenAI отдельно отмечает, что Astra во многих тестах использует заметно меньше output-токенов, поэтому стоимость успешно выполненной задачи может быть ниже даже при более высокой цене токена.
https://developers.openai.com/api/docs/guides/latest-model?model=gpt-6-astra
❤6👍1🔥1
📚 Бесплатная книга по математике для Computer Science и Machine Learning - более 2200 страниц
Жан Галлье и Джоселин Куэйнтанс собрали в одном учебнике алгебру, топологию, дифференциальное исчисление и теорию оптимизации.
Материал для тех, кто хочет глубже разобраться в математической основе алгоритмов и машинного обучения. Книга на английском, полная рукопись доступна бесплатно в PDF.
https://www.cis.upenn.edu/~jean/gbooks/geomath.html
Жан Галлье и Джоселин Куэйнтанс собрали в одном учебнике алгебру, топологию, дифференциальное исчисление и теорию оптимизации.
Материал для тех, кто хочет глубже разобраться в математической основе алгоритмов и машинного обучения. Книга на английском, полная рукопись доступна бесплатно в PDF.
https://www.cis.upenn.edu/~jean/gbooks/geomath.html
👍4❤3🔥3
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Компания скорректировала график подготовки к первичному размещению - теперь оно ориентировано на середину октября. Причинами называют финальное согласование отчётности и желание андеррайтеров поймать более устойчивое окно на рынке.
Размещение будет заметным для всей отрасли - Anthropic первой среди создателей передовых моделей переходит от венчурных денег к регулярной публичной отчётности и рынок впервые увидит, сходится ли экономика больших языковых моделей с затратами на вычисления.
reuters.com
В команду по связям с госорганами пришли трое: Джессика Шумер из Amazon, Колдер Харвилл-Чайлдс из команды Цукерберга и Томас Маклеллан из Palo Alto Networks.
Ставка на штаты объясняется тем, что единый федеральный закон об ИИ застрял в Конгрессе. Под руководством вице-президента по глобальной политике Криса Лехейна компания собирается напрямую участвовать в разработке законопроектов в Нью-Йорке, Калифорнии и других крупных штатах.
Расчёт в том, чтобы закрепить нормы прозрачности и кибербезопасности на региональном уровне и сделать их фактическим стандартом для всей индустрии.
axios.com
Это упрощённая версия флагманской MAI-Image-2.6. Она умеет генерировать картинки по тексту, править фрагменты, работать с несколькими референсами, сама подбирает соотношение сторон и ходит в веб-поиск.
В рейтинге Artificial Analysis модель взяла 1311 Elo в редактировании (третье место, выше GPT Image 2) и 1297 Elo в генерации по тексту, восьмое место.
Доступна в публичном превью на Microsoft Foundry. Генерация стоит 19 долларов за миллион токенов, что вдвое дешевле родительской модели и в несколько раз бюджетнее GPT Image 2.
microsoft.ai
Project HydraFusion меняет прежнюю схему с одной моделью на ансамбль специализированных. Задачи распределяются на лету - маленькие модели отвечают за автокомплит в строках кода, а большие берут на себя архитектуру, рефакторинг и поиск граничных случаев.
Прежде чем результат попадёт в IDE или в пул-реквест, его проверяют модели-критики и статический анализ.
От этого проекта GitHub ждёт меньше галлюцинаций и логических ошибок в больших репозиториях без потери скорости. Предварительная версия уже доступна всем подписчикам Copilot.
github.blog
Разработчики нодового движка запустили программу Forward Deployed Creatives, скопировав модель Palantir - технические художники и инженеры компании сядут прямо в команды киностудий, игровых компаний и агентств.
Задача - встроить ComfyUI в существующую инфраструктуру на Blender, Maya и Unreal Engine и написать под неё нестандартные ноды, чтобы генерация стала управляемой и повторяемой в реальном производстве.
Обратная связь с проектов пойдёт напрямую разработчикам ядра ComfyUI.
comfy.org
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥3👍1
FrogNano: кодинг-агент на 4 млрд параметров, дообученный без копирования ответов больших моделей
В новом отчёте Microsoft описан подход к обучению небольших агентов для разработки ПО. FrogNano проходил постобучение исключительно через reinforcement learning на синтетических задачах примерно в 1 500 программных окружениях, без традиционной дистилляции от более крупной модели.
Особенность - генерация задач прямо по ходу обучения. Их сложность подстраивается под текущие возможности агента: он получает задания, которые уже способен решить, но пока с трудом.
По мере улучшения модели меняется и набор задач. Это позволяет поддерживать полезную сложность, вместо того чтобы снова обучать агента на уже освоенных примерах.
Авторы связывают результат прежде всего с точностью подбора сложности. В их экспериментах такой подход позволил получить конкурентоспособного небольшого кодинг-агента на синтетических задачах.
Цель проекта - работа на ограниченном железе. В отчёте разобраны методика обучения, оценки в разных окружениях и анализ приобретённых навыков.
Статья - https://arxiv.org/abs/2609.07925
В новом отчёте Microsoft описан подход к обучению небольших агентов для разработки ПО. FrogNano проходил постобучение исключительно через reinforcement learning на синтетических задачах примерно в 1 500 программных окружениях, без традиционной дистилляции от более крупной модели.
Особенность - генерация задач прямо по ходу обучения. Их сложность подстраивается под текущие возможности агента: он получает задания, которые уже способен решить, но пока с трудом.
По мере улучшения модели меняется и набор задач. Это позволяет поддерживать полезную сложность, вместо того чтобы снова обучать агента на уже освоенных примерах.
Авторы связывают результат прежде всего с точностью подбора сложности. В их экспериментах такой подход позволил получить конкурентоспособного небольшого кодинг-агента на синтетических задачах.
Цель проекта - работа на ограниченном железе. В отчёте разобраны методика обучения, оценки в разных окружениях и анализ приобретённых навыков.
Статья - https://arxiv.org/abs/2609.07925
❤2👍1
🔥 Thinking with Looped Flows - новый подход к reasoning через рекуррентное обновление скрытого состояния
Обычные looped-модели могут тратить больше compute, многократно обновляя hidden state, но truncated backprop плохо обучает ранние шаги: то, что модель выучила в начале, часто не остаётся полезным позже.
Авторы предлагают другой подход — обучать recurrence через последовательность denoising-задач с постепенно уменьшающимся шумом.
Идея:
При этом recurrent state переносится между шагами и постепенно уточняется.
Результаты:
- более стабильный test-time scaling
- 58,8% на ARC-AGI-1
- 12,2% на ARC-AGI-2
- в целом лучше предыдущих looped-моделей
Интересный сдвиг: reasoning здесь рассматривается не как цепочка токенов, а как постепенное движение внутреннего состояния модели от шума к решению.
https://alphaxiv.org/abs/2609.11801
Обычные looped-модели могут тратить больше compute, многократно обновляя hidden state, но truncated backprop плохо обучает ранние шаги: то, что модель выучила в начале, часто не остаётся полезным позже.
Авторы предлагают другой подход — обучать recurrence через последовательность denoising-задач с постепенно уменьшающимся шумом.
Идея:
noise → промежуточное состояние → всё более чистое решениеПри этом recurrent state переносится между шагами и постепенно уточняется.
Результаты:
- более стабильный test-time scaling
- 58,8% на ARC-AGI-1
- 12,2% на ARC-AGI-2
- в целом лучше предыдущих looped-моделей
Интересный сдвиг: reasoning здесь рассматривается не как цепочка токенов, а как постепенное движение внутреннего состояния модели от шума к решению.
https://alphaxiv.org/abs/2609.11801
👍6❤2😡1
🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку
Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте.
А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом.
Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.
Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте.
А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом.
Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.
❤1
📘 Глубокое понимание AI Agent: принципы проектирования и инженерная практика
AI Agents in Depth: Design Principles and Engineering Practice - одна из самых сильных новых книг по AI Agents: context engineering, RAG, MCP, coding agents, post-training, multi-agent. 10 глав и более 100 практических экспериментов, есть русская версия.
https://github.com/bojieli/ai-agent-book/blob/main/docs/ru/README.md
AI Agents in Depth: Design Principles and Engineering Practice - одна из самых сильных новых книг по AI Agents: context engineering, RAG, MCP, coding agents, post-training, multi-agent. 10 глав и более 100 практических экспериментов, есть русская версия.
https://github.com/bojieli/ai-agent-book/blob/main/docs/ru/README.md
🔥9