Агенты без босса провели научное исследование и обогнали людей. Меня зацепила не победа, а то, как они устроены внутри.

AutoScientists - команда агентов, где нет главного.

Они читают общее поле, спорят между собой, критикуют идеи друг друга - и сами решают, куда двигаться дальше.

Цифры хорошие: 1,9x быстрее, 7 улучшений там, где конкуренты нашли 0, новый рекорд в предсказании белков.

Но меня остановило другое.

Система запоминает все тупики. Если один агент зашёл в никуда - другой туда уже не пойдёт.

В большинстве AI-систем, которые я видел у клиентов, этого нет. Агент просто снова идёт тем же провальным путём.

Память о том, что не сработало, ценнее памяти об успехах.

Я строю свои проекты на том же принципе: меньше центральных точек управления - больше устойчивости. AutoScientists - первый публичный кейс, где это работает в науке с измеримым результатом.

LangChain открыл архитектуру coding-агентов - ту самую, что лежит под капотом Claude Code.

Проект называется Deep Agents. MIT-лицензия, можно смотреть, менять, строить своё.

Что внутри:
• планировщик задач с todo-инструментами
• чтение и редактирование файлов
• запуск shell-команд
• циклы вызовов инструментов (агент сам решает, что вызвать следующим)
• суб-агенты для сложных задач
• управление длинным контекстом

Главное - model-agnostic: подключай любую языковую модель и собирай своего coding-агента на той же архитектуре.

Это учебный и стартовый шаблон, а не комбайн на 430K строк кода. Легче, чище, понятнее.

Если хочешь понять, как устроен coding-агент изнутри - здесь это видно на живом коде.

Репозиторий: Deep Agents

В терминале Claude Code можно видеть модель, остаток контекста, стоимость сессии и ветку git - прямо в строке статуса.

Настраивается за 4 шага через команду `/statusline`:

• Запусти `/statusline` внутри Claude Code
• Скопируй скрипт к себе (репозиторий: github)
• Укажи путь к скрипту в настройках Claude Code
• Перезапусти Claude Code

После этого в нижней строке терминала постоянно видно: какая модель активна, сколько контекста осталось, сколько сессия уже стоит и в какой ветке ты работаешь.

Стоимость сессии в реальном времени - живой счётчик, который убирает сюрпризы в конце месяца.

8 плейбуков по Claude - от одиночных промптов до мультиагентных систем.

Большинство используют Claude как умный поиск. Ниже - подборка для тех, кто строит системы.

• Динамические воркфлоу в Claude Code - 6 паттернов и 14 шагов от инженеров Anthropic
• Obsidian + Claude - 30 воркфлоу, которые превращают заметки в рабочую систему
• Фондовый аналитик на промптах - 12 промптов вместо ресёрч-стека за $250K
• 5-агентная команда продаж - собирается за выходные
• Claude Code вместо 5-человек команды - система, а не набор запросов
• Библиотека промптов для стартап-маркетинга - готовые Skills под конкретные задачи
• Разбор seed-меморандума Mistral AI - полный текст + анализ
• Power user guide по Claude - лучшие практики в одном месте

Разница между «использую Claude» и «строю на Claude» - это разница между инструментом и активом.

Давно хотел, наконец сделал... !

Запустил новый YouTube канал, на котором буду публиковать свои ЖИВЫЕ видео на русском, без аватара.

Назвал «Архитектор AI».

Канал про то, что мне самому интересно, работает и зажигает:

-> как применять ИИ для роста бизнеса
-> как монетизировать свои ИИ-навыки
-> как построить систему, которая работает, пока вы спите

Планирую, показывать всё на реальных примерах из проектов, по факту, как оно есть. У меня уже накопилось много автоматизаций, и я хочу делиться ими бесплатно.

Первое видео уже на канале:
👉 https://youtu.be/vNmiKf1FH_k?si=eyuoTYoSY1yYcOwU

- - -

Канал нулевой, вы первые кто его увидит. Буду очень признателен за поддержку, по братски сделай красиво, да. 😁

Вообщем посмотрите видео.

Если зашло видео -> жмяк на лайк, подписку и коммент, если не лень.

Ну а если лень, вспомни про карму и 😁 что я тебя запомню. Шучу.

- - -

Хорошего пятничного вечера. На связи.

Один репозиторий закрывает вопрос «с чего начать изучать AI» - от нуля до рабочих продуктов.

LLM University - структурированный роадмап по большим языковым моделям (LLM - AI-системы вроде ChatGPT).

Что внутри:

• Основы - как устроены трансформеры, токенизация, эмбеддинги (числовые представления текста). С разборами от Андрея Карпатого и Jay Alammar
• Обучение моделей - файнтюнинг (донастройка готовой модели под свою задачу), техники LoRA и QLoRA, сборка датасетов, оценка качества
• Продуктовый слой - промпт-инжиниринг, RAG (поиск по своим данным + генерация ответа), векторные базы данных, AI-агенты, безопасность, запуск моделей локально
• Портфолио - 10 проектных идей с пошаговыми разборами. Реальные системы, не учебные игрушки

Репозиторий: LLM University

Хорошая структура экономит месяцы блужданий по разрозненным курсам.

Большинство используют Claude Code как умный чат. Отсюда и результат - как от чата.

Реальная сила - в структуре репозитория. Правильно организованный проект превращает модель из «помощника по подсказкам» в инженера, который понимает твой код.

5 элементов, которые это делают:

1. CLAUDE.md - память проекта
Три вещи: зачем система существует, где что лежит, что разрешено и запрещено. Коротко. Длинный CLAUDE.md - модель начинает пропускать важное.

2. .claude/skills/ - библиотека воркфлоу
Чеклист код-ревью, плейбук рефакторинга, процедура релиза - всё это один раз описываешь как «навык» и переиспользуешь. Перестаёшь повторять одно и то же в каждом промпте.

3. .claude/hooks/ - ограничители и автоматизация
Правила, которые срабатывают автоматически: что нельзя трогать, что запускать после изменений, какие проверки обязательны. Модель не нарушает их случайно.

4. docs/ - прогрессивный контекст
Архитектурные решения, схемы данных, ADR (записи о том, почему сделано именно так). Модель видит полную картину - и перестаёт предлагать решения, которые уже были отклонены.

5. Локальные CLAUDE.md в критичных модулях
В папке с платёжной логикой или авторизацией - свой CLAUDE.md с правилами именно для этого модуля. Специфика не теряется в общем контексте.

Структура репозитория - это и есть промпт. Только постоянный.

NVIDIA обучила одну модель на 350 000 клипах движений - и она генерирует анимацию персонажей со скоростью 15 000 кадров в секунду.

Называется MotionBricks.

Десятилетиями аниматоры в играх делали одно и то же: теги на клипы, стейт-машины (схемы переходов между движениями), ручная склейка. Хрупко, долго, не масштабируется.

MOTIONBRICKS заменяет весь этот пайплайн одной сетью.

Ты даёшь ей три команды:
• куда персонажу идти
• что взять или с чем взаимодействовать
• в каком стиле двигаться

Модель сама заполняет каждый кадр между ними. Персонаж подбирает меч, перепрыгивает скамью, садится - без единого ручного перехода.

Код открыт. И уже встроен в GR00T Whole-Body Control - ту же систему, которой NVIDIA управляет гуманоидными роботами.

Одна модель двигает игровых персонажей и роботов. Один стек.

RAG-система, которая читает страницы как человек - глазами, а не текстом.

Большинство AI-систем поиска по документам сначала парсят HTML в текст. При этом теряются таблицы, графики, структура страницы - всё, что делает информацию понятной.

PixelRAG пропускает этот шаг. Берёт скриншоты страниц и ищет прямо по пикселям.

Команда прогнала это на всей Wikipedia - около 30 миллионов тайлов (фрагментов скриншотов). Для поиска по ним использовали модель Qwen3-VL, заточенную под работу с изображениями.

Результаты по бенчмаркам:
• Точность выше текстовых пайплайнов на 18.1%
• Побеждает даже на задачах, где текст - единственный контент
• Расход токенов ниже в 3 раза за счёт сжатия

Отдельный момент: система поставляется как плагин для Claude Code - один `pip install`, и твой агент начинает читать страницы целиком, а не вытащенный из них текст.

Потери при конвертации HTML в текст были узким местом RAG всё это время - PixelRAG это просто обходит.

Google открыл стандарт для памяти AI-агентов - и это просто папка с текстовыми файлами.

Называется Open Knowledge Format (OKF).

Простыми словами: это способ хранить знания о твоей компании так, чтобы любой AI-агент мог их прочитать и использовать. Схемы баз данных, определения метрик, инструкции по процессам - всё в одном месте, в читаемом виде.

Как это устроено:
• Обычные Markdown-файлы (как заметки в Notion, только в папке)
• Каждый концепт - отдельный файл, файлы ссылаются друг на друга
• Хранится в git-репозитории или архиве
• Никакого SDK, никаких платных сервисов

Проблема, которую это решает: сейчас каждый, кто строит AI-агента для бизнеса, заново собирает контекст с нуля. Что означает вот этот показатель? Как соединить эти две таблицы? Где инструкция на случай сбоя? Ответы разбросаны по вики, комментариям в коде и голове одного старшего инженера.

OKF делает этот контекст портативным: один раз описал - любой агент читает.

Google Cloud Knowledge Catalog уже поддерживает формат. Спецификация открытая: github.com/google/okf

Это тот же принцип, что CLAUDE.md или AGENTS.md файлы - только теперь как официальный стандарт, а не личный хак каждого разработчика.

75% венчурных инвестиций не окупились. 5% фирм забрали 90% всей прибыли отрасли.

Вышел новый рейтинг топ-100 венчурных фондов США - построен на 230 000 сделках за 30 лет.

Sequoia на первом месте с отрывом 41x от сотой строчки.

Что ещё внутри:
• 75% вложений не вернули даже вложенное
• Всего 75 компаний сформировали большую часть результатов всей сотни фондов
• 5% фирм генерируют 90% прибыли отрасли

Венчур - это индустрия с жёсткой концентрацией результата. Выигрывают те, кто нашёл свои 5% до того, как это стало очевидно.

Это работает и в бизнесе за пределами венчура: концентрация на правильных ставках важнее количества попыток.

Инженер из Netflix сжал контекст AI-агента на 95% - и точность не упала.

Два года все гонялись за большими окнами контекста: 128K, 200K, 1M токенов.

Библиотека Headroom идёт в другую сторону: сжимает всё, что агент читает перед отправкой в модель.

Логи, файлы, результаты поиска, куски документов - всё это занимает место и стоит денег.

Что делает Headroom:
• Сжимает входящий контекст на 60-95%
• Хранит оригиналы локально, модель достаёт нужное по запросу
• Данные не покидают твою машину
• Работает с Claude, Cursor, Codex, Aider, Copilot

Проверили на стандартных тестах точности (GSM8K и TruthfulQA - задачи на математику и правдивость ответов). Результаты не просели.

Запускается как библиотека, прокси или MCP-сервер (протокол для подключения инструментов к агенту).

39K звёзд на GitHub, лицензия Apache 2.0.

Меньше токенов - меньше затрат, быстрее ответ, та же точность. Репозиторий: Headroom на GitHub.

AutoCAD стоит от $50 000 за место. Этот редактор зданий - бесплатный и работает в браузере.

Pascal Editor - 3D-редактор для проектирования зданий прямо в браузере. Без установки, без лицензий.

Что умеет:
• Рисовать стены, этажи, зоны - с полной иерархией здания
• Красить стены и мебель в любой цвет (свежее обновление)
• Раскладывать этажи в «взрыв-схему», чтобы видеть каждый слой отдельно
• Отменять любое действие - полноценный undo/redo

Работает на WebGPU - это значит рендер прямо на видеокарте, без тормозов.

16 900 звёзд на GitHub. MIT-лицензия - бери и делай что хочешь.

BIM-софт (программы для проектирования зданий) стоит десятки тысяч долларов за место. Pascal Editor - рабочая альтернатива с открытым кодом.

Проект называется Pascal Editor - ищи на GitHub.

Airwallex поднял $320M при оценке $11B - и это не просто финтех-раунд.

Оценка выросла с $8B до $11B за 6 месяцев. Деньги идут на то, чтобы стать финансовым слоем для AI-экономики.

Пока все обсуждают, насколько умнее стали агенты, реальный затык - в другом месте: AI-агент не может самостоятельно провести платёж, пройти комплаенс или закрыть книги. Он умный, но без рук.

Airwallex закрывает именно это:

• T:0 - платформа, которая ведёт бухгалтерию, комплаенс и отчётность в автоматическом режиме
• Airi - кошелёк, через который AI-агент сможет сам управлять балансом и проводить трансграничные переводы - в обычных валютах и стейблкоинах (цифровые доллары/евро на блокчейне)

Сейчас большинство «умных агентов» в коммерции - это просто чуть более умный чекаут поверх старой инфраструктуры. Airwallex строит инфраструктуру под ним.

Модель решает, что делать. Рельсы решают, сможет ли она это сделать.

Google бесплатно выложил 250+ страниц гайдов о том, как довести AI-агента от идеи до продакшена

41% нового кода сейчас пишет AI - и большая часть ломается при первом реальном запуске. Скорость написания кода выросла в разы, а вот качество задания для агента осталось прежним. Именно в этом сейчас узкое место.

Вот 5 бесплатных гайдов от экспертов Google, каждый разбирает свой этап пути от идеи до рабочего агента:

• От вайб-кодинга к инженерии агентов - почему четкое задание для AI важнее скорости написания кода: гайд

• Инструменты и совместимость агентов - как агент подключается к любым сервисам и «нанимает» других агентов через открытые протоколы MCP и A2A: гайд

• Навыки агентов - как агент запоминает готовые способы решать задачи вместо того, чтобы изобретать их с нуля каждый раз: гайд

• Безопасность агентов - как закрыть дыры, когда агент сам принимает решения и работает с реальными системами: гайд

• Оценка качества и spec-driven разработка - как проверить, что агент делает именно то, что нужно, до релиза: гайд

Узкое место в AI-проектах давно не в скорости написания кода. Оно в качестве задания, которое ты даешь агенту.