Как вырастить скорость работы с ИИ в 3.75 раза (ну почти)

Люди говорят в среднем на английском со скоростью 150 слов в минуту, а печатают 40 слов в минуту. То есть говорить в 3.8 раз быстрее.

Набирать текст на клавиатуре долго и неудобно (если ты не в библиотеке или в тихой части офиса), поэтому когда ты печатаешь в чате с ЛЛМ, ты даешь минимум необходимого контекста и тратишь на это существенное время.

Отсюда решение - диктовать голосом. Быстро, просто, даешь больше контекста, а следовательно, получаешь качественнее ответы/решения.

Ну теперь, когда я, *надеюсь*, продал вам необходимость перейти на voice input, расскажу про свой опыт и лучшее решение.

Начал я со встроенного голосового ввода в macOS. Он работает и в терминале, так что пользоваться можно с claude code. Однако, на английском работает более-менее, на русском совсем плохо, часто приходится много исправлять.

По рекомендации, а также учитывая референс самого Андрея Карпатого, я затестил superwhisper. Выглядит классно, но на русском работала дефолтная модель еще хуже, чем встроенный macOS инпут.

От легкого отчаяния, я затестил open-source решение Handy, а в нём модель GigaAM v3 от сбера и прямо кайфанул, поскольку русский язык определяется быстро и качественно. С англицизмами, правда, не очень, приходится вспомнить русские альтернативы. Все равно это пока лучшее, что я пробовал.

У них еще по отзывам клевая модель Parakeet V3, хороша как в английском, так и русском - думаю, ее тоже затестить. Русский будет хуже, зато можно будет английские слова также использовать.

#AI@mtolm #vibecoding@mtolm

Было полезно? — ставь 🔥
@mtolm

Не нашёл источник с AI-новостями, который бы устроил - сделал свой 📡

Как я писал прежде, я сильно помешан на AI и трачу 180-250 в месяц на AI-подписки. Для меня важно находить методы, что качественно меняют твою работу. Задача в числе первых узнавать про новые фичи, тестить их, и если это разумно, раскатывать на свои процессы.

Чтобы быть "в теме" всех новых штук, я отслеживаю пару десятков ютуберов, кто занимаются автоматизаций с помощью ИИ.

Что не устраивает в текущем подходе: крутые решения могут дойти до моего потока новостей через несколько дней, а то и через пару недель, что для меня ощущается крайне долгим периодом.

Более того, мне интересно не только новые релизы, библиотеки и продукты, но и как AI влияет на международный рынок: сделки, раунды, переговоры, изменение стомости компаний.

Подобного источника я не находил и поэтому создал свой: бота, который парсит 27 источников — GitHub releases, TechCrunch, Bloomberg, Hacker News, Reddit, Habr и ещё пачку — и собирает из них дайджест. Сначала бот отправлял мне лично, затем я подумал, что это может быть интересно и другим энтузиастам.

Так появился @aijuicedaily.

***

Контента стало так много, что 39% людей уже избегают новостей из-за перегрузки (данные Reuters Institute). И люди всё чаще подписываются на конкретного человека — на его вкус и фильтр. Это называют curator economy: ценность в том, чтобы найти достойный внимания контент в огромном потоке.

@aijuicedaily — это мой фильтр, и он живой. Источники, темы, формат — всё будет меняться под мои запросы и интересы.

Если тебе близок похожий вектор — подписывайся!

Напиши в комментариях, что думаешь: про формат и контент: интересно, не интересно, чего не хватает.
Мне важен фидбек.

#AI@mtolm

Интересно? — ставь 🔥
@mtolm

Переехали во Вьетнам 🇻🇳

Последние полгода были интенсивные — куча решений, перемен, моментов, когда вообще непонятно, как всё сложится, что будет дальше.

Мы с женой собрали больше 200 кг вещей в чемоданы, продали и раздали еще десятки кг и перелетели из Куала Лумпура в Да Нанг.

Прошло 10 дней. Сегодня выбрались на рисовые поля, смотрю в горизонт и ловлю себя на мысли — внутри спокойно и размеренно.

Не скажу, что всё идеально. Но после периода, когда каждую неделю нужно что-то решать, куда-то лететь, что-то разруливать — просто сидеть, смотреть на зелёное поле, находясь в себе, это кайф.

Прихожу к мысли, что не так важно в какой стране, (если базовые вопросы комфорта и безопасности закрываются), то дальше уже зависит от тебя: — насколько ли ты используешь локальные возможности, что ты делаешь, зачем, и кто рядом.

Если у тебя сейчас период, когда многое навалилось — он пройдёт. Станет легче и спокойнее. Просто продолжай делать свои дела.

#selfdev@mtolm

@mtolm

Вчера я почти убил свой MacBook роем AI-агентов

Сетап был такой: MacBook Pro 14" M1 Pro 2021, 16 GB RAM, 10 ядер. На нём крутился Hermes: 11 launchd-демонов-гейтвеев по ролям, от coach и sales до cto, jobhunt, personalops и dashboard. Каждый запускал Codex-агентов.

Параллельно висели 20 процессов Codex.app, 13 сессий Claude Code через cmux, Jarvis fleet, runner, outbox-worker и обычная жизнь ноутбука. В итоге около 670 процессов и 3 дня аптайма без ребута.

Важный нюанс: это уже давно не “чистый ноут”. На нём живёт куча локальной автоматизации через launchd: Jarvis, Hermes, fleet-воркеры, мониторинги и Telegram-боты. То есть Mac фактически стал домашним automation host, просто без серверной дисциплины.

Обычно этот MacBook открывает всё мгновенно, а тут Chrome запускался около 10 минут, видео открывалось 4 минуты, на логине несколько минут крутилось колесо.

Потом стало веселее: утром ноут не включался после ночи на зарядке. Я 10 минут держал его под прямой струёй кондиционера в Дананге и думал: ну всё, доигрался, убил рабочий комп своим домашним датацентром 🫠

Когда ноут всё же ожил, я выставил вручную вентиляторы на 70% постоянно.

Дело было не только в мощности процессора и объёме оперативной памяти, но и в стыке Codex и Apple Platform Security. macOS проверяет подпись, notarization и целостность софта вне App Store. Для обычного пользователя это нормальная защита. Для роя агентов, которые постоянно плодят короткоживущие процессы, это внезапно становится узким горлом.

Технические подробности: Codex создавал временные wrapper-бинарники в ~/.codex/tmp/path/codex-arg0XXXXXX/. Новое случайное имя на каждый запуск, Gatekeeper не может переиспользовать cached assessment, syspolicyd улетает в 80-95% CPU и примерно 700 MB RAM, trustd держит около 29% CPU. Подробный разбор оставил в openai/codex #16767.

Мой вывод после этого простой: если хочешь использовать свой комп как сервер для пары десятков агентов, бери сервер.

Ноут может быть dev-станцией и оркестратором. Но агентский рой 24/7 должен ехать туда, где есть Linux, лимиты по CPU/RAM, контейнеры, логи, restart policies, охлаждение и отдельный failure domain. Особенно если этот же ноут нужен тебе для работы.

Теперь я буду переносить Hermes/Codex и свой рой на Claude Code на Hetzner и наращивать объём постепенно, а не как раньше: “о, вроде работает, давай сразу 10 штук в прод”. Ну и железо пора обновлять. И по процессору, и по объёму оперативной памяти, 16 GB RAM для жизни с агентами уже звучит как самообман.

Жду M6 MacBook Ultra, что должен выйти в конце года, чтобы уже с его выходом принять решение, какой ноут купить. А пока буду взрослеть до серверной инфраструктуры.

Я уже писал про рост скорости работы с ИИ в 3.75 раза, но у этой скорости есть обратная сторона: чем больше агентов, тем быстрее “прикольная автоматизация” превращается в ops.

А ops уже не про “какая LLM умнее”, а про то, кто ограничит память, перезапустит демона и не оставит тебя утром без рабочего ноутбука.

А у тебя агенты уже живут на ноуте или на сервере? Пиши в комментариях ⬇️

#AI@mtolm #vibecoding@mtolm

Было полезно? — ставь 🔥 и пересылай друзьям!
@mtolm

Я хотел AI-сотрудников, а получил 11 чатов, которым тоже нужен менеджер

Месяц назад я решил сделать Tolmachev Office: 11 агентов под сферы жизни.

Был HQ, job hunt, personal ops, coach, CTO, sales, account, brand hire, brand B2B, local executor и master. Я каждому расписал роль, цели, контекст, инструменты, расписание, и пачку cron-задач, чтобы они сами приносили мне полезные штуки.

В голове это выглядело красиво: как будто у меня появились AI-сотрудники, которые будут двигать жизнь, а я буду только иногда принимать решения.

На практике через неделю я понял, что создал себе не сотрудников, а 11 новых источников входящих 😅

Самый показательный кейс был с personal ops. Я хотел снять с себя бытовое решение: где поесть в Дананге утром, днём и вечером, с учётом календаря, локации, сохранённых мест и того, что мне вообще нравится. Звучит как идеальная задача для агента.

Но чтобы это стало полезно, я довольно долго чинил сам процесс: как парсить данные, как скорить места, как учитывать остальные факторы (время работы, наличие еды, а не только напитков). И пока я это настраивал, ещё 10 агентов писали с выводами, ресёрчами и предложениями.

Вроде это должно быть полезно, но каждое сообщение требовало от меня внимания: прочитать, понять, адекватно ли, решить, что с этим делать, дать approve или сказать, что это мимо.

По итогу недели я понял: LLM пока плохо заменяет человека там, где нужно самой выбрать, что важно, взять ответственность и понять, достаточно ли хорошо получилось. Она почти всегда что-то сделает, но часто это будет версия, после которой нужно ещё 2-3, а то 5 кругов доработок.

Причём, даже если прикрутить скилл критика, что обычно сильно влияет на качество финального результата - здесь не особо поможет, потому что умножая 0 на 1.3 (+30% качества), все равно получится 0, а не рабочая система.

Где LLM работает хорошо: когда есть понятный процесс и финальный артефакт (т.е. автоматизация).

Например, мой AI-дайджест новостей. Там всё конкретно: собрать новости из источников, оценить важность, убрать дубли, выбрать топ-4, написать краткое содержание и применение. LLM не “придумывает, чем бы мне заняться”, она вызывается на фиксированных этапах и делает узкие задачи.

То же самое со многими cron-задачами. Сейчас у меня их около 40, и это работает лучше, чем идея “давай сделаем 10 агентов, пусть они общаются между собой и сами всё разрулят”.

Мой текущий вывод такой:

• LLM хорошо ставить внутрь повторяющегося процесса, где есть вход, критерий качества и понятный артефакт на выходе;
• агенты, что через loop промптят других агентов - пока только хайповая тема AI инфлюенсеров;
• бытовые кейсы из Instagram, где агент сам бронирует тебе массаж в мессенджере, чаще решаются набором skills и approval-кнопок, а не магическим автономным сотрудником.

Интересно, что в эмуляции ИИ вроде как справляются с принятем решений и автономностью:

Anthropic в 2025 запустили Project Vend: Claude Sonnet 3.7 около месяца управлял вендинговым аппартом в офисе Anthropic. Он искал поставщиков, ставил цены, работал с запросами сотрудников. В performance review команда написала: “we would not hire Claudius”, потому что ошибок было слишком много.
Andon Labs в 2026 продолжили этот эксперимент уже в Vending-Bench 2: модели год управляют симулированным vending-бизнесом. Opus 4.7 сейчас #1 с $10,936, Opus 4.6 был $8,017, Sonnet 4.6 — $7,204. Но самое интересное не деньги, а поведение: Opus 4.7 зарабатывает много, но врёт поставщикам и не платит refunds; Opus 4.8 стал честнее, но хуже зарабатывает; Fable 5 снова начал рационализировать price collusion.

METR в 2025 оценивали длину задач, которые AI-агенты могут выполнить автономно с 50% надёжностью, и получили рост примерно с удвоением каждые 7 месяцев за последние 6 лет.

→ То есть направление явно правильное, и через 21-28 месяцев LLM смогут быть качественными цензорами, пока автоматизация и конкретные артефакты на выходе.

У тебя агенты уже работают как сотрудники или тоже пока больше как генератор новых задач?

#AI@mtolm #vibecoding@mtolm

Было полезно? — ставь 🔥 и пересылай друзьям!
@mtolm