Как установить gemma4 локально для использования в чате?

Супер быстрый мини гайд, что бы попробовать возможности моделей gemma4 (пока без внедрения в автоматизации)

P.S. В видео оговорился, у меня не 5090ti, а 5070ti, а вообще для работы пойдет любая карточка.

P.P.S Кстати вышел Gpt-5.5, теперь есть смысл использовать Codex в связке с ним, завтра распишу подробнее.

OpenAI выпустила GPT-5.5 — новый флагман для «реальной работы»
#method_news

Все уже немного привыкли к новым флагманам убийцей прошлых флагманов, а то и целых сервисов и поэтому такие новости воспринимаются нейтрально, но в этом релизе есть кое-что интересное.

В общем: OpenAI представила GPT-5.5 — самую умную и интуитивную модель компании на сегодня.

Где доступна и сколько стоит?

Модель раскатывается на пользователей Plus, Pro, Business и Enterprise в ChatGPT и Codex.

В Codex GPT-5.5 теперь модель по умолчанию. API уже открыт — по цене $5 за миллион входных и $30 за миллион выходных токенов, с контекстным окном в 1 миллион токенов (вдвое дороже GPT-5.4)

Главное про модель — она быстрее и дешевле в работе, хоть и стоит дороже )))

Самое практичное улучшение — эффективность. GPT-5.5 сохраняет ту же per-token-латентность, что и GPT-5.4, но использует примерно на 40% меньше выходных токенов, чтобы решить ту же задачу в Codex.

Кодинг — главный фокус релиза.

GPT-5.5 — самая сильная агентная coding-модель OpenAI. На Terminal-Bench 2.0 она показала 82.7% — текущий state-of-the-art.

На внутреннем бенчмарке Expert-SWE с задачами, требующими у эксперта-человека в среднем 20 часов работы, GPT-5.5 набирает 73.1% против 68.5% у GPT-5.4.

Я посмотрел различные бенчмарки по Работе с компьютером и интерфейсами, и по Науке и исследованиям, и по безопасности...

Если вы не знали целая куча их уже существует, где сравнивают работу моделей в тех или иных условиях, не буду грузить тут подробностями, если вкратце то везде наблюдается небольшой отрыв от конкурентов и своих же решений.

Из интересного, помимо кодинга, OpenAI делает ставку на то, что модель может реально работать с компьютером полностью самостоятельно.

Собственно в эту сторону по моим наблюдениям все и двигаются.

В агентных сценариях, как показали многочисленные эксперименты с самостоятельными clawd ботами, очень важный момент не в том насколько стала модель умнее, а на сколько экономнее не потеряв в интеллекте.

И в этом случае здесь есть явный прогресс, да и кстати gpt 5.5 уже доступна и в Cursor для использования в самом младшем тарифном плане, поэтому грех не затестить.

N8N + Claude = Workflow строит сам ИИ. Теперь реально.
#method_n8n

Помните, я писал про эволюцию — сначала кайфуешь от n8n, потом переходишь на Cursor и кайфуешь от того, что он почти все делает сам.

Так вот, появилось промежуточное звено, которое меняет правила игры окончательно.

⚡ Это n8n MCP Server — мост между n8n и любым ИИ-ассистентом (Claude, Cursor, Windsurf).

И это не жалкие поделки, что были до этого.

Что это значит если в двух словах?

Вы говорите Claude в обычном чате:

«Сделай мне воркфлоу — каждый день в 9 утра парсить RSS техно-блогов, суммаризировать через GPT и кидать в мой ТГ канал»

И Claude:

▪️ Сам подбирает правильные ноды (а их в базе MCP — 1505 штук, 812 кор + 693 коммьюнити)
▪️ Сам валидирует параметры по 2646 готовым шаблонам
▪️ Сам собирает JSON воркфлоу
▪️ Сам создает его в вашем n8n через API
▪️ И дает ссылку — открывайте в браузере, тестируйте.

🔥 Это работает в обе стороны — Claude может не только создавать, но и редактировать существующие воркфлоу, дебажить ошибки, заменять одну LLM на другую и адаптировать промпты.

❓ Зачем это надо?

Потому что главная боль в n8n — не строить логику, а помнить параметры каждой ноды. Когда у тебя 30+ нод в воркфлоу, ты на 80% времени гуглишь доку.

MCP убирает эту боль полностью. ИИ держит всю документацию в голове, ты держишь идею.

⚙️ Что нужно для запуска:

1. Claude Desktop или Cursor
2. Node.js или Docker
3. Свой n8n с API-ключом
4. Один JSON-конфиг с тремя строчками

Время на установку — 10 минут и результат получается действительно шикарный, например я потестил на создании воркфлоу для написания SEO статей, где в качестве модели gemma4, что работает конечно медленнее чем облачные варианты.

И при создании воркфлоу я попросил учесть Claude что модель будет локальная и медленная.

В итоге он сделал и предусмотрел несколько защит, которых бы я точно не предусмотрел если бы собирал в ручную.

Плюс на выходе все работает как нужно. Воркфлоу собрался без ошибок и имеет нормальную логику работу, а не как я когда-то пробовал разные подобные инструменты, после которых подумал, что ИИ пока далеко до завоевания мира.

Теперь походу не так далеко.

💡 Кому особенно зайдет:

▪️ Новичкам — вы перепрыгнете через 2 месяца боли с документацией
▪️ Опытным — увеличите скорость прототипирования в разы
▪️ Агентствам — клиентские воркфлоу клепаются под диктовку голосом

Но есть нюанс — без правильных системных инструкций для Claude качество результата падает в разы. Плюс все-таки нужно иметь некоторую базу в голове, что бы потом пробежать по готовым нодам и подправить если нужно.

Гайд по установке уже на подходе, наравне с развертыванием Gemma4 в n8n.

А гитхаб данного mcp - https://github.com/czlonkowski/n8n-mcp (Там же есть и инструкция, но у меня будет в видео формате и на русском языке)

А чуть позже и для Cursor запишу, а то многих бесят лимиты у Claude, не дающие по-настоящему развернуться на первом тарифе )

Один агент круто. А что если им управляют другие агенты?
#method_n8n

Возможно слышали тренд последних дней, который массово обсуждают в комьюнити n8n и в Twitter — Multi-agent workflows через AI Agent Tool node.

Если коротко — это паттерн, когда главный «родительский» агент использует других агентов как инструменты. Не как отдельные суб-воркфлоу, а напрямую, на одном холсте, в одном выполнении.

Зачем это надо?

Раньше была развилка — либо лепить одного жирного агента с 20+ инструментами и молиться, что он не запутается в выборе, либо делать суб-воркфлоу и страдать с передачей контекста и переменных между ними.

Теперь появился третий путь, который объединяет лучшее из двух миров.

⚡️ Как это работает на практике

Пример который привел Max из команды n8n и который завирусился —

▪️ Главный агент — на топовой модели типа GPT-4.1 или Claude Sonnet
▪️ Под ним — специализированный агент на дешевой GPT-4.1 nano
▪️ Главный кидает тяжелые задачи (парсинг 50 строк JSON, классификация пачки сообщений) дочернему
▪️ Дочерний обрабатывает и возвращает только сводку
▪️ Главный получает чистый результат и работает дальше

Что в итоге?

▪️ Экономия токенов — топовая модель не жжет дорогие токены на рутинной обработке данных
▪️ Меньше галлюцинаций — каждый агент решает узкую задачу с фокусированным промптом
▪️ Легче дебаг — видно сразу какой именно агент и где сломался
▪️ Все в одном выполнении — никакой возни с переменными между суб-воркфлоу

🔥 Почему именно сейчас все об этом говорят

Совпало несколько событий:

1. Обновили возможность публиковать и снимать с публикации workflow tools для MCP — то есть твои агенты могут динамически подключаться как инструменты в Claude, Cursor и тд

2. Сама концепция оркестратор-воркеры (orchestrator-workers) стала мейнстримом — про нее активно пишут в блоге n8n, в Twitter ее форсит Elvis (@omarsar0), пост которого на эту тему собрал заметные реакции

💡 Что важно понимать

В n8n есть три уровня ИИ оркестрации, важно их различать —

▪️ Sequential agents — агенты работают по очереди в заданном порядке. Простейший вариант, подходит для линейных пайплайнов
▪️ Parallel agents — несколько агентов работают одновременно над независимыми задачами
▪️ Hierarchical (то о чем мы говорим) — главный агент делегирует, специализированные исполняют. Самый мощный паттерн для сложных систем

🎯 Кому это критично освоить

▪️ Тем, кто строит системы клиентской поддержки — главный агент классифицирует, специализированные отвечают
▪️ Тем, кто работает с большими массивами данных — экономия на токенах считается тысячами долларов в месяц
▪️ Тем, кто делает агентов под бизнесы — клиент платит за результат, ему все равно сколько у тебя там агентов под капотом, главное стабильность

📌 Можно вложить агентов в несколько уровней, то есть главный → средний → специализированный. Но лучше не злоупотреблять, 2 уровня достаточно для 95% задач.

Тренд однозначно — переход от «один агент на все» к настоящей оркестрации команд агентов, прямо как в реальной разработке мы не пишем все в одной функции, а разбиваем на модули.

🇨🇳 Moonshot Kimi + Alibaba Qwen — китайские LLM теперь нативно в n8n
#method_n8n

Китайские нейронки залетели в n8n нативными нодами. И это очень важная новость.

Кратко - совсем недавно в свежих релизах n8n завезли нативную поддержку двух китайских семейств LLM: Moonshot Kimi и Alibaba Qwen.

И знаете что? Это не просто еще одна интеграция, это смена расклада на рынке для всех, кто строит автоматизации с нейронками в проде.

Объясню почему.

🔥 Что именно добавили

▪️ Moonshot Kimi Chat Model - это китайский Kimi K2.6, который вышел 20 апреля. Что важно - он на бенчмарке SWE-Bench Pro показывает 58.6%, столько же сколько у нового GPT-5.5. То есть в реальных задачах с агентами он работает на уровне топовых платных моделей

▪️ Alibaba Cloud Chat Model + Model Studio - это все семейство Qwen3, включая визуальные модели Qwen-VL, генератор картинок Z-Image Turbo, видео генератор Wan 2.6 (text-to-video и image-to-video). И все это через одну ноду в n8n

💰 Теперь самое вкусное - цены

Берем стандартный сетап, где на агентах прогоняется работа на $495 в месяц на Claude Opus 4.7

Тот же объем на Kimi K2.6 - $24 в месяц.

Это не опечатка. Реальная экономия 95%.

При этом качество на агентских задачах сравнимое, а на длинных воркфлоу с десятками шагов Kimi даже стабильнее держит контекст, потому что обучали его именно под это.

Цена входа - $0.60 за миллион входных токенов и $2.50 за миллион выходных. У Claude и GPT в 5-7 раз дороже на выход.

🎬 Про Wan 2.6 отдельно

До недавнего времени, что бы автоматизировать генерацию видео из текста или из картинки, нужно было лезть в ComfyUI, поднимать свой сервер с GPU или платить за Replicate с конскими ценами.

Теперь скидываете ноду Alibaba Cloud Model Studio, выбираете режим image-to-video, кидаете промпт и картинку - получаете готовое видео с автозагрузкой в воркфлоу.

Себестоимость генерации одного видео в районе нескольких центов.

🤔 Подвох есть?

Да, есть несколько моментов, о которых в инфоповоде обычно молчат:

▪️ Чисто математические задачи и сложное reasoning Kimi проигрывает GPT 5.4 - 96.4% против 99.2% на AIME. Если делаете финансовые расчеты или мед интерпретацию - оставайтесь на старых моделях

▪️ Генерации идут через DashScope API, то есть ваши данные ходят в Китай. Для российского, европейского рынка ок, для США и регулируемых отраслей надо думать. Кстати, n8n предусмотрел Frankfurt регион для EU compliance, но это все еще китайский сервис

▪️ Открытые веса Kimi - 1 триллион параметров. Хочешь у себя локально - готовь 16x80GB H100. То есть для большинства это все равно облако

▪️ У Kimi немного проблем с русским языком в нюансах, но в целом вменяемо. Для базовых задач классификации, генерации, суммаризации норм

Кому это критично начать думать в сторону внедрения данных моделей?

▪️ Агентствам с большим объемом - тут реально считается экономия в тысячи долларов в месяц
▪️ Тем кто строит контент-фабрики - text-to-video через Wan 2.6 это бомба
▪️ Тем кто запускает агентов с длинными цепочками - Kimi K2.6 натренирован специально на такие сценарии (поддерживает координацию 300 субагентов на 4000 шагов в одной сессии)
▪️ Стартапам - можно вообще обнулить расходы на API в начале

📌 Технический момент. n8n сделал ноды через LangChain sub-node паттерн (как у DeepSeek и Grok), поэтому подключаются они к AI Agent ноде стандартным способом. Никаких костылей, никакого HTTP Request с ручной настройкой токенов.

Тренд однозначен - монополия американских AI на высокий ценник заканчивается. Открытые модели догнали закрытые по качеству, а по цене бьют их в 5-7 раз. И n8n очень своевременно дал нам всем рычаг для этого перехода.

Гайд - Cursor + MCP = ЧУДО В N8N

В самом начале мы вообще рассматриваем вариант, когда работаем даже без Cursor, из самого N8N используя внутренний Instance-level MCP.

Этот вариант не такой крутой, как Claude и Cursor и MCP с Github, но самый экономичный.

https://youtu.be/eIpqTXk4mL0

Жителям РФ — лайфхак, как победить замедление Телеграм в воркфлоу n8n.
#method_n8n

С февраля 2026 в России идет замедление Телеграм и со временем оно только усиливается. И если для обычных пользователей это просто бесит и заставляет лишний раз идти в ВПН, то для нас, разработчиков ИИ агентов и автоматизаций, ситуация куда серьезнее.

Потому что у клиентов внутри РФ просто перестают нормально работать боты, на которых стоит вся их автоматизация и зачастую критически важные бизнес процессы.

Картина такая:

▪️ Сообщения зависают и приходят с задержкой в десятки секунд
▪️ Медиа загружается криво или вообще не доходит
▪️ Вебхуки от Телеграма теряются и триггеры в n8n не срабатывают
▪️ Ошибки 504 timeout и 502 Bad Gateway каждый второй запрос

И дело не в хостинге если он в РФ.

Ограничения работают на уровне сетевой инфраструктуры внутри страны, а не на уровне куда вы его задеплоили. Сменой хостинга это не решается, если только вы не поменяете страну хостинга.

🤔 Что же делать?

Есть рабочее решение, и оно простое.

Дело в том, что стандартная Телеграм нода в n8n работает через webhooks. То есть Телеграм должен достучаться до вашего сервера и передать обновление. И вот этот канал и режут больше всего.

А есть другой подход — long polling.

При long polling ваш сервер сам спрашивает у Телеграма раз в 60 секунд "ну что, есть новые сообщения?" и Телеграм ему отвечает.

И этот канал работает на порядок стабильнее, потому что инициатива идет от вашего сервера наружу, а не наоборот.

⚙️ Как настроить — пошагово

Используем community ноду n8n-nodes-telegram-polling от bergi9.

1) Заходим в свой n8n
2) Слева внизу жмем шестеренку настроек, выбираем Community Nodes
3) Жмем Install
4) В открывшемся окне вписываем n8n-nodes-telegram-polling, принимаем условия и устанавливаем
5) В вашем воркфлоу заменяем стандартный Телеграм триггер на новую ноду которая называется Telegram Trigger (long polling)

Найти ее в списке нод можно по слову "long polling" или по знакомой иконке Телеграма.

📌 Что важно знать

▪️ Креды Телеграма используются те же самые, что у обычной ноды (telegramApi), отдельно ничего настраивать не надо
▪️ Дефолтный таймаут long polling 60 секунд, его можно настроить
▪️ Поддерживаются ВСЕ типы апдейтов — message, callback_query, inline_query, edited_message, chat_member и т д
▪️ Это решение также пригодится тем, у кого сервер за CGNAT или работает только через IPv6 (Телеграм webhook не поддерживает IPv6)

🎯 Кому это надо в первую очередь

▪️ Тем, кто делает ботов для клиентов в РФ
▪️ Тем, кто использует self-hosted n8n на домашнем сервере или в коворкинге
▪️ Всем, кто столкнулся с нестабильностью Телеграма за последние недели

Адрес ноды:
https://www.npmjs.com/package/n8n-nodes-telegram-polling

Установка занимает буквально 2 минуты и сразу решает проблему.

P.S. — Это, кстати, отличный пример того, почему n8n — топ. Когда платформа закрывается, выходит community и пилит свое решение. И вы просто берете и пользуетесь, не упираясь в ограничения коробки. В тех же платных Make или Zapier такое решение даже теоретически было бы невозможным, жди пока разработчик платформы сам созреет или не созреет никогда.

Сервис, который сэкономит вам сотни долларов и часы выбора нейронки для проекта.
#method_n8n

Мы постоянно сталкиваемся с одним и тем же вопросом — какую нейронку выбрать для конкретной задачи в воркфлоу n8n или для агента?

GPT-5.5? Claude Opus 4.7? Gemini 3.1 Pro? А может Kimi K2.6 за пятую часть цены справится?

Раньше я для этого читал десятки бенчмарков, смотрел сравнения на Ютубе, тестил руками сам. Уходила куча времени и все равно не было четкой картины.

Теперь у меня есть один сервис, в который я захожу каждый раз, когда нужно подобрать модель под задачу.

⚡️ Имя ему — Artificial Analysis

Ссылка: https://artificialanalysis.ai/models

Это полностью бесплатный аналитический портал, который сравнивает 512 нейронок по 10 параметрам в реальном времени.

🤔 Что там можно посмотреть

▪️ Intelligence Index — общий уровень интеллекта по 10 серьезным бенчмаркам (GPQA Diamond, Humanity's Last Exam, SciCode, Terminal-Bench и др)
▪️ Coding Index — отдельно по программированию
▪️ Agentic Index — отдельно по агентским задачам, что особенно важно для n8n воркфлоу
▪️ Цена за миллион токенов (вход и выход отдельно)
▪️ Скорость в токенах в секунду
▪️ Latency — время до первого токена
▪️ Размер контекстного окна
▪️ Сколько токенов модель тратит на тот же бенчмарк (это вообще огонь, можно увидеть кто реально жрет токены)
▪️ Сколько стоит прогнать модель через все эвалуации (наглядная стоимость в работе)
▪️ Hallucination Rate — насколько часто модель врет

📊 Что я узнал из топ результатов прямо сейчас

Самые умные модели на 7 мая 2026:

1. GPT-5.5 (xhigh) — Intelligence Index 60
2. GPT-5.5 (high) — 59
3. Claude Opus 4.7 (Max Effort) — 57
4. Gemini 3.1 Pro Preview — 57
5. GPT-5.4 (xhigh) — 57

Самые дешевые при этом адекватные:

▪️ Qwen3.5 0.8B — $0.02 за миллион токенов
▪️ Gemma 3n E4B — $0.03
▪️ Qwen3.5 2B — копейки

Самая быстрая нейронка:

▪️ Mercury 2 — 859 токенов в секунду (это просто полет, для real-time чат ботов)

Самая большая по контексту:

▪️ Llama 4 Scout — 10 миллионов токенов в окне (можно запихнуть целую библиотеку книг)

Лучшая опенсорс модель:

▪️ Kimi K2.6 — Intelligence Index 54, обходит большинство платных

🎯 Чем мне реально помогает этот сервис

▪️ Когда клиент жалуется на счет за OpenAI, я через 2 минуты подбираю модель в 5 раз дешевле с сопоставимым качеством для его задачи
▪️ Когда нужно сделать агента где важна скорость ответа (саппорт, продажи) смотрю latency и output speed
▪️ Когда строим RAG с большой базой знаний, смотрю кто умеет в большой контекст
▪️ Когда выбираем модель для критичных задач, смотрю Hallucination Rate, чтобы не получить выдуманный ответ от ИИ финансисту

Самая ценная фича на мой взгляд — это график Intelligence vs Price. Сразу видно, какие модели сидят в "наиболее привлекательном квадранте" (так называется область, где умные и дешевые встречаются). Это и есть ваш золотой выбор для большинства задач.

📌 Кстати, у сервиса также есть отдельные страницы для:

▪️ AI агентов — сравнение агентских платформ
▪️ Speech, Image, Video — для тех кто работает с генерацией медиа
▪️ Hardware — сравнение видеокарт для self-hosted сетапов

И отдельный раздел Trends, где видно как модели развиваются во времени. Сразу понятно, кто стагнирует, а кто прогрессирует.

🔥 Главное преимущество — все цифры замеряются независимо, а не из маркетинговых анонсов лабораторий. Они сами тестят все 512 моделей по одинаковым промптам.

Поэтому когда видишь Intelligence Index — это не вранье в духе "наша новая модель лучшая в мире". Это реальные цифры на реальных задачах.

Залетайте, мощный инструмент.

❤️ если сервис полезный
🤔 если до этого подбирали моделей вслепую

🇨🇳 В n8n завезли пятую китайскую LLM нативной нодой и это самая агентская из всех.
#method_n8n

Расскажу про свежак.

В свежих релизах n8n добавили нативную поддержку MiniMax Chat Model. Это уже пятая китайская модель в коробке после Moonshot Kimi, Alibaba Qwen, Alibaba Model Studio и DeepSeek.

И эта пятая такая, ради которой стоит сделать отдельный пост, потому что она специально создана под ту работу, которую мы все с вами делаем — построение AI агентов.

🤔 Что такое MiniMax

Это шанхайский AI стартап, который уже несколько лет тихо удивляет рынок. В 2024 году они первыми в Китае запустили MoE архитектуру (Mixture of Experts) в продакшене. Сейчас оценка компании по слухам идет к IPO.

Основные модели — серия abab и более свежая M серия.

⚡ Цифры, на которые я смотрю когда выбираю модель

▪️ SWE-Bench Verified — 80.2% (это бенчмарк по программированию в реальных репозиториях). Для сравнения у Claude Opus 4.7 в районе 82-83%. То есть разница меньше чем погрешность тестирования
▪️ BrowseComp — 76.3% (это про работу агентов с веб-страницами и поиском)
▪️ Multi-SWE-Bench — 51.3% (агентские задачи в нескольких репозиториях одновременно)
▪️ Контекстное окно — 196 608 токенов (около 150 страниц текста)
▪️ Цена входа — $0.15 за миллион токенов
▪️ Цена выхода — $1.15 за миллион токенов

🎯 Что особенного именно в MiniMax (а не в любом другом дешевом азиате)

В этом и есть фишка, на которую я обратил внимание.

MiniMax обучали не на синтетических задачах, а в "сотнях тысяч реальных рабочих сред" — это их официальная формулировка. Если по нашему, то модель тренировали на реальных кейсах использования агентов в работе:

▪️ Работа с Word, Excel, Powerpoint — модель умеет генерировать и редактировать офисные файлы
▪️ Переключение контекста между разными софтами
▪️ Координация между разными агентами и людьми в одном таске
▪️ Длинные многошаговые задачи где нужно держать состояние

То есть это специально заточенный под n8n-style воркфлоу инструмент. Не просто "общий чатик", а агентская рабочая лошадка.

И ускорение по выполнению агентских задач относительно предыдущей версии — на 37% при сохранении качества. То есть они в обучение явно вкладывают то, чего нам не хватает в обычных LLM.

📌 Один очень важный технический момент

В этой же серии релизов n8n завезли PR номер 28467 — "Update working memory using tools".

Что это значит на пальцах? Раньше у агента было контекстное окно как у золотой рыбки — что вышло за пределы окна то и забыто. Теперь агент может сам обновлять свою рабочую память через специальные инструменты.

Соедините это с MiniMax (где контекст 196 тысяч токенов) — и получаете агента, который реально может работать сутками над сложными задачами и не терять контекст.

🎯 Кому это критично прямо сейчас попробовать

▪️ Тем кто строит ботов поддержки на больших объемах — экономия в десятки раз
▪️ Кто пилит исследовательских агентов работающих с длинными документами — там окно 196к и качество BrowseComp в помощь
▪️ Агентствам которые делают комбайны типа "получи задачу, исследуй, напиши документ, согласуй" — модель именно под это и тренировали
▪️ Тем кто работает с китайскими клиентами или контентом — естественно лучше понимает иероглифы и культурный контекст

🤔 А минусы есть?

Конечно. Без них не бывает.

▪️ Данные идут в Китай. Для финтеха и медицины — лучше не использовать. Для SMM, контента, личных проектов, ИИ-помощников по нишам — спокойно
▪️ Русский язык на уровне неплохого английского. Для большинства задач норм, для тонкого литературного редактирования — нет
▪️ В сложных математических reasoning задачах проигрывает GPT-5.5 (но кто из нас агентов на математике строит)
▪️ Поддержка через китайский саппорт. Если есть проблемы — пишем на английском в их канал, отвечают, но иногда дольше чем у американцев

В целом, я уже добавил MiniMax M2.5 в свой стек моделей которые тестирую на каждом новом клиентском проекте. Особенно для агентов с большим количеством инструментов и длинными цепочками действий.

Тренд продолжается — американская монополия на LLM в наших воркфлоу падает.

🔮 Заглянул в будущее n8n агентов на полгода вперёд. Расскажу что нас ждёт и почему это переворот.
#method_прогноз

7 мая 2026 года вышла платформа, которая через 6 месяцев изменит то, как мы все строим ИИ-агентов в n8n.

Имя — Prime Intellect Lab.

Сейчас о ней говорят только продвинутые ML-инженеры. Но это ровно тот случай, когда стоит послушать про тренд заранее, потому что через полгода это будет в каждом нашем воркфлоу. А кто разберется первым — тот соберет сливки.

Объясню по порядку.

🤔 Где мы сейчас и где будем

Прямо сейчас все мы работаем так — берем готовую модель (GPT, Claude, Kimi, MiniMax) и через промпт-инжиниринг выжимаем результат под свою задачу.

И у этого подхода есть жесткий потолок

Так вот, Prime Intellect Lab открывает третий путь — дообучить модель именно под мою задачу через Reinforcement Learning. Берется маленькая модель (1-70 миллиардов параметров), к ней подключается датасет реальных кейсов и система оценки результатов. И модель сама учится на своих ошибках, постепенно становясь экспертом именно в моей задаче.

🎯 Теперь главное — что это даст лично нам через полгода

Этап 1 (происходит сейчас): Lab вышел в GA. Пока им пользуются продвинутые ML-команды. Они обучают свои модели и деплоят их через OpenAI-совместимый эндпоинт.

Этап 2 (ближайшие 2-3 месяца): Появятся обертки и сервисы, которые упростят процесс. Прогнозирую появление платформ типа "загрузи свой датасет в Google Sheets, нажми кнопку — получи свою модель". Уже видны зачатки этого в Lab UI.

Этап 3 (через 4-6 месяцев): В n8n появятся нативные ноды для подключения кастомных моделей с auto-training. Вы скажете "обучи мне модель на этих 1000 примерах из базы заявок" — и через несколько часов в вашем воркфлоу работает специализированный агент именно под ваш бизнес.

И вот тогда мы все перейдем от "работаю с чужой моделью через промпт" к "у меня своя AI-модель, обученная на моих данных".

📌 Что критически важно осознать прямо сейчас

Это самое начало переломного тренда — переход от универсальных LLM к специализированным агентам.

Параллель из недавнего прошлого — то же самое было с сайтами в начале 2000-х. Сначала все делали универсальные порталы. Потом перешли на нишевые проекты. Кто перешел первым — построил Wildberries, Ozon, ВКонтакте. Остальные остались с пустыми порталами.

В ИИ-агентах сейчас та же точка. Универсальные GPT-агенты доминируют. Но через полгода специализированные агенты будут уверенно бить общих на конкретных задачах. По цене, скорости и точности одновременно.

🎯 Что я рекомендую сделать прямо сейчас

▪️ Начните копить данные. Если у вас есть клиентский проект с повторяющейся задачей (классификация, ответы на типовые вопросы, обработка заявок) — начинайте логировать все взаимодействия с агентом и правильные ответы. Через 3-6 месяцев у вас будет золотой датасет для дообучения
▪️ Изучите азы Reinforcement Learning. Не глубоко, на уровне понимания концепций. Чтобы когда no-code обертки появятся — вы могли осознанно ими управлять, а не тыкать вслепую
▪️ Следите за релизами n8n. Я уверен, что нативная интеграция с Lab появится в ближайшие месяцы — слишком очевидный шаг для n8n. Кто будет готов заранее — внедрит первым у клиентов

🤔 Подвох?

Конечно есть, иначе это не была бы реальная новость:

▪️ Сейчас порог входа в Lab высокий — нужен ML-специалист или серьезный месяц самообучения. Это пока удел продвинутых
▪️ Минимум 1000-3000 размеченных примеров для нормального дообучения. Меньше — модель переобучится на шуме
▪️ Не работает на креативных задачах — генерация контента, написание текстов, дизайн. Здесь общие модели по-прежнему лидируют
▪️ Стоимость training-run — от $50 до нескольких тысяч в зависимости от модели и данных

Все это решаемо. И когда решится — переход случится буквально за квартал. Так уже было с RAG (год назад все говорили "сложно", сейчас в n8n две ноды и готово).

🔗 https://www.primeintellect.ai/

Ставьте этот пост в закладки. Через полгода будете перечитывать и удивляться, как точно был предсказан этот тренд.

❤️ если зашла идея
🤔 если кажется что это слишком далеко от практики

🕵️ Детектив на рынке ИИ-видео.
#method_n8n

Совсем недавно, анонимная модель за день обогнала Sora и Veo на всех мировых бенчмарках. Никто не знал кто за ней стоит. Через двое суток тайна раскрылась — и стало понятно почему все молчали

Рассказываю всё по порядку, история реально как из шпионского триллера.

📅 День 1. 7 апреля 2026 года

На главном мировом бенчмарке для оценки видео-моделей Artificial Analysis Video Arena, появилась новая модель. Без логотипа, без названия компании, без пресс-релиза.

Просто никнейм — HappyHorse-1.0.

Это уже было странно. Обычно когда крупная лаборатория выкатывает новую модель, об этом трубят за месяц вперед, готовят демки, раздают доступ инфлюенсерам. А тут — ноль маркетинга.

И в первые же сутки начало происходить что-то невероятное.

📅 День 2-3. Тысячи слепых тестов

Artificial Analysis работает так — пользователи получают два ролика, сгенерированных разными моделями на один и тот же промпт. Без логотипов, без названий. И голосуют, какой лучше.

Так вот HappyHorse в слепых тестах начал систематически побеждать всех.

▪️ Победил Sora 2 от OpenAI
▪️ Победил Veo 3.1 от Google
▪️ Победил Seedance 2.0 от ByteDance
▪️ Победил Runway, Pika, Luma и остальных

К концу второго дня модель забралась на первое место сразу в двух категориях — текст-в-видео и картинка-в-видео. С отрывом от ближайшего конкурента в 115 пунктов Elo. Для понимания — это разница в качестве больше, чем между ChatGPT и старым GPT-3.

Сообщество в шоке. Журналисты уже на третий день начали копать — кто стоит за моделью? Никто не знал.

🔍 День 4. Первые улики

Технические энтузиасты начали разбирать ролики покадрово. И заметили несколько вещей:

▪️ Стиль кинематографии очень узнаваемый — похож на Kling AI, китайскую модель от Kuaishou
▪️ Качество синхронизации губ при разговоре превосходит всех. Включая Veo. Это огромный технологический скачок
▪️ Аудио и видео генерируются одновременно, в одном проходе через нейросеть. Раньше так не умел никто
▪️ Лип-синк работает на 7 языках сразу — английский, китайский, корейский, японский, французский, испанский, кантонский

Стало понятно — это китайцы. И кто-то очень серьезный.

📅 День 5. Раскрытие

9 апреля. На пустом X-аккаунте, созданном специально для этого, появился пост.

HappyHorse-1.0 — это Alibaba.

Точнее, их подразделение ATH Innovation Unit и лаборатория Taotian Future Life Lab.

🧐 А зачем эта вся секретность

Алгоритм Alibaba стал понятен задним числом.

Они специально запустили модель анонимно. Чтобы:

1. Получить честную оценку от рынка без маркетингового шума
2. Не дать конкурентам подготовиться к контратаке
3. Когда модель уже на №1 — раскрыть карты и сразу выходить в коммерческий режим

Классическое айкидо в маркетинге. Они дали бенчмарку доказать качество до того как назвали свое имя.

📅 Что происходит сейчас. Май 2026

И вот здесь начинается самое интересное.

▪️ 27 апреля открыли API в тестовом режиме для энтерпрайз клиентов через Alibaba Cloud Bailian
▪️ В первых числах в мае — коммерческий релиз для всех
▪️ Параллельно модель уже доступна через Fal.ai — глобальный шлюз для генеративных моделей
▪️ И ценник — $0.14 за секунду 720p и $0.28 за секунду 1080p

Для сравнения — Veo 3.1 от Google стоит $0.20 за секунду 720p. То есть HappyHorse, который №1 в мире по слепым тестам, на 30% дешевле Veo.

А еще важный момент — OpenAI на прошлой неделе официально закрывает Sora. Полностью. API уходит с рынка.

И прямо в этот вакуум выходит модель, которая лучше всех и дешевле всех.

📌 Что я думаю про эту историю

В предыдущих постах я уже писал про этот тренд на примере Kimi, Qwen, MiniMax — китайские LLM догнали и обогнали американцев. Теперь то же самое случилось в видео.

🎯 Что важно прямо сейчас

▪️ Тестировать HappyHorse уже можно. Через Fal.ai заходит легко, подключение к n8n через HTTP Request ноду
▪️ Кстати, прямо сейчас на happyhorse.com новым пользователям дают 66 бесплатных кредитов — хватит на 2 ролика в 720p для теста
▪️ В n8n нативной ноды для HappyHorse пока нет, но через универсальный шаблон Fal.ai подключается за 5 минут.

История продолжается...

🌅 Закат моделей. Восход агентов.
#method_n8n

Вчера в Пекине Робин Ли, основатель Baidu, на конференции Create 2026 сказал то, что мы с вами чувствуем последние полгода.

Гонка моделей закончилась. Кто умнее — Claude Opus 4.7 или GPT 5.5 Pro — уже неважно. Имеет значение, у кого лучше агент.

И это огромный сдвиг. Сейчас разберу почему и как он влияет на нашу нишу.

📊 Контекст.

Робин Ли в своем выступлении 14 мая сказал дословно — впервые в истории то что сделало AI вирусным, это не модель, а приложение. То есть, не GPT 5.5 побеждает рынок, а агенты, построенные на нем.

Это первый раз когда CEO компании уровня Baidu (а это китайский Google) открыто признает — мы все ошибочно гонялись за лидерством в гонке моделей. Реальная битва теперь за оркестрацию агентов.

Он же ввел термин который вирусится в Twitter последние сутки — super individuals. Суперлюди, усиленные AI-агентами, которые выдают результат за десятерых.

🤔 Почему именно сейчас этот сдвиг

Логика простая. За последние 6 месяцев мы видели на бенчмарках одну и ту же картину.

▪️ Claude Opus 4.7 — 64.3%
▪️ GPT 5.5 — 57.7%
▪️ Gemini 3.1 Pro — 54.2%
▪️ Kimi K2.6 — 58.6%
▪️ MiniMax M2.5 — 60+%

Разница в 2-5% в разные стороны. Никто не доминирует. И главное — обычному пользователю эти 5% разницы вообще не видны в его задачах.

А ведь раньше каждая новая модель давала прыжок в 15-20%. GPT-3 был кардинально лучше GPT-2. Sonnet 3.5 кардинально лучше Sonnet 3. А сейчас все упирается в плато.

И ровно в этот момент, когда модели сравнялись, рынок переключается на агентов. Потому что разница между хорошим и плохим агентом — это уже не 5%, а в 10 раз. Один агент за день обрабатывает то, что другой не сделает за неделю.

⚡ И вот самое интересное — что происходит синхронно в n8n

В тот же день 14 мая, когда Робин Ли произносит свою речь, n8n тихо выкатывает 5 PR-ов в core. И все они строго про агентов:

▪️ (PR 30123) — драфты в AI-чате теперь не теряются при переключении режимов. Это must-have для тех, кто гоняет долгие разговоры с агентом
▪️ (PR 29850) — теперь когда AI Builder обновляет ваш воркфлоу, ноды остаются на своих местах. Это решает огромную боль ребилда руками
▪️ (PR 30113) — экономия памяти за счет того что AI utilities не загружаются при старте. n8n стал легче
▪️ (PR 29460) — выключенные ноды-инструменты больше не сбивают AI Agent. Раньше это была одна из самых раздражающих багов
▪️ (PR 30033) — настройка Slack-агентов превращается в 3 клика вместо 15

Это не случайность. Это вся индустрия одновременно поворачивает в одну сторону. Baidu говорит про "эру агентов", n8n делает инфраструктуру под "эру агентов". Anthropic вчера запустил Claude for Small Business с 15 готовыми workflows на агентах. Notion открыл External Agent API.

Несколько важных следствий для нас.

Первое — продавать клиенту "лучшую модель" больше не работает. Все модели плюс-минус одинаковые. Продавать нужно "лучшего агента". То есть качество промпта, архитектуру оркестрации, набор инструментов, working memory, паттерны human-in-the-loop. Это намного сложнее объяснить, но это где сидят реальные деньги.

Второе — освоить multi-agent паттерны критически важно прямо сейчас. Это уже не экзотика, это база. Кто умеет — тот делает решения за $5000 в месяц, кто не умеет — продает на $300.

Третье — фокус смещается с моделей на инструменты. У агента может быть посредственная модель внутри, но если у него 40 правильно настроенных инструментов и хорошая working memory — он будет работать лучше, чем агент на топовой модели без инструментов.

Четвертое — n8n остается королем в этой эре, и это очень хорошие новости. Потому что n8n изначально создан как платформа для оркестрации интеграций. И пока конкуренты (LangGraph, AutoGen, CrewAI) делают чистый ML-фреймворк, n8n дает целостную картинку — агент + 1500 интеграций + UI + мониторинг + human-in-the-loop.

Тренд однозначен. Эра моделей закрывается, эра агентов открывается.

💰 Virgin Voyages забабахал 1500 ИИ-агентов на Google Cloud за миллионы долларов.
#method_n8n

То же самое можно собрать на n8n за 1/20 цены.

Сначала контекст для тех кто не слышал про этот кейс.

🚢 Круизная компания Virgin Voyages в партнерстве с Google Cloud за 4 месяца выросла с 50 до 1500 специализированных ИИ-агентов. Рост на 2900%. Каждый агент решает одну конкретную задачу:

▪️ Email Ellie — пишет фирменные брендовые письма
▪️ WaveMaker — координирует групповые бронирования
▪️ Know Your Sailors — анализирует профили клиентов для персонализации
▪️ VoyageFair Choices Agent — помогает саппорту при смене политик
▪️ И еще 1496 других

Результаты впечатляют — производство контента увеличилось на 60%, скорость кампаний удвоилась, время от идеи до действия сократилось на 75%. Январь и февраль 2026 принесли рекордные продажи.

Все это работает на платформе Google Gemini Enterprise.

И сейчас весь Twitter гудит — "это будущее", "так теперь будут делать все", "1500 агентов — норма для 2026".

🤔 А я с этим не согласен

Точнее, согласен с трендом. Но не согласен с инфраструктурой.

Построение такой армии агентов на Google Cloud — это путь корпораций. А для нас, агентств и собственников среднего бизнеса, есть путь в 20 раз дешевле и без привязки к одному вендору.

💸 Считаем экономику Virgin Voyages

Точную сумму контракта Virgin Voyages не раскрывает, но давайте посмотрим на стандартную математику Gemini Enterprise:

▪️ Лицензия Gemini Enterprise — около $25-30 на пользователя в месяц (минимум 300 пользователей для enterprise тира)
▪️ Использование моделей: Gemini 3.1 Pro — $2 за миллион входных токенов, $12 за миллион выходных (увеличение в 200К контексте)
▪️ Vertex AI Agent Engine — с 11 февраля 2026 платный — за каждый vCPU-час и GiB-час
▪️ Дополнительные сборы за Grounding с Google Search, Memory Bank, и так далее

Для компании размера Virgin Voyages инфраструктура AI агентов в месяц легко тянет на 80-150 тысяч долларов только за софт. Плюс команда инженеров Google которые помогали с интеграцией.

Это нормальная экономика для корпорации с миллиардной выручкой. Но если вы агентство или средний бизнес — это запретные цифры.

⚡ А теперь то же самое на n8n

Беру самый простой сценарий. Делаем 100 специализированных агентов для среднего бизнеса (отдельная сеть на 50 отелей, агентство недвижимости, дистрибуция, не важно).

Архитектура:

▪️ Self-hosted n8n на любом VPS — $20-50 в месяц за сервер
▪️ Каждый агент — это отдельный workflow с триггером и AI-нодой
▪️ В качестве LLM используем MiniMax M2.5 или Kimi K2.6 — по $0.15-0.60 за миллион токенов
▪️ Working memory и long-term storage — встроены в n8n
▪️ Интеграции — нативно с 1500+ сервисами

Считаем расходы для 100 агентов которые в сумме обрабатывают 50 миллионов токенов в месяц:

▪️ Сервер — $30
▪️ LLM — $30 (на MiniMax)
▪️ Интеграции с сервисами клиента — $0 (входит в подписку n8n)

Итого — 60 долларов в месяц для 100 рабочих агентов в проде.

На Gemini Enterprise те же 100 агентов на той же нагрузке — порядка 3-5 тысяч долларов в месяц только на платформу и LLM.

Разница в 50-80 раз.

Дело не только в цифрах. Есть три критических преимущества n8n которые большой бизнес почему-то пропускает мимо ушей:

Первое — вы не привязаны к одному вендору. Завтра Google Cloud поднимет цены на 30%, или закроет ваши агенты по непонятной причине, или политически забанит регион — и вся ваша инфраструктура встанет. На n8n вы свободно меняете LLM (Claude → MiniMax → Kimi → Qwen) за 5 минут. Я уже про это писал в постах про закат американской монополии.

Второе — full transparency. Virgin Voyages пользуется черным ящиком Gemini Enterprise. Что внутри агента происходит, как принимаются решения, что хранится — детально не видно. В n8n каждый узел воркфлоу прозрачен, каждое решение можно проверить.

Третье — реальная кастомизация. На Google Cloud вы строите агентов в рамках того что они вам разрешили. В n8n — все ваше от уровня кода до интеграций. Хотите подключить специфический российский сервис типа Битрикс24 или СБИС — пожалуйста. На Gemini вы сидите в их экосистеме.

🚀 Не кодер за 13 дней до $8400 Ежемесячного дохода
#method_agents

Корпоративный сотрудник дал AI агенту 100 долларов и сказал "сделай денег". Итог - за 13 дней 8400 долларов повторяющегося дохода в месяц. Ни строчки кода.

Реальный кейс, который легко проверить.

🤖 Что произошло

Робби Хьюстон — обычный американский корпоративный сотрудник из отдела операций. Не программист. Не CEO. Просто работяга с дневной работой, который мечтал об уходе из найма.

В феврале 2026 года Робби запустил эксперимент — нанял себе ИИ-сотрудника. Назвал его Рон.

Технически Рон это AI агент на базе OpenClaw — это система которая управляет компьютером Робби 24/7. Не браузерное окно, не диалог в чате. Реально работает в фоне, открывает приложения, кликает мышкой, заходит в файлы, пишет код, выкладывает контент.

Робби поставил Рону задачу — "вот тебе 100 долларов, сделай из них бизнес".

📅 Хронология 13 дней

▪️ День 1-3 — Рон пробует продавать пылесосы через TikTok Shop. Провал
▪️ День 4-5 — пробует несколько других quick-money схем. Тоже провалы
▪️ День 6 — Робби снимает короткое видео про свой эксперимент с Роном, выкладывает в TikTok
▪️ День 7 — видео набирает миллион просмотров. Комменты заваливают вопросами "как мне получить такого же Рона?"
▪️ День 8-10 — Рон самостоятельно читает комментарии, проводит маркет-анализ. Понимает что есть огромный спрос на персональных AI-агентов
▪️ День 11-13 — Рон строит HeyRon.ai — платное комьюнити где помогают другим людям настроить себе ИИ-сотрудника. Робби только одобряет ключевые решения и платежи

К концу 13-го дня — 8400 долларов повторяющегося дохода в месяц. Подтверждено в подкасте The Koerner Office Podcast эпизод 284. (Можно найти на Ютуб)

📌 Что важно понять про этот кейс

Это первая публичная история, где нетехнический человек за две недели монетизировал AI агента до серьезной выручки. Без курсов. Без коучей. Без сложных схем.

Рон работает на следующем стеке:
▪️ OpenClaw — выполняет действия на компьютере
▪️ Moonshot Kimi K2.6 — главная LLM модель (та самая дешевая китайская, про которую я писал)
▪️ Сабагенты в Docker контейнерах
▪️ Уведомления через Телеграм — Рон шлет Робби отчет каждое утро в 8:00 что сделал ночью

Каждый день в 8 утра Робби получает в Телеграм сообщение от Рона со списком — что отработал за ночь, что построил, какие следующие шаги.

Несколько важных следствий:

Первое — мир меняется. Раньше для запуска такого бизнеса нужна была команда программистов и бюджет в сотни тысяч. Сегодня — один человек, ноутбук, китайская LLM по 15 центов за миллион токенов.

Второе — стек который использует Робби, точно так же собирается на n8n. OpenClaw подключается через MCP-протокол как нода. Kimi есть нативной нодой в n8n. Телеграм-уведомления — родной триггер. Все блоки уже есть.

Третье — самое прибыльное в кейсе оказалось не сама автоматизация. Самое прибыльное — комьюнити, которое Рон выстроил вокруг идеи. Люди готовы платить не за бот, а за процесс обучения с другими людьми которые тоже строят агентов.

🚀 Выводы

▪️ Перестаньте ждать "когда AI повзрослеет". Он уже повзрослел. Кейс Робби — доказательство
▪️ Подумайте в какой нише вы могли бы построить комьюнити вокруг автоматизации. Если есть аудитория и идея — стек собирается за неделю
▪️ Освойте базовые паттерны агентов на n8n. Это база на ближайшие 2-3 года
▪️ Не всегда лучший путь "продать AI как услугу". Гораздо мощнее работает модель "AI как инструмент комьюнити"

История AI агентов продолжается, с вами или без.

🛠 Прошёл Google I/O. Два часа анонсов. Я выделил только то, что реально влияет на нашу работу с n8n.
#method_n8n

19 мая Google провёл главную AI-конференцию года. Месседж всего ивента дословно — переход от ассистентов к агентам. Знакомо звучит, да? Я про это писал ещё после китайской конференции.

Но давайте по делу — что из этого брать в свой стек, а что мимо.

🔥 БРАТЬ — Gemini 3.5 Flash

Это главное для нас. Вышел сразу в общий доступ, в тот же день. Уже работает по умолчанию в приложении Gemini.

Почему важно:
▪️ Цена упала на 40% против прошлой версии — $1.50 за миллион входных токенов и $9 за выходные
▪️ Контекст 1 миллион токенов
▪️ Заточен именно под агентов и кодинг, а не под "поговорить"
▪️ На бенчмарке MCP Atlas — 83.6%, это про работу с инструментами, наш основной кейс
▪️ Скорость до 289 токенов в секунду

В n8n подключается родной нодой Google Gemini Chat Model. Просто меняете модель в выпадающем списке. Если делаете агентов где важна скорость ответа — это новая рабочая лошадка.

🤔 ПРИСМОТРЕТЬСЯ — Gemini Spark

Персональный агент, который живёт в облаке и работает 24/7 в фоне сам по себе.

Это по сути ответ Google на OpenClaw, про который я писал в кейсе Robby с его агентом Роном.

Почему пока только присмотреться — Spark это закрытая экосистема Google. Для серьёзной автоматизации под клиента он негибкий. Но идею "агент работает пока ты спишь" — берите на вооружение. В n8n это собирается через Schedule Trigger плюс агент, и без привязки к Google.

🎬 ИНТЕРЕСНО — Gemini Omni

Генерация видео из текста, картинок и звука в одном проходе. Это прямой ответ на HappyHorse от Alibaba, про которую я делал детективный пост.

Но честно — китайские модели тут пока выгоднее по цене. Omni это часть подписки Google. HappyHorse и Wan через DashScope считаются по факту использования и выходят дешевле для контент-фабрик.

❌ МИМО (для нас) — Antigravity 2.0

Google пересобрал свою платформу разработки в агентский комбайн — desktop приложение, CLI, SDK, Managed Agents API.

Звучит мощно, но это прямой конкурент Claude Code и Cursor для программистов. Для тех кто строит автоматизации в n8n визуально — это не наш инструмент. Плюс минимум 20 долларов в месяц за нормальное использование. Проходим мимо, если вы не пишете код руками.

📊 Контекст, который полезно знать

Чтобы понимать масштаб происходящего:
▪️ Gemini обрабатывает 3.2 квадриллиона токенов в месяц, рост в 7 раз за год
▪️ 900 миллионов пользователей приложения, год назад было 400
▪️ Капекс Google на инфраструктуру в этом году — до 190 миллиардов долларов

Это к тому, что агентская гонка теперь официально главная ставка крупнейших компаний мира. И n8n стоит ровно в центре этой волны.

📌 Что делать прямо сейчас

▪️ Зайдите в свои воркфлоу и протестируйте Gemini 3.5 Flash на задачах, где раньше стоял GPT или Claude. Где важна скорость и цена — он может выиграть
▪️ Соберите мультимодельный стек. Я уже не раз писал — не привязывайтесь к одной LLM. Лёгкое на Gemini Flash или китайцах, тяжёлое на Claude Opus
▪️ Идею "агент работает 24/7 в фоне" реализуйте на n8n через Schedule Trigger, а не через закрытый Spark
▪️ Видео-генерацию для клиентов считайте по China-моделям, они пока выгоднее Omni

Главный вывод. Google официально признал то, о чём мы тут говорим месяцами — будущее за агентами, а не за моделями. Они дают нам ещё одну дешёвую быструю модель в стек. Берём то, что полезно, остальное оставляем корпорациям.

Расскажу про индустрию на 35 миллиардов долларов, которую AI агенты убивают прямо сейчас. И почему это шанс для нас с вами.
#method_n8n

Готовьтесь, сегодня будет история про то, как маленькие задушили большого. Прямо как в кино.

🦕 Сначала знакомьтесь — RPA, динозавр автоматизации

Есть такая штука — RPA. Расшифровывается как Robotic Process Automation, или по-русски "роботизированная автоматизация процессов". Звучит страшно, на деле всё просто.

Представьте офисного сотрудника, который каждый день делает одно и то же — берёт данные из одной программы, копирует, вставляет в другую, нажимает три кнопки, отправляет письмо. И так 500 раз в день. Скучно, да?

Вот RPA — это программа-робот, которая записывает все эти клики мышкой и потом повторяет их за человека. Как макрос в Excel, только на стероидах. Робот сам открывает программы, копирует, вставляет, жмёт кнопки.

Бизнес влюбился в эту идею. Компания UiPath, которая делает такие RPA-роботы, выросла до 35 миллиардов долларов. Весь рынок — больше 35 миллиардов в год. Банки, страховые, гослужбы — все понакупили этих роботов.

😅 Но есть один нюанс. Точнее, огромный такой нюансище

RPA-робот туп как пробка.

Без обид к нему, просто это правда. Он работает строго по записанному сценарию. Шаг влево, шаг вправо — паника.

▪️ Кнопка "Отправить" переехала на 20 пикселей вправо после обновления? Робот сломался
▪️ Всплыло неожиданное окошко "Обновить программу"? Робот в ступоре
▪️ Поле назвали не "Имя клиента", а "ФИО"? Робот рыдает в углу

Поэтому компании держат целые команды людей, которые чинят роботов каждый раз когда что-то чуть-чуть изменилось. Платят им зарплаты. Платят UiPath сотни тысяч долларов в год за лицензии. И вся эта махина держится на скотче и молитвах.

Знаете на что это похоже? На то, как нанять робота-уборщика, который убирает только если мебель стоит ровно по линеечке. Чуть сдвинул стул — всё, потоп.

🚀 А теперь — почему это всё уходит в прошлое

Появились AI агенты. И в отличие от тупого RPA-робота, агент понимает что видит на экране.

Ему не нужен записанный сценарий "кликни сюда, потом туда". Вы ему говорите человеческими словами — "зайди в эту программу, найди заявки за вчера, перенеси их в таблицу". И он делает. Думает. Соображает.

▪️ Кнопка переехала? Агент её всё равно найдёт, он же видит экран как человек
▪️ Всплыло окошко? Агент прочитает что там и закроет
▪️ Поле переименовали? Агент поймёт по смыслу

Это как разница между дрессированным попугаем, который повторяет одну фразу, и человеком, который реально понимает, что делает.

💰 И вот тут начинается самое интересное для нас

Знаете сколько стоит RPA для бизнеса? Десятки тысяч долларов в год за лицензии плюс команда на поддержку. Это всё могут позволить только большие корпорации.

А AI агент, который делает то же самое, только умнее, собирается в n8n. И в n8n как раз недавно завезли возможность управлять компьютером и браузером — агент реально кликает, печатает, читает страницы, надо гайд ?

То есть сейчас один человек с n8n может собрать то, за что корпорации платят целым отделам и миллионы долларов.

Представьте масштаб. По всему миру стоят тысячи компаний, у которых работают эти старые тупые RPA-роботы. Они ломаются. Бесят. Стоят дорого.

И этим компаниям СКОРО понадобится кто-то, кто заменит динозавра на умного агента. Угадайте кто это может быть?

Правильно. Тот, кто разберётся в AI агентах на n8n уже сегодня.

Это как быть автомехаником ровно в тот момент, когда все пересаживаются с лошадей на машины. Спрос будет колоссальный, а специалистов — единицы.

Мир автоматизации переворачивается каждый день! Динозавры вымирают. А мы с вами — те самые маленькие шустрые зверьки, которые придут им на смену.

Погнали учиться, будущее не ждёт.

🔥 История, от которой у любого предпринимателя похолодеет внутри. #method_n8n

AI агент за 9 секунд удалил всю базу данных компании. Вместе с резервными копиями. А потом написал извинение.

Расскажу что случилось и как сделать, чтобы у вас такого не произошло никогда.

😱 Что произошло

Апрель 2026. Компания PocketOS, софт для проката авто. Обычное субботнее утро.

У них работал AI агент — помощник с доступом к рабочим системам. В тот момент он занимался рутиной в тестовой зоне. Всё спокойно.

И тут мелочь — агент наткнулся на маленькую техническую загвоздку. Обычное дело.

Но вместо того чтобы остановиться и спросить человека "тут проблемка, что делать?", агент решил всё починить сам.

Он пошарил по системе, нашёл ключ доступа к главной базе данных (хотя для его задачи он был не нужен) и... удалил всю базу. Целиком. Вместе с резервными копиями.

За 9 секунд. Вся информация о клиентах, заказах, машинах — исчезла.

Когда у агента спросили "зачем?", он ответил почти дословно:

"Я никогда не должен был гадать — а я именно это и сделал. Удаление базы это самое разрушительное и необратимое действие. Вы не просили меня удалять. Я решил сам, чтобы 'починить' проблему, хотя должен был спросить вас сначала."

То есть агент сам осознал, что натворил. Когда было уже поздно.

🤔 Почему так вышло

Компания сделала "всё правильно". Топовая модель. В настройках прописаны правила безопасности — "не делай разрушительных действий". Всё как советуют производители.

И агент всё равно удалил данные.

Ошибка была в том, что безопасность держалась на честном слове.

Представьте, что вы наняли нового сотрудника и в первый день сказали: "Вот тебе ключи от всего здания, от сейфа, доступ ко всем документам. Только ничего не сломай, ок?"

Звучит как безумие. Но именно так большинство и подключают AI агентов. Дают полный доступ ко всему и надеются, что агент будет хорошо себя вести.

А агент не злой и не глупый. Он просто иногда ошибается. Как человек. Только человек с ключами от всего может натворить дел за секунды.

✅ Как делать ПРАВИЛЬНО

Все эти катастрофы легко предотвращаются. Основные приёмы простыми словами:

1. Минимум доступа. Не давайте "ключи от всего". Только то, что нужно для задачи. Нужно читать заявки — дайте доступ только на чтение. Тогда даже если агент сойдёт с ума, он физически не сможет удалить то, к чему доступа нет.
2. Песочница отдельно от реальности. Пусть агент работает в "песочнице" — отдельной копии, где можно безопасно ошибаться. К боевым данным доступа просто нет. Накосячил в песочнице — реальные данные целы.
3. Подтверждение на опасные действия. Самый мощный приём. Любое серьёзное действие — удаление, отправка денег, рассылка — агент не делает сам. Останавливается и спрашивает: "Собираюсь удалить вот это. Подтверждаете?" И ждёт живого человека. Это одна нода в воркфлоу, а спасает от катастрофы.
4. Журнал всех действий. Пусть агент записывает каждое действие в табличку. Если что-то пойдёт не так — сразу видно что, когда и почему. И можно быстро отреагировать.
5. Резервные копии ОТДЕЛЬНО. В той истории копии лежали рядом с базой — поэтому удалились вместе. Копии должны храниться там, куда у агента нет доступа.

📌 Главная мысль

Всё это случилось не потому что AI опасен. А потому что люди не знали простых правил безопасности.

Это как с автомобилем. Машина не опасна сама по себе. Опасно сесть за руль, не зная где тормоз. А кто прошёл автошколу — ездит всю жизнь без аварий.

С агентами так же. Кто понимает безопасность — у того агенты работают годами без инцидентов. А кто лепит наобум "дай агенту всё и пусть разбирается" — рано или поздно получает удалённый за 9 секунд бизнес.

У меня в начале июня выйдет полноценное обучение по созданию подобных ИИ агентов. И безопасность — одна из ключевых тем там.

Как всегда будут бесплатные уроки.

Построить агента, который что-то делает — полдела. А построить агента, которому можно доверить реальный бизнес и не бояться, что он всё сломает — вот к чему нужно стремиться.

Скоро расскажу подробнее.

🦄 Единорог на миллиард долларов уже спрятан внутри ChatGPT.
#method_n8n

Прямо сейчас. И большинство этого не видят.

Сейчас объясню мысль, которая может перевернуть твой подход к бизнесу в 2026 году.

Представь на секунду. Раньше, чтобы построить большую компанию, нужно было либо изобрести новую технологию, либо собрать уникальные данные, которых нет у других, либо нанять команду гениев. Это были годы работы и миллионы вложений.

А теперь — вдумайся. Все знания мира уже сжаты внутри существующих языковых моделей. Вся медицина, весь маркетинг, юриспруденция, код, психология, химия, история бизнеса — всё это уже лежит внутри ChatGPT, Claude и других нейросетей. Бесплатно. Доступно каждому.

И вот в чём парадокс. Доступ к этим знаниям есть у всех. А вытаскивает из них ценность — единицы.

🤔 Почему так?

Потому что главный навык фаундера будущего — это не код, не деньги, не связи.

Это умение задавать нейросети правильные вопросы.

Звучит просто. Но это и есть тот самый разрыв между теми, кто построит компании на миллиарды, и теми, кто будет смотреть со стороны.

И это не моя фантазия. Об этом ещё в 2023 году говорил Марк Кьюбан — миллиардер, инвестор из Shark Tank. Дословно: «Продуктивность будет определяться тем, насколько хорошо ты умеешь задавать правильные вопросы, чтобы получить нужные ответы от моделей».

А венчурный инвестор Джейсон Калаканис тогда же сказал, что мастер промптов станет отдельной профессией — как «детектив, который задаёт гениальные вопросы». И будет цениться как тот самый инженер, который работает за десятерых.

Прошло три года. И знаете что? Они оказались правы на сто процентов.

💡 Что это значит на практике

Нейросеть — это как джинн, который знает всё. Но исполняет он не то, что ты хочешь, а буквально то, что ты попросил.

Спросишь плохо — получишь банальность, которую выдаст любой школьник.

Спросишь правильно — получишь стратегию, которую раньше тебе бы продал специалист в этой теме за гору денег.

Один и тот же ChatGPT. Одна и та же модель. Но один человек вытащит из неё миллион, а другой — пустоту. Разница только в качестве вопроса.

🎯 Куда это всё ведёт

И вот тут самое интересное для нашей с вами ниши.

Потому что правильный вопрос — это только половина дела. Вторая половина — заставить нейросеть работать не разово в окошке чата, а системно, на автомате, в реальном бизнес-процессе.

И вот здесь на сцену выходит n8n.

Смотрите как складывается картинка:
▪️ Знания — уже внутри моделей
▪️ Навык вытаскивать их — это правильные вопросы и промпты
▪️ Инструмент превратить это в работающий бизнес — связка нейросети и автоматизации

Тот, кто соединит эти три вещи — формулировку, модель и автоматизацию — и построит того самого единорога.

Не нужно изобретать новый алгоритм. Не нужно собирать дата-центр. Не нужна команда из пятидесяти инженеров.

Нужен человек, который умеет правильно спросить, и умеет встроить ответ в работающую систему. Всё.

📌 Что делать прямо сейчас

▪️ Перестаньте относиться к нейросети как к игрушке для генерации картинок и шуток. Это самый недооценённый бизнес-инструмент в истории
▪️ Учитесь задавать вопросы. Не «напиши пост», а «ты эксперт по такому-то рынку, проанализируй вот это, найди три незакрытые боли, предложи продукт под каждую». Чем точнее вопрос — тем дороже ответ
▪️ Учитесь автоматизации. Потому что разовый ответ в чате — это идея. А ответ, встроенный в воркфлоу, который работает 24/7 — это уже бизнес
▪️ Начинайте сейчас. Окно открыто, но оно не вечное. Через пару лет это будет уметь каждый второй

Мы живём в уникальный момент истории. Впервые знания перестали быть преимуществом — они есть у всех. Преимуществом стало умение их извлекать и применять.

Единорог уже спрятан внутри. Вопрос только в том, кто задаст правильный вопрос, чтобы его достать.

🔥 Если хотите гайд как формулировать вопросы-миллионники для нейросети