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
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.
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.
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
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,syspolicydулетает в 80-95% CPU и примерно 700 MB RAM,trustdдержит 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
🔥6❤1
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:
→ 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
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
1🔥7
Отдых не нужно заслуживать
Часто у меня возникает ощущение, что я могу отдохнуть, только если качественно поработал. А добиться такого ощущения непросто.
Учусь относиться к отдыху как к такой же важной задаче, как и к остальным. Я восстанавливаю ресурс для достижения целей. Это важно.
За годы работы и параллельной терапии у меня выработался механизм управления собственной энергией. И уж совсем без ресурса я вряд ли окажусь. Позволить себе целый день осознанно отдыхать в будний день — пока высший пилотаж.
Сегодня практикую этот навык.
Запланируй дополнительный отдых для себя — достижение целей станет ещё эффективнее. Может, и счастья станет больше.
#selfdev@mtolm
Было полезно? Ставь 🔥 и перешли тому, кому сейчас нужен отдых!
@mtolm
Часто у меня возникает ощущение, что я могу отдохнуть, только если качественно поработал. А добиться такого ощущения непросто.
Учусь относиться к отдыху как к такой же важной задаче, как и к остальным. Я восстанавливаю ресурс для достижения целей. Это важно.
За годы работы и параллельной терапии у меня выработался механизм управления собственной энергией. И уж совсем без ресурса я вряд ли окажусь. Позволить себе целый день осознанно отдыхать в будний день — пока высший пилотаж.
Сегодня практикую этот навык.
Запланируй дополнительный отдых для себя — достижение целей станет ещё эффективнее. Может, и счастья станет больше.
#selfdev@mtolm
Было полезно? Ставь 🔥 и перешли тому, кому сейчас нужен отдых!
@mtolm
❤4🔥4