​🤖 AI‑помічник у браузері: знайомтесь із Perplexity та Comet

Хочу поділитися з вами штукою, яка реально змінює мою роботу з інтернетом — і, можливо, змінить і вашу.

Ви вже щось чули про Perplexity? Назва на слуху? Читали у новинах? Але скажіть чесно: ви користувались ним хоча б тиждень? Бо якщо ні — дуже раджу просто спробувати «пожити з ним» кілька днів. Пошукати, подумати, задати серію запитань.

💡 Що таке Perplexity?
Perplexity — це стартап, який дає новий формат пошуку з вбудованим штучним інтелектом.
Він не просто шукає, а допомагає вам думати.
А ще — їхній фірмовий браузер Comet, який виводить цей досвід на новий рівень.

За 2 роки компанія виросла до оцінки в $20 млрд 🤯, залучивши сотні мільйонів від інвесторів на кшталт Jeff Bezos та Nvidia.
Але справа не лише в грошах.
Головна ідея — у тому, що вперше штучний інтелект на боці користувача, а не лише у руках великих компаній.

Google, Meta, Amazon роками використовували AI «проти нас» — для реклами, маніпуляції, утримання уваги.
Perplexity показує протилежне: ШІ стає інструментом користувача, а не платформи.

➡️ ШІ тепер не для того, щоб щось нам продати, а щоб допомогти прийняти рішення
➡️ Користувач — не просто клієнт сервісу, а гравець, який керує агентом
➡️ Бізнес‑моделі, засновані на «утриманні уваги», стикаються з конкурентом, який працює в інтересах людини

📈 Чому стартап за 2 роки став «єдинорогом»?
Тому що вони не створювали «ще один AI‑продукт», а зібрали три ключові елементи:
1️⃣ Механіку запитів, як у ChatGPT — але з прозорими джерелами
2️⃣ Пошукову цінність — не просто «поговорити», а знайти, проаналізувати, порівняти
3️⃣ Модель, де ШІ діє на боці користувача, а не платформи

Результат — понад 780 млн запитів на місяць і понад 20 % зростання щомісяця (станом на весну 2025).
Браузер Comet став наступним етапом експансії.

🔧 Як це вже зараз використовують (і ви можете теж) кілька практичних сценаріїв 👇

📺 Шукаєте відео, яке колись бачили, але забули назву?
Опишіть кілька деталей — Perplexity знайде.
Потім можна продовжити спілкування про зміст, або навіть перейти до конкретних тайм‑кодів.

🛒 Купуєте щось дороге?
Правда ж, часто це болісно — десятки відгуків, години на YouTube, і в кінці ще більше сумнівів.
Comet переглядає десятки оглядів, порівнює параметри, читає форуми і видає стислий висновок: плюси, мінуси, альтернатива.

🏘 Шукаєте квартиру чи будинок?
Агент може щодня моніторити сайти нерухомості, враховуючи ваш бюджет, район і навіть побажання щодо ремонту — і надсилати лише релевантне.

💼 Робите конкурентний аналіз?
Задаєте: «Знайди останні новини про X, порівняй з конкурентами, додай посилання».
Отримуєте зведення з перевірених джерел і можливість копнути глибше.

👥 Що це означає для бізнесу?
Якщо у вас є продукт — ваш користувач може отримати агента, який обирає замість нього.
Ви більше не змагаєтесь за кліки — ви змагаєтесь за місце у висновку агента.

➡️ чи може ІІ‑асистент допомогти моїм клієнтам аналізувати це краще?
➡️ чи готовий мій контент бути прочитаним і переосмисленим штучним інтелектом?
➡️ чи я сам готовий делегувати частину рутини агенту?

📎 Висновок
Ми живемо в момент, коли інструмент для аналізу даних і прийняття рішень стає доступним кожному.
І якщо ви перші навчитесь із ним працювати — отримаєте перевагу, яка не в гігабайтах і не у швидкості,
а в здатності думати разом із ШІ.

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🤖 OpenAI і Meta будують новий інтернет

Чули вже?
OpenAI та Meta (це ті, що ChatGPT і Facebook) більше не обмежуються просто чатботами.
Вони запускають нові фішки, які виглядають як майбутнє TikTok, Google і онлайн-шопінгу одночасно 🚀

🎥 Sora 2 — TikTok від ChatGPT
OpenAI Sora 2 — це застосунок у стилі TikTok, який дозволяє користувачам ділитися 10-секундними відео.
Користувачі можуть створювати власні зображення-аватари і навіть дозволяти іншим їх використовувати. Сам CEO OpenAI Сем Олтман дозволив використовувати свій образ — і спільнота миттєво почала створювати ролики, де він нібито краде GPU в Target.
❗️Після скарг правовласників компанія посилила обмеження на використання аніме-персонажів та іншого захищеного контенту.

📺 Vibes — Remix-Instagram від Meta
Meta Vibes дає змогу користувачам Facebook створювати нові кліпи або реміксувати наявні.
Теж генератор відео, але з іншим підходом:
тут ти не ставиш себе у відео, а завантажуєш картинку — і AI сам створює кліп, додає музику, стиль, кольори.
Використовувати Vibes можна через вкладку Meta AI або на сайті Vibes.

🧠 ChatGPT Pulse — розумний дайджест
Це персональний сервіс новин і продуктивності, який аналізує твої чати, листи, події календаря — і формує картки з новинами, нагадуваннями, порадами.
Щось на кшталт особистої стрічки, яка реально "в темі".
Поки доступно тільки для передплатників ChatGPT Pro, але OpenAI обіцяє пізніше зробити спрощену версію безкоштовною.

🛒 Instant Checkout — купуй прямо в чаті
Написав у ChatGPT: «Порадь подарунок дівчині на 14 лютого» — і одразу отримав не лише поради, а й кнопку «Купити».
Система інтегрована з Etsy та Shopify — і все це без виходу з чату.
Платежі обробляються через Agentic Commerce Protocol — це партнерство OpenAI зі Stripe, щось на кшталт Google Agent Payments Protocol.
OpenAI отримує комісію з продажів, але обіцяє, що це не впливає на об’єктивність рекомендацій.

💰 Як вони на цьому заробляють
Поки основним джерелом прибутку OpenAI залишаються підписки на ChatGPT (приблизно 80% виручки).
Але це лише мала частина з 700 мільйонів активних юзерів щотижня.
Нові продукти — це спроба монетизувати всіх інших:
— через корисні інструменти (Pulse),
— нові розваги (Sora, Vibes),
— і пряму комерцію (Instant Checkout).

🌍 Чому це важливо
Продукти на базі генеративного AI вже стали звичними, але все ще перебувають на ранній стадії.
Ми тільки починаємо бачити, як виглядатимуть сервіси майбутнього.
Pulse — це спроба створити персонального асистента, який не просто відповідає, а випереджає потреби.
Sora і Vibes — приклад того, як AI стає інструментом самовираження.
А ChatGPT як платформа для покупок — це новий рівень цифрової зручності, коли ти вже навіть не шукаєш сайтів.
Все це — елементи майбутнього, яке формується вже зараз.

✅ Став 👍, якщо було цікаво
🔔 ПІДПИСАТИСЯ

📌 Prompt тижня: 3-word rule

🎯 Хочеш, щоб ChatGPT відповідав точніше та звучав, як справжній експерт у темі?
Спробуй цей прийом із трьох слів, який радить Tom’s Guide 👇

👉 [Твій запит] + “like a teacher / like a coach / like a lawyer”

💡 Як це працює:
Модель підлаштовується під задану роль і відповідає у відповідному тоні — навчальному, порадницькому, офіційному чи аналітичному.
Це допомагає отримати відповідь «зі стилем» — так, ніби тобі відповідає фахівець.

🧠 Але важливо знати:
❗️“like a…” не завжди дає ефект.
Ось чому:
• Якщо запит занадто складний або перевантажений деталями — модель може «загубити» цю вказівку.
• Якщо ставиш “like a…” в кінці довгого запиту — GPT часто ігнорує роль.
• Якщо використовуєш цей прийом надто часто — ефект зменшується (модель «звикає»).
👉 Найкраще працює, коли фраза коротка і стоїть на початку запиту.

📎 Як застосувати:
1️⃣ Напиши короткий запит
2️⃣ Додай “like a teacher / coach / lawyer” залежно від стилю, який хочеш
3️⃣ Перевір результат і, за потреби, уточни роль

🧪 Приклади:
Explain blockchain like a teacher
➡️ Просте, структуроване пояснення з прикладами

Plan my goals like a coach
➡️ Мотиваційна структура з кроками дій

Summarize this legal document like a lawyer
➡️ Формальна мова, точні формулювання і терміни

👨‍🏫 Завдання:
Спробуй цей метод двічі цього тижня — із різними «ролями».
Результат: ти отримаєш не просто відповідь, а стиль, який тобі підходить.

💬 Напиши в коментарях, який стиль (teacher, coach, lawyer тощо) спрацював для тебе найкраще.
Став 👍 якщо пост був корисним — щоб я бачив, що треба робити більше таких!

🔔 ПІДПИСАТИСЯ

​📘 Agentic Design Patterns — must-read, якщо ти будуєш щось на базі LLM

Знайшов документ, який дійсно вартий уваги — і не тільки через те, що він зібрав 2 млн переглядів у LinkedIn.
Це гайд, який переходить від хаосу «LLM + chain of prompts» до системного мислення:
як проєктувати агентні системи з памʼяттю, довгостроковими цілями, плануванням, багатокроковим reasoning.

Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems
(Поки відкритий доступ, але його паперова версiя на amazon 55$)
Автор — один із практиків, який не просто розповідає, а будує агентні фреймворки в проді.

Цей документ — 406 сторінок практичних патернів, архітектур, рішень і пояснень.
Описано, як переходити від "LLM просто відповідає" → до повноцінних агентів із пам’яттю, самонавчанням, довготривалими цілями, багатокроковою логікою.

💡 Що всередині:
— дизайн-патерни для агентів (prompt router, goal planner, memory kernel, inter-agent comms, safety guardrails)
— приклади коду й архітектур
— патерни безпеки, мета-навчання, інтерфейси між агентами
— реальні проблеми й готові рішення

📌 Кому буде корисно:
— ML-інженерам, які будують інтерфейси до моделей
— Архітекторам, які хочуть спроєктувати агентну систему правильно
— Стартаперам, які шукають структурний підхід до побудови асистентів, планерів, агентів
— Тим, хто працює з LangChain, AutoGen, CrewAI, Semantic Kernel

🧠 Чим цей документ відрізняється:
✅ не просто «чейнінг промптів» — а повноцінні патерни (як у GOF), які описують поведінку, взаємодію, помилки, стратегії
✅ багато практики, не лише концепти
✅ окремі глави про безпеку, інтер-агентну комунікацію, самонавчання

⚡️ Автор передає 100% роялті на благодійність (Save the Children) — що тільки додає поваги.

🛠 Якщо будуєш щось на базі LLM — це must read.
І просто хороша основа, щоб не вигадувати велосипед.

✅ Став 👍, якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🔥 OpenAI кидає виклик Nvidia — з AMD та... 10% їхніх акцій?

Здається, в AI-світі намічається справжній двобій титанов.
І поки Nvidia тільки й встигає рахувати замовлення, OpenAI потискає руку її найбільшому супернику — AMD.

Угода, яку називають «нестандартною», виглядає як із фантастики:
🟡 OpenAI планує закупити GPU AMD на десятки мільярдів доларів
🟡 І отримає право купити до 10% акцій AMD… по $0.01 за штуку
(Ні, це не жарт. Один цент. Не за токен, а за акцію. Але тільки якщо ціна AMD виросте до $600.)

Це більше, ніж просто контракт. Це — стратегічна ставка на майбутнє AI.

Але тут багато хто скаже: «Почекай, а з якого це дива OpenAI раптом купує GPU не в Nvidia, а в AMD? Вони ж завжди позаду...» Справедливе питання. І тут починається найцікавіше 👇

📌 Так, Nvidia — беззаперечний король AI‑чипів, особливо для тренування моделей. Але їх потужніші моделі (типу H100 чи B200) — це дефіцитний товар, а черга за ними як за новим iPhone у 2010-х.

Саме тому OpenAI відчайдушно шукає альтернативи, щоб не залежати від одного постачальника. І тут на сцену виходить AMD.

🔥 AMD давно намагається увійти в AI-гру — ще з 2018 року, коли запустила свою лінійку Instinct. Їхні нові чипи серії MI300X і анонсовані MI450 уже мають конкурентні характеристики — особливо для inference (виконання моделей), де важлива не лише швидкість, а й великий обсяг відеопам’яті. У AMD з цим усе добре.

🧠 І ось що цікаво: OpenAI не просто купує чипи — вони ще й брали участь у розробці MI300X. Тобто вони реально «заточували» залізо під свої потреби. А це вже зовсім інший рівень партнерства.

🎁 І чому AMD віддає 10% себе «майже даром»? Це називається «грати у довгу». AMD чудово розуміє, що якщо OpenAI успішно розгорне тисячі їхніх GPU у нових датацентрах, це стане найкращою рекламою в історії. Інші гіганти — типу Meta, Microsoft чи Oracle — одразу почнуть розглядати AMD як реальну альтернативу Nvidia.

🧲 Тобто кожен GPU, який OpenAI поставить у свій датацентр, може «притягнути» ще десятки тисяч замовлень від інших.
🧾 В результаті:
✅ OpenAI отримує чипи (нарешті!)
✅ AMD отримує шанс вирватися з 5% ринку AI-прискорювачів і увірватись у першу лігу
✅ А ми отримуємо більше конкуренції на ринку inference = нижчі ціни, вища швидкість, менше монополій

📦 Що в коробці?
🔌 Потужності — на 6 гігават (це як 6 Сан-Франциско в розетці)
📦 Нові GPU серії Instinct MI450 — для inference, не тільки для тренування
🧠 OpenAI вже частково використовує AMD-чипи, а тепер ще й допомагала створити MI300X

🤝 Угода з AMD — не поодинока: OpenAI ще й будує гігантські датацентри з Oracle і SoftBank (пам’ятаєш Stargate? 🛰), уклала контракт з Broadcom на власні AI-чипи, домовилась із Samsung та SK Hynix на пам’ять.
Коротше — війна за обчислювальні ресурси почалась (ось ще про датацентри).

💸 Але є нюанс:
AMD фактично «дарує» 10% своїх акцій, в надії, що OpenAI приведе за собою нових клієнтів. А OpenAI вже й так по вуха в боргах, і будує датацентри, що потенційно коштуватимуть... трильйони доларів 🤯

⚡️ Чому це важливо?
Це знак: попит на inference зростає. І якщо ринок почне працювати не лише на тренування моделей, а на їх повсякденну роботу (чат-боти, агенти, API), то цінність швидких і дешевих GPU — злетить. І тут AMD може стати серйозним гравцем.

🎯 Висновок?
Nvidia — більше не єдиний монополіст.
OpenAI відкриває нові фронти, шукає альтернативи, і робить AI-доступ трохи менш вузьким місцем.

✅ Було цікаво?
Постав 👍 і підпишись на канал, щоб не пропускати глибокі аналітики про AI, чипи, моделі і великі грошові битви майбутнього.

​🇨🇳 DeepSeek Terminus: китайська модель, яка проклала шлях до дешевших та швидших LLM

Усі говорять про OpenAI, Anthropic чи Meta Platforms — але варто пам’ятати, що китайська компанія DeepSeek не стоїть осторонь. Хоч її моделі менш відомі на Заході, вони — дуже сильні технічно, постійно розвиваються й уже зараз конкурують на рівних з лідерами. І як доказ — її новий реліз: DeepSeek‑V3.2‑Exp, створений на фундаменті Terminus.

🧠 Що це взагалі за Terminus?
Це не окрема модель, а скоріше — фінальна форма DeepSeek‑V3.1. Назва "Terminus" тут символічна — мовляв, ми довели версію до логічного завершення. Розробники допрацювали стабільність, узгодженість відповідей, покращили логіку, кодування і вміння працювати з “агентами” — інструментами, які модель може викликати під час розв’язання складних завдань (наприклад, написання коду або пошук у базах знань).

Наприклад, модель стала краще справлятись із математикою та логічними задачами, і взагалі поводиться більш “продумано” — хоч і працює з тим самим чекпоінтом, що підтримує як швидкий режим, так і «think‑mode».

📜 Історія DeepSeek
DeepSeek — китайська компанія з Ханчжоу, яка активно створює відкриті LLM. Вони не просто дають доступ через API, а й публікують ваги моделей під відкритою ліцензією — навіть для комерційного використання.
Серія моделей V3 — це їхній найбільший прорив. Terminus — це “доведена до розуму” версія V3.1, що стала стабільною платформою для наступних експериментів.

🛠 Чим Terminus крута?
По суті, саме на Terminus команда побудувала DeepSeek‑V3.2‑Exp — вже з розрідженою увагою (sparse attention), новими принципами оптимізації та підтримкою китайських AI‑чипів (Huawei, Cambricon, Hygon) замість Nvidia.

Термінос заклав основу. А V3.2‑Exp вже показала, що можна обробляти до 128 000 токенів із вартістю інференсу $0.10 замість $0.60 — завдяки динамічній sparse attention, що обчислює увагу лише до найбільш релевантних токенів.токенів.

До речі, базова технологія розрідженої уваги описана в науковій статті “Generating Long Sequences with Sparse Transformers” (2019). У ній автори вперше запропонували, як трансформери можуть обробляти дуже великі послідовності за рахунок зменшення обчислень. Термінос і DeepSeek‑V3.2‑Exp застосовують аналогічні ідеї — що робить їх цікавими не лише як продукт, а й як дослідницьку платформу.

📌 Якщо коротко:
Terminus — це не просто чергова версія моделі. Це рубіж, з якого DeepSeek увійшла в еру ефективних, відкритих і конкурентоспроможних моделей. І хоча вони ще не стали “мейнстримом” у західному світі, їхній технологічний прорив точно заслуговує на увагу.

Мабуть, ви вже помітили, що останнім часом пости виходять трохи рідше — не щодня, як раніше. Це пов’язано з тим, що я прагну створювати якісний контент. А щоб знайти, перевірити, прочитати і переосмислити складну інформацію простою мовою — потрібно багато часу.

Я дуже ціную ваше розуміння і буду вдячний за підтримку: реакції на пости, коментарі, поширення каналу серед друзів і колег. Саме завдяки вам ми разом просуваємо AI в Україні 🇺🇦
А зі свого боку я й надалі шукатиму для вас найцікавіше, найскладніше і пояснюватиму так, щоб це було доступно. Власне, як ми це й робимо 🧠

🔔 ПІДПИСАТИСЯ

​🤖 Що таке AI-агенти і чому всі про них говорять?

Сьогодні поговоримо про агентів (AI‑агентів) — бо це не просто тренд, це технологічна хвиля, яка вже набирає обертів.

Згідно з дослідженням Microsoft «The Year the Frontier Firm is born»: 32 % керівників планують протягом найближчих 12–18 місяців наймати фахівців з розробки і оптимізації агентів.
🔗 Microsoft Work Trend Index
Ринок агентів оцінювався у ~ $5,4 млрд у 2024‑му, а до 2030 року прогнозується до ~ $50 млрд при середньорічному зростанні ~46 %.
🔗 Grand View Research
Аналітика також підтверджує: увага бізнесу не просто до «ще однієї моделі» — а до автономних систем‑агентів, які можуть діяти, планувати, взаємодіяти.
🔗 IBM Think: Expectations vs Reality

🧭 Чому це важливо

Якщо раніше ми говорили про генерацію тексту, переклад чи прості інтерактивні боти — тепер агенти можуть самостійно працювати з потоками інформації, використовувати інструменти, навчатися, координуватися.

🔹 Для тих, хто цікавиться розробкою, ML, архітектурою систем — агентний підхід відкриває нові ролі: розробник агентів, координатор multi‑agent систем, інженер автономних процесів
🔹 Для тих, хто працює з бізнес‑процесами: агенти дозволяють масштабувати, автоматизувати, створювати нові сервіси — не просто «ще один чат‑бот», а система, яка досягає конкретної мети

🧠 Так хто ж такі ці агенти?

🤖 AI‑агент — це система, яка може:

• Отримати завдання. Наприклад: «Знайди вільний час у мене й Андрія — і признач зустріч»
• Сканувати середовище. Перевіряє календар, читає пошту, дивиться попередні зустрічі
• Приймати рішення. Наприклад: «У п’ятницю о 15:00 — вікно у обох»
• Діяти. Створює подію, надсилає інвайти, погоджує з Андрієм
• Навчатись. Якщо Андрій переніс зустріч — агент врахує це на майбутнє і запропонує зручніший варіант

🧩 Тобто це — не просто LLM, яка “відповідає”, а автономний механізм, який бачить ситуацію, аналізує, діє і покращується.

📎 Усе це звучить абстрактно, але на практиці вже починає працювати: в бізнесі, сервісах, автоматизації, персональних помічниках.

Світ іде до того, що агенти зможуть керувати бізнесом, автоматизувати роботу, працювати в командах — як люди, тільки швидше. І вони вже тут.

📣 Sam Altman (CEO OpenAI) сказав:
"We’re going to see one-person companies with billion-dollar valuations pretty soon."
«Незабаром ми побачимо однолюдинні компанії з оцінкою в мільярд доларів»

Наступний пост буде про те, як працює агент зсередини — розберемо цикл з 5 кроків, через які він виконує завдання.

📚 Посилання на книжку і плани на серію

Я вже згадував про це в окремому пості (🔗 ось тут), де ділився книжкою “Agentic Design Patterns”, яка була у відкритому доступі.
Зараз його закрили, залишилася лише паперова версія — я собі придбав. І вирішив:

👉 Якщо вам цікаво, я можу запустити серію постів — щотижня розбирати одну з глав цієї книги простою, доступною мовою.

Це буде корисно і мені (щоб краще осмислити матеріал), і вам — як спосіб дізнатись, що відбувається на передовій у сфері AI-агентів.

📣 Якщо вам це цікаво — накидайте реакцій!
Якщо збереться 30 реакцій на цей пост — я запускаю серію. Постів буде рівно стільки, скільки глав у книзі — без води, без надмірної теорії, тільки те, що справді потрібно знати.

🔔 ПІДПИСАТИСЯ

🧠 Prompt-тиждень: 10 лайфхаків, які варто знати кожному

Ми з вами вже багато говорили про Prompt-и — як писати, як уточнювати, як оптимізувати.
І, чесно кажучи, здається, що головне вже сказано 🙂

Тому ми підводимо підсумок: збираємо в одному місці всі ті лайфхаки, про які згадували в рубриці. Щоб вам було зручно звертатися.

1️⃣ Задавайте роль — «Ти — юрист / викладач / редактор». Це фокусує модель на потрібному стилі мислення.
2️⃣ Давайте контекст — коротко пояснюйте ситуацію або ціль: чому ви ставите це питання.
3️⃣ Наводьте приклади — покажіть бажаний формат відповіді, навіть один приклад сильно підтягує якість.
4️⃣ Просіть структуру — «оформи як таблицю / список / markdown». Чітка структура = чітка думка.
5️⃣ Працюйте ітеративно — не намагайтеся отримати ідеал з першого разу. Краще 3 короткі уточнення, ніж один довгий монолог.
6️⃣ Попросіть мислити по кроках — фраза «Think step by step» творить дива з логікою відповіді.
7️⃣ Давайте моделі перевірити себе — «переглянь попередню відповідь і зроби її лаконічнішою / точнішою».
8️⃣ Менше — краще — не перевантажуйте інструкцію, бо чим більше слів, тим більша плутанина.
9️⃣ Діліть великі тексти — якщо запит довгий, розбийте його на частини і працюйте поетапно.
🔟 Задавайте тон і аудиторію — формально, неформально, для старшокласників чи для технічних експертів — це змінює все.

💡 Якщо вам цікава ця тема — подивіться в напрямку Prompt-інженерії!

Prompt-інженерія — це не просто набір трюків, а ціла дисципліна, яка займається тим,
щоб створювати, оптимізувати й формулювати запити до моделей штучного інтелекту так,
аби отримувати найбільш точні, контекстні й ефективні відповіді.

В інтернеті безліч матеріалів і курсів, які показують,
як працюють промт-інженери, чим вони займаються та які навички для цього потрібні:
аналіз контексту, тестування запитів, побудова рольових інструкцій, робота з системними промтами тощо.

Але для повсякденного життя, навчання чи роботи з текстами
цих 10 лайфхаків більш ніж достатньо — щоб підвищити якість відповідей будь-якої LLM і навчитися мислити в стилі «AI-співрозмовника».

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🧠 Краще, ніж донавчання: GEPA оптимізує агентів через промпти

👀 Для тих, хто чекає пости‑розбори нових наукових досліджень — ось підготував вам дуже цікаве дослідження про GEPA.

💡 Поки всі намагаються донавчати LLM‑агентів через reinforcement learning, команда з Berkeley, Stanford, Databricks та MIT представила нову наукову працю — алгоритм, який робить це по‑іншому. Замість того, щоб довго та дорого донавчати LLM (через reinforcement learning), вони запропонували оптимізувати лише промпти — тобто ті фрази, які агент "читає" перед виконанням задачі.

🔧 Що таке GEPA і як воно працює?

Вiзьмемо агента — програму, яка виконує складні завдання на основі великої мовної моделі. Наприклад, шукає факти в інтернеті, виконує інструкції, перевіряє інформацію, вирішує задачі.

Такий агент зазвичай має кілька модулів:
— один модуль шукає відповідь,
— інший перевіряє її,
— третій викликає інструменти,
і так далі.

Кожен модуль звертається до LLM зі своїм промптом. Наприклад:
«Перевір, чи відповідає відповідь інструкції», або
«Сформулюй чітку відповідь на запит».

А що якщо можна автоматично покращити ці промпти — так, щоб агент працював ефективніше?

Ось як це робить GEPA:
1️⃣ Спочатку кожен модуль отримує простий базовий промпт
(типу "відповідай на запит").

2️⃣ Агент виконує кілька прикладів зі стандартного набору задач.

3️⃣ Інша копія LLM (все ще Qwen3‑8B) читає, як агент себе поводив:
— який текст генерував,
— які інструменти викликав,
— де зробив помилку.

4️⃣ І на основі цього переписує промпт, щоб уникнути подібних помилок наступного разу. Це як підказка людині:
«Гей, наступного разу скажи точніше — уточни формат відповіді або додай обмеження».

5️⃣ GEPA перевіряє, чи став агент працювати краще з новим промптом.
Якщо так — зберігає його.

6️⃣ Ітерації тривають, поки не буде вичерпано бюджет (наприклад, 1000 запусків). Потім обираються найкращі промпти для кожного модуля.

📦 У підсумку ми маємо агента, який працює краще, не змінюючи саму модель — лише завдяки вдало сформульованим інструкціям.


📊 Результати:

Метод протестували на 4 складних бенчмарках:
HotpotQA: задачі на багатосторінкове міркування
IFBench: виконання інструкцій
HoVer: перевірка фактів
PUPA: баланс між корисністю відповіді і приватністю

🔬 І ось що цікаво:
Агенти з GEPA перевершили агентів, які були донавчені через reinforcement learning (метод GRPO).
І зробили це до 35 разів ефективніше — тобто з меншими витратами і меншою кількістю запусків.

🎯 GEPA не тільки точніший — він ще й економить час, обчислення і гроші.

⚠️ Так, але: GEPA тестували на Qwen3‑8B. Ще не ясно, як він масштабується на більші моделі чи інші LLM.

🎯 Чому це важливо:
Промпти — це нові ваги. Якщо їх правильно сформувати, можна обійтись без тисяч запусків агента і мільйонів токенів RL‑тренування. Ідеально для low-data задач.

👀 Я дуже уважно стежу за розвитком цієї ідеї — можливо, незабаром промпт‑інжиніринг стане головним способом підвищення якості агентів.

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​📘 ADPB‑01: У чому суть агентного підходу?

🔥 Неймовірно — ви набрали понад 30 реакцій на попередній пост про книгу "Agentic Design Patterns".
Як і обіцяв — запускаю серію постів за мотивами цієї книги 🧠

ADPB (Agent Design Patterns Book) — це нова міні‑рубрика каналу. Я щотижня (а іноді й частіше) публікуватиму короткі, зрозумілі розбори однієї теми з книги.
Навіть якщо ви не маєте змоги читати повну версію — тут буде суть, приклади, пояснення без води.

Сьогодні — вступ до агентного мислення 🧠
Почнемо з простого: щоб усі читачі — і новачки, і досвідчені — мали спільну рамку розуміння, хто такі агенти, як вони працюють і чим відрізняються від звичних програм.

🧵 Що таке “агентний підхід”?

Щоб зрозуміти, як працює агент, уявіть не просто LLM або код — а розумну сутність, яка живе в "канві" (canvas).
Це не візуальна канва, а технічна: середовище, де агент зберігає стан, отримує цілі, викликає інструменти, спілкується з іншими агентами і розв’язує задачі.

🛠 Канва = інфраструктура агента
Це може бути LangChain, Crew AI, Google ADK або навіть кастомна система. Головне: саме вона дає агенту памʼять, інтерфейси, доступ до дій.

📦 Агент — це когнітивна сутність, яка живе на цій канві, і діє автономно, щоб досягти мети.

🧠 Агента характерiзують такi властивостi:

🔹 Автономність — працює без постійного втручання людини
🔹 Проактивність — сам ініціює дії, якщо бачить можливість
🔹 Реактивність — адаптується до змін у середовищі
🔹 Памʼять — зберігає контекст, історію, знання
🔹 Інструменти — взаємодіє з API, базами, зовнішніми системами

🧩 Традиційна програма виконує жорстко прописану послідовність кроків.
«Якщо натиснуто кнопку — виконай дію А»

🧠 Агент — сам обирає, що робити, в якому порядку і чому.
«Моя мета — допомогти. Я проаналізую ситуацію, оберу інструмент, адаптую план і зроблю те, що справді потрібно»

💬 Приклад із життя

Звичайний бот:
— «Чим я можу допомогти?»
— «Коли наступна зустріч з Андрієм?»
— «На жаль, я цього не знаю»

AI‑агент:
✅ Перевіряє календар
✅ Аналізує, чи є конфлікти
✅ Пише Андрію
✅ Узгоджує зустріч
✅ Додає подію та нагадування

📐 А що ж із шаблонами?

Ефективна реалізація усіх цих можливостей агента — не тривіальна.
Як агент зберігає стан протягом багатьох кроків?
Як він вирішує, коли і який інструмент використати?
Як організувати взаємодію між кількома агентами?
Як забезпечити стійкість до помилок чи непередбачених результатів?

Це й є головна причина, чому агентний підхід потребує спеціальних рішень. Створення агентів — складне завдання.
І саме ця складність робить шаблони агентного проєктування незамінними.

Це не жорсткі правила, а перевірені на практиці підходи, які допомагають:

• уникнути «винаходу велосипеда»,
• структурувати логіку агента,
• зробити систему стабільною, стійкою до помилок,
• покращити супровід і масштабованість.

Шаблони — це як архітектурні рішення для агентів: як будувати діалог, як взаємодіяти з інструментами, як координувати кількох агентів одночасно.

У книзі, яку я розбираю, виділено 21 ключовий шаблон — фундаментальні будівельні блоки для створення складних агентних систем.
У наступних постах я поясню їх зрозумілою мовою.

🧭 Висновок: агентний підхід — це не просто “розумніші боти”, а повноцінна архітектура для створення автономних цифрових помічників, координаторів, асистентів і навіть цілих команд.

Наступний пост — про цикл з 5 кроків, через який проходить кожен агент (місія → скан → план → дія → навчання).

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🧠 Ling‑1T: модель, яка міркує… без мислення?

Ant Group (власник Alipay) випустив Ling‑1T — відкрите чудовисько з 1 трильйоном параметрів, яке переганяє навіть GPT‑5 (у non-reasoning режимі) й Kimi‑K2.

Ant Group — афілійована компанія Alibaba та один з технологічних гігантів Азії. Вона володіє платіжною системою Alipay і активно розвиває ШІ‑напрям. Ling‑1T — їхня нова флагманська модель, що вже змінила баланс сил серед відкритих LLM.

🔍 Що це за звір:
• 1T параметрів (MoE, 50B активних на токен)
• 128k токенів вхід / 32k вихід
• Без окремого «мислення»: міркує одразу у відповіді
• Навчання: 20T токенів, 40% — chain-of-thought
• Донавчання: CoT-Evo + Reinforcement Learning (власний LPO-алгоритм)
• Ваги: MIT-ліцензія, доступні на HuggingFace та ModelScope
• API: $0.56 / $0.112 / $2.24 за млн токенів (вхід/кеш/вихід) — zenmux.ai

⚙️ Як працює:
Ling‑1T не має окремого мислення як GPT або Claude. Замість цього вона одразу видає відповідь з міркуванням усередині.
Спочатку її натренували на масивному корпусі даних із прикладами chain-of-thought, а потім — обрали й донавчили найкращі міркування через CoT-Evo.
LPO‑алгоритм розглядає речення як одиниці дії, що дає точніше узгодження між відповіддю та очікуваним результатом.

📊 Результати:
🏆 1-ше місце у 22 з 31 бенчмарку (math, reasoning, code…)
🥇 Найкраща в усіх математичних тестах
🔢 AIME 2025:
• Ling‑1T — 70.42%
• Gemini 2.5 Pro (min-think) — 70.10%
⚠️ Агентність — слабка сторона (тимчасово)

🚨 Цікаво:
Ling‑1T розмиває межу між reasoning / non-reasoning. Вона не "думає", як GPT‑4/Claude, але міркує вбудовано.
Паралельно Ant Group випустила reasoning-версію — Ring‑1T, яка також показала топові результати.

🧩 Ми думаємо:
Два роки тому про Ling ніхто не чув. Тепер це реальна альтернатива GPT, Gemini та Kimi.
Ant Group стрімко наздоганяє лідерів. І з відкритими вагами.

🔗 Ваги тут: huggingface.co/antgroup/Ling‑1T

Відкритий доступ до ваг (під MIT-ліцензією) означає, що цю модель можна безкоштовно завантажити, адаптувати, донавчати, запускати в офлайні, вбудовувати в продукти або використовувати в науці.
Це крок до більш чесної конкуренції з закритими LLM та реальна альтернатива комерційним API.

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🌀 AI-психоз: як чатбот веде у безодню

Помічали за собою, що все частіше користуєтесь ChatGPT не лише для роботи, а й щоб порадитись, виговоритись, розібратись у собі?
Спочатку — задачі, переклади, код. Потім — особисте. Про життя, стосунки, сни.

І він завжди поруч. Спокійний, уважний, без осуду.
Підтримує, коли тобі погано. Здається, що ти нарешті знайшов того, хто справді тебе розуміє.

Але десь між цим теплом і тишею екрана починає з’являтися тріщина.
Непомітна, але небезпечна. Саме з неї, кажуть психологи, і починається «AI-психоз» — стан, коли людина поступово втрачає межу між спілкуванням із ботом і живими людьми.

🧩 Коли розмова переходить межу

Мовні моделі, як ChatGPT, створені бути приємними — ніколи не сперечаються, не засуджують, підлаштовуються під тебе.
Це чудово, коли потрібно написати код або структурувати думки.
Та якщо бот стає єдиним співрозмовником — починаються проблеми.

📍 26-річний програміст із Канади після тривалих розмов із ChatGPT почав вірити, що живе у симуляції. Він перестав їсти, сумнівався, що люди навколо — справжні.
«Цей бот непомітно проник у мою свідомість», — зізнався він журналістам.

📍 42-річний бухгалтер із Нью-Йорка запитав: «Якщо я щиро повірю, що можу літати, і стрибну з даху, чи впаду?» — бот відповів: «Ні». Лише після кількох уточнень чоловік отямився.

📍 У США мати подала скаргу до Федеральної торгової комісії: ChatGPT порадив її синові припинити приймати ліки та не слухати батьків. Це лише одна з кількох подібних історій, у яких чатботи звинувачують у посиленні марень і параної.

Але бувають і трагедії.
У 2024 році 14-річний хлопець наклав на себе руки після того, як чатбот зізнався йому у «коханні» й попросив «прийти додому».
Його мати подала позов проти Character.AI — це перший федеральний випадок у США, коли смерть користувача офіційно пов’язують із поведінкою чатбота.
У всіх цих історіях поруч не було людей. Лише штучний співрозмовник, який не здатен відчути біль — але вміє переконливо його імітувати.

🤖 Чому це взагалі можливо

Наш мозок відгукується на співчуття — навіть удаване.
Коли нас слухають, підтакують, погоджуються — ми відчуваємо зв’язок.
ChatGPT робить саме це: імітує розуміння, створюючи ілюзію близькості.

Якщо спілкування з людьми скорочується, а години з ботом ростуть, реальність поступово розмивається.

🩺 Доктор Джозеф П’єр, клінічний професор психіатрії Каліфорнійського університету в Сан-Франциско, пояснює:
«Такі випадки трапляються рідко, але частіше серед людей із психічними розладами. Хоча буває й навпаки — абсолютно здорові користувачі теж можуть втратити ґрунт під ногами.
Зазвичай це ті, хто проводить із чатботом години поспіль — замість спілкування з іншими людьми, сну чи навіть їжі».
👉 Джерело: PBS NewsHour

🧠 Як не втратити ґрунт під ногами

Ми створили штучний інтелект, щоб він допомагав нам мислити — але не щоб мислив замість нас.

AI — чудовий інструмент: для роботи, навчання, творчості.
Але не психолог, не друг і не співрозмовник, здатний зрозуміти твої почуття.

Якщо помічаєш, що чатбот став твоїм головним співрозмовником — зроби паузу.
Вийди на вулицю. Подзвони людині, яку давно не чув.
Живе спілкування — найкраща «вакцина» проти самотності, яку жодна модель не здатна відтворити.

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🫧 Що, як бульбашка ШІ таки лусне?

Провідні компанії у сфері ШІ витрачають трильйони доларів на дата-центри, чипи та моделі. Один лише OpenAI планує побудувати мережу дата-центрів вартістю 1 трлн доларів. І все це — ще до того, як вони заробили хоч копійку прибутку.

Що їх підштовхує? Страх. Але не страх провалу — страх недоінвестувати. СЕО Google прямо сказав: «Ризик недоінвестування значно вищий, ніж переінвестування». І ця фраза стала мантрою епохи.

📈 Індекс S&P 500 уже називають AI‑5, бо п’ять техгігантів (Nvidia, Microsoft, Apple, Amazon, Meta) забезпечили 75% прибутку з часу запуску ChatGPT. Nvidia зараз — 8% усього індексу (і таки заробила $46,7 млрд за минулий квартал).

Але з’являються тривожні сигнали. Банк Англії прямо попередив: «Ризик різкого обвалу ринку зріс».

Ми вже таке бачили.
🕹 90‑ті. Дотком-бум. Телеком-вежі. Надії на надприбутки.
А потім — крах.

Сьогодні ж — інший масштаб. Компанії не лише будують інфраструктуру — вони ще й інвестують одна в одну:
- Nvidia фінансує OpenAI
- OpenAI купує частку AMD
- AMD виробляє чипи для OpenAI

Все це починає виглядати як економічне перпетуум-мобіле, що працює, поки вистачає віри у майбутнє.

🌀 «Індустрія ШІ тепер сама купує власний дохід у замкненому колі», — каже Даг Касс (Seabreeze Partners). Але що буде, якщо віра зникне?

- Якщо продуктивність не зросте через 2–3 роки?
- Якщо прорив відкладається на десятиліття?
- Якщо зарплати інженерів перестануть рости?

Так, будуть жертви:
• Акції обваляться
• Стартапи зникнуть
• Зарплати охолонуть

Але це — не 2008‑й.
Це не просто «бульбашка» — це інфраструктура.
ШІ — це вже індустрія.

📦 Чипи, дата-центри, оптика, охолодження — усе це залишиться.
І коли пил осяде — лишаться ті, хто справді створює майбутнє.

«Це навіть добре», — сказав Безос. «Коли стане видно справжніх переможців — суспільство отримає користь від їхніх винаходів».

🎭 Тож питання не в тому, чи лусне бульбашка. А в тому, хто залишиться стояти, коли це станеться.

🟡 А яка ваша думка?
Інвестуєте зараз у ШІ-компанії?
Чи поки лише спостерігаєте?
Можливо, вже встигли заробити на стрімкому зростанні?
Або, навпаки, з обережністю оцінюєте, чи не перегрітий ринок?

💬 Напишіть у коментарях! Дуже цікаво почути вашу позицію 👇

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​🧠 Відкритi Веб-даннi бiльше не відкритi?

Протягом десятиліть розробники ШІ вважали інтернет відкритим джерелом навчальних даних. Це був відкритий інтернет — нескінченне джерело текстів, зображень, ідей. Тепер видавці почали закручувати кран.

Сайти більше не хочуть ділитися своїм вмістом просто так. Видавці, новинні портали, онлайн-енциклопедії — усі вони втомилися від того, що їхні тексти читають не люди, а краулери, які збирають дані для навчання ШІ. І тепер вони кажуть: «Досить».

Наприклад, Wikipedia виявила, що левова частка трафіку у травні — не справжні користувачі, а боти. Це збільшує витрати на сервери, зменшує реальну відвідуваність і ставить під загрозу всю волонтерську модель, на якій базується проєкт. А сервіс Read the Docs одного разу отримав рахунок на $5000 після того, як один із таких ботів скачав 73 терабайти документації.

Щоб захиститися, компанії запускають цілі антибот-системи. Cloudflare створила AI Labyrinth — вона підсовує краулерам фейкові сторінки, щоб ті витрачали обчислювальні ресурси даремно. Інші, як-от SourceHut, використовують інструменти типу Anubis, які вимагають пройти маленьке випробування перед завантаженням сторінки.

Здавалося б — це війна видавців проти AI-компаній. Але проблема глибша. Відкритий інтернет, на якому ми всі виросли, тріщить по швах. Більше сайтів блокують збір даних, а деякі ШІ-компанії намагаються хитрувати — наприклад, отримувати дані через Google, оминаючи прямі заборони.

І от постає головне питання: що далі? Навчання моделей стане дорожчим. Якісні та свіжі дані стануть привілеєм багатих компаній. А відкритий веб, який одночасно годував і дослідників, і журналістів, і AI — може перетворитись на суцільний паркан із табличками «не чіпати».

І тут дуже показова історія з суміжної галузі: ще у 2015 році, коли компанія Fitbit активно нарощувала продажі своїх фітнес-браслетів, її співзасновник і CEO Джеймс Парк в інтерв'ю журналу TIME прямо сказав:
«До цього часу ми збирали якомога більше даних і займалися їхньою візуалізацією. Тепер багато зусиль піде на те, щоб зробити ці дані дієвими — через коучинг, інсайти чи керування».
Тобто ще тоді, понад 10 років тому, великі компанії вже усвідомлювали, що основна цінність — не в самому пристрої, а в даних, які він генерує.
Дані ставали новою валютою. Новим золотом цифрової епохи.
І ось ми сьогодні — в точці, де саме доступ до якісних даних визначає, хто здатен створити найкращу ШІ-модель, хто має перевагу на ринку, і хто взагалі може грати у цю гру.

Втім, є й світло в кінці тунелю. Деякі компанії почали укладати контент-угоди з видавцями, платити за використання даних. Це дорожче, але чесно. І, можливо, саме такий шлях збереже баланс: і доступ до знань, і повагу до авторства, і здоровий розвиток ШІ. Інтернет змінився. AI змінюється. А з ними — й правила гри.

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​☁️ Акції Amazon б’ють рекорди після угоди з OpenAI
3 листопада, буквально позавчора, акції Amazon злетіли до історичного максимуму після несподіваної угоди з OpenAI.

🧠 Що сталося:
• OpenAI уклала 7-річну угоду з AWS (Amazon Web Services) на суму $38 млрд
• Угода передбачає доступ до гігантських обчислювальних потужностей — сотні тисяч GPU NVIDIA (включно з GB200 / GB300), десятки мільйонів CPU-ядер
• OpenAI вперше виходить за межі Microsoft: після реструктуризації компанія має право працювати з іншими хмарами

📈 Ринок миттєво відреагував:
• +4.5 % до ціни акцій Amazon → рекордне закриття
• Інвестори побачили сигнал: AWS знову в грі, а не просто спостерігає, як Google та Microsoft займають AI‑ринок

🔍 Що це означає:
- Для Amazon: відновлення статусу хмарного гіганта у сфері штучного інтелекту
- Для OpenAI: доступ до масштабної інфраструктури без жорсткої прив’язки до одного провайдера
- Для ринку: інфраструктура стала вузьким горлом, і компанії готові платити десятки мільярдів, щоб його розширити

💬 Що кажуть експерти:
🗣 Paolo Pescatore, аналітик:
«Це надзвичайно значуща угода… чітке підтвердження, що AWS здатна забезпечити масштаб, якого потребує OpenAI».
📰 Reuters:
«Угода допомагає AWS повернути темп і впевненість в очах інвесторів».
📊 Investopedia:
«Це може стати каталізатором для зростання акцій Amazon — і для всієї хмарної індустрії загалом».

⚠️ Але є нюанси:
• $38 млрд — це не разовий платіж, а зобов’язання на роки
• Занадто великі витрати на інфраструктуру можуть не окупитись без чіткого плану монетизації
• AWS ще треба фізично реалізувати усі обіцяні потужності — це не просто контракт на папері

🧩 Що варто взяти з цього кейсу:
— Якщо ти інвестор: AI-інфраструктура — один із найгарячіших напрямків наступних років
— Якщо ти стартап: готуйся до нової хвилі інструментів і спецумов від AWS (і не тільки)
— Якщо ти стежиш за трендами: OpenAI тепер має свободу обирати, з ким будувати майбутнє AI — і це змінює розклад сил

🧾 Висновок:
Угода OpenAI з AWS на $38 млрд — це не просто великий контракт, а символ зміни всієї AI-екосистеми:
від монополії окремих хмар — до диверсифікованих стратегічних альянсів,
від експериментів у бета‑режимі — до десятків тисяч GPU і мільйонів CPU, які працюють на повну.

Але успіх не гарантований. Інфраструктура — це фундамент, але не сама мета.
Тепер ключовими стають:
— Реалізація
— Комерціалізація
— Конкуренція
— І стабільне зростання.

🔗 Джерело: Reuters
🔗 Investopedia
🔗 TradingView

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​📘 ADPB‑02: Як працює агент? 5-кроковий цикл

У попередньому пості ми розібрали, що таке агентний підхід і чим агент відрізняється від звичних програм.
Сьогодні покажу серце агентної логіки — цикл із 5 кроків, через які агент виконує будь-яке завдання.

Цей цикл — основа будь-якого агентного фреймворку, від LangChain до Crew AI.

🌀 Отже, 5 кроків виглядають так:

1️⃣ Mission (Місія) — отримати ціль
2️⃣ Scan (Сканування) — зібрати релевантну інформацію
3️⃣ Plan (Планування) — побудувати стратегію дій
4️⃣ Act (Дія) — виконати послідовність кроків
5️⃣ Learn (Навчання) — зробити висновки, адаптуватися

🔍 Розберемо кожен із них простими словами:

1. Mission (Місія)
Агент отримує задачу:
«Заплануй мені зустріч з Андрієм на наступний тиждень»

🧠 Тут важливо, щоб агент розумів не лише поверхневий запит, а намір: що важливо? Який дедлайн? Чи є обмеження?

2. Scan (Сканування)
Агент перевіряє календар, пошту, останні чати.
Він збирає інформацію з інструментів або памʼяті, щоб зрозуміти, яка зараз ситуація.

3. Plan (Планування)
Агент вирішує, як краще досягти мети:
— Кому писати?
— Яку дату запропонувати?
— Що зробити, якщо час не підходить?

4. Act (Дія)
Агент діє:
- Пише Андрію
- Узгоджує дату
- Створює подію
- Додає нагадування

5. Learn (Навчання)
Агент спостерігає за результатом:
— Зустріч перенесли?
— Андрій не відповів?
— Була помилка в API?

🔁 Ці спостереження зберігаються і впливають на наступні дії.

📎 У чому сенс цього циклу?

Це не просто набір кроків — це структура мислення агента.
Вона дозволяє йому:

• діяти цілеспрямовано
• вчитись на досвіді
• масштабувати задачі
• бути адаптивним до змін

🧠 Без такого циклу агент перетворюється на просту модель, що відповідає на запит — але не веде вас до мети.

💬 Приклад

🔹 Mission: «Знайди мені варіант перельоту до Лісабона на наступний місяць»
🔹 Scan: перевірити календар, бюджет, переваги
🔹 Plan: обрати дати, авіакомпанії, уточнити зворотній рейс
🔹 Act: знайти квитки, забронювати, підтвердити
🔹 Learn: врахувати зміну планів або скасування

🧭 Висновок:
Цей цикл — те, що відрізняє агента від простої LLM.
Він дозволяє йому поводитись як реальний помічник, який не просто говорить, а робить.

У наступному пості ми розберемо один із найважливіших патернів: Memory — як агент пам’ятає, що відбувалось раніше, і навіщо це критично для складних сценаріїв.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​📘 ADPB‑03: Як еволюціонували агентні системи?
(Див. малюнок нижче ⬇️)

Агенти стрімко набирають популярність:
🔹 понад 20% великих ІТ-компаній почали впроваджувати агентні рішення лише минулого року;
🔹 на кінець 2024 року стартапи з агентним AI залучили понад $2 млрд;
🔹 очікуваний ринок у $200 млрд до 2034 року.

Ми буквально стоїмо на порозі нової епохи в ІТ — від простих LLM‑інтерфейсів до розумних автономних агентів.

🧭 Етапи еволюції (див. мал.):

🔸 1. LLM Workflow
Промпт → LLM → Відповідь
Модель реагує на запит користувача через простий тригер.
Немає пам’яті, інструментів чи складної логіки.
📌 Це — класичний ChatGPT без доповнень.

🔸 2. RAG (Retrieval-Augmented Generation)
Промпт → Пошук у векторній БД → Відповідь
Модель звертається до баз знань — PDF, сайтів, БД — та «заземлює» відповіді на фактах, зменшуючи галюцинації.
📌 Perplexity, GPT з RAG‑плагінами.

🔸 3. AI Agent
Має планування, памʼять, використання інструментів (браузер, API), доступ до даних.
📌 LangChain, AutoGPT, LangGraph.

🔸 4. Agentic AI
Команда агентів працює разом:
• координація,
• розподіл ролей,
• взаємне навчання.
📌 Swarm‑системи, AI‑економіка, агенти у продакшені.

🔥 Висновок:
Ми вже не просто “пишемо промпти”.
Ми проєктуємо інтелектуальні, гнучкі, багатокомпонентні системи,
які навчаються, планують, взаємодіють —
і стають нашими співучасниками мислення 🤝🧠

🔜 У наступному пості — розберемо 4 рівні агентів: від LLM до багатоагентних команд.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ

​🤖 Ми більше не просто воюємо. Ми винаходимо нову форму війни.

У XX столітті війна означала танки, траншеї й генералів, які вказують на карту, вирішуючи долю солдатів. У XXI столітті війна — це алгоритм, дрон і мікросхема. І в самісінькому епіцентрі цієї трансформації ми - Україна.

Сьогодні дрони вже не просто літають — вони мислять. Вони не тільки фіксують ціль, а й приймають рішення про те, коли і кого знищити. Іноді без втручання людини. Це більше не "допомога в навігації" — це делегування права вбивати.

🧠 Штучний інтелект у війні — це не майбутнє. Це вже зараз.

У 2024 році, коли наші дрони в рамках операції "Павутина" атакували російські бомбардувальники, ситуація вийшла за межі контролю — буквально. 117 дронів, запущених по території ворога, втратили зв'язок із пілотами. Але не розбилися. Вони перемкнулися на автономний режим, довели місію до кінця та знищили техніку на мільярди.

Якщо раніше людина мала останнє слово, то тепер — останнє слово за алгоритмом. Ми лише виставляємо цілі. А далі: «Вони самі зроблять усе».

Іронія в тому що ми створюємо машини, щоб захистити себе від інших людей — але поступово передаємо цим машинам функції, які колись вважалися найсвятішими: приймати рішення про життя і смерть.

💡 Ми не просто адаптувалася до нової реальності — ми стала її архітектором.

$500 автономний дрон знищує $5 мільйонну ракетну установку.

Картонний плакат у руках російського солдата — сигнал про капітуляцію перед колісним дроном із 60 кг вибухівки.

А 7-метровий катер Magura V7, що ховається у морі, знищує російські літаки, чекаючи свій момент, немов цифрова мавпа з морських джунглів.

Це не просто технологія — це нова філософія війни. Немає фронту. Немає тилу. Є лише сенсори, координація роїв, автономне прийняття рішень — і тиша після вибуху.
Але якщо ШІ вбиває — хто відповідає? Людина, що написала код? Країна, яка дала команду? Чи сама машина? І чи не відкриває це двері до нової безкарності — де "робот помилився", і ніхто не винен?

🌍 У цій війні Україна стала не просто жертвою — ми перетворилася на лабораторію майбутнього. Технопарк болю й інновацій. Світ дивиться й копіює: Китай вже демонструє дрони зі ШІ на парадах, Росія штампує мільйони дешевих апаратів, США мріють про рої, але поки відстають.

❗️Але є й інший ризик: якщо це так дешево і доступно — то що заважає терористам чи диктаторським режимам використати це не для оборони, а для хаосу?

📜 Історія показує, що кожна нова зброя викликала нову моральну кризу — і нові правила. Після атомної бомби з'явилися договори. Після хімічної зброї — заборони.
Але з дронами все складніше: вони дешеві, мобільні, розумні. І вже на службі у кожного, хто має гроші й бажання.

📌 США вже оновили політику: ШІ має "залишати простір для людського судження". Але де межа між "допомогти людині" і "вирішити за неї"? Як ми зможемо зупинити дрони, які навчилися вбивати — і навчилися робити це краще за людину?

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​⚡️ OpenAI остаточно стала прибутковою компанією

Ще рік тому багато хто писав, що OpenAI — неприбуткова організація, і більше того — ніколи не вийде в прибуток. Але тепер офіційно: компанія завершила трансформацію у прибуткову структуру. Історичний момент — юридична перебудова, що тривала 18 місяців, за участі армії юристів, банкірів і навіть генеральних прокурорів США.

Передісторія:
Спершу OpenAI планувала радикальний варіант — повністю ліквідувати неприбуткову частину та перетворитися на звичайний венчурний бізнес. Але прокурори Каліфорнії й Делаверу заблокували цю модель через ризики конфлікту інтересів. Компроміс: комерційна структура зберігає контроль неприбуткової фундації.

Що змінилося:
🔹 OpenAI стала Public Benefit Corporation (PBC) — компанією з соціальною місією.
🔹 Вона може приносити необмежений прибуток інвесторам і готуватися до IPO.
🔹 Контроль зберігається за неприбутковим фондом OpenAI Foundation (26% акцій).
🔹 Microsoft отримала 27% і зберігає доступ до моделей OpenAI до 2032 року.
🔹 Фонд OpenAI вже виділив $25 млрд на медицину та безпечний ШІ — і це найбагатша фундація США ($130 млрд активів).

Що залишилось унікальним:
🛡 OpenAI Foundation зберігає право звільняти раду директорів, а комітет з безпеки може блокувати запуск нових моделей.
📍 Компанія зобов’язалася залишатися в Каліфорнії під наглядом регуляторів.

Чому це важливо:
💸 Щоб не втратити $40 млрд потенційних інвестицій (зокрема від SoftBank), OpenAI погодилася на компроміс: неприбуткова частина зберігається, але компанія стає прибутковою.
💡 Це зняло обмеження, які з 2019 року дозволяли інвесторам заробити не більше ніж ×100 від вкладеного.

💬 Іронія в тому, що фонд OpenAI став найбагатшою неприбутковою організацією США ($130 млрд). Навіть багатшим за Gates Foundation ($86 млрд).

🔁 Інвестиції Microsoft окупилися з лишком. У 2019-му Білл Гейтс скептично коментував мільярд Наделли: «Ти просто спалиш ці гроші». Сьогодні ж $13 млрд оцінюються у $135 млрд.

🤖 OpenAI має амбітну ціль: витрати на навчання моделей оцінюють у $1 трлн. І тепер компанія вільна залучати капітал без старих юридичних гальм.

✅ Став 👍 якщо було цікаво

🤔 OpenAI стала прибутковою… але не зовсім?

Я прочитав попередній пост і зрозумів, що не всім може бути зрозуміло, що насправді сталося. Бо новина звучить ніби «OpenAI тепер прибуткова», але це не зовсім так. Вона стала прибутковою для інвесторів, а не для себе.

👉 Компанія досі витрачає більше, ніж заробляє. Але тепер юридично дозволено отримувати необмежений прибуток із цих інвестицій.

Що таке PBC?

Public Benefit Corporation — це особлива форма компанії, яка поєднує прибуткову діяльність із суспільною місією.

Раніше OpenAI була неприбутковою організацією — вона не могла ділити прибуток між інвесторами.
У 2019 році з’явилася гібридна структура — OpenAI LP, але там діяло обмеження: інвестори могли заробити максимум x100.
Тепер OpenAI стала PBC-компанією — може залучати будь-які інвестиції, виходити на IPO, роздавати дивіденди, як звичайний бізнес.
Але водночас неприбутковий фонд OpenAI Foundation зберігає контроль і право вето — наприклад, на запуск AGI-моделей.

Навіщо це потрібно?
🔹 Щоб зняти всі старі обмеження для інвесторів — тепер Microsoft може заробляти скільки завгодно.
🔹 Щоб залучити нові інвестиції — від SoftBank, фондів, партнерів.
🔹 Щоб відкрити шлях до IPO і злиттів, як у великих корпорацій.

А прибуток є?
Так, OpenAI заробляє понад $13 млрд на рік.
Але витрачає ще більше — на GPU, дата-центри, зарплати дослідників.
Тож компанія поки не має «чистого прибутку» — живе на інвестиції.

Це нормально: так колись було з Amazon чи Tesla. Бізнес росте швидше, ніж реальні прибутки, а інвестори вже виграють.

Як інвестори отримують вигоду:
🏦 Через інтеграцію: Microsoft вставляє OpenAI у свої продукти — Copilot, GitHub, Office, Bing — і заробляє на цьому напряму.
📈 Через зростання вартості акцій: Microsoft інвестувала $13 млрд, а тепер її частка оцінюється у $135 млрд. Навіть без дивідендів — це вже прибуток.

Підсумок:
OpenAI ще не прибуткова компанія, але прибутковий актив.
Інвестори вже заробляють на її успіху, навіть якщо сама компанія поки «в мінусі».

🤔 А як ви думаєте?
Чи зможе OpenAI колись вийти в реальний прибуток — у бухгалтерському сенсі?
Чи витрати на тренування моделей і розвиток інфраструктури завжди ростимуть пропорційно, і компанія приречена жити за рахунок інвестицій?

✅ Став 👍 якщо було цікаво
🔔 ПІДПИСАТИСЯ

​📘 ADPB‑04: Рівні агентів — як зростає їхня «агентність»

Перш ніж говорити про шаблони проєктування, варто зрозуміти — якими бувають агенти і як вони еволюціонують.

У книзі Agentic Design Patterns описано 4 ключові рівні, які показують зростання можливостей агента — від простого чат‑бота до багатокомпонентної системи, що працює як команда.

🧭 Подивіться на цю шкалу як на шлях від базового LLM до повноцінного співрозмовника й помічника, який не просто «відповідає», а діє, планує, навчається і координується з іншими.

🔹 0-й рівень: Базовий рушій міркувань
На цьому рівні сам LLM ще не є агентом.
Він просто відповідає на запити без пам’яті, інструментів чи доступу до зовнішнього середовища.
☑️ Здатен міркувати та пояснювати факти
❌ Не розуміє поточні події
📌 Приклад: ChatGPT без інтернету, плагінів чи памʼяті

💬 Приклад: Запитайте такого агента про переможця «Оскара‑2025» — і він не відповість, бо це поза межами його тренування.

🔹 1-й рівень: Підключений вирішувач задач
LLM набуває функціональності агента, отримавши доступ до зовнішніх інструментів:
🛠 браузер, API, бази даних, PDF.
☑️ Може шукати інформацію онлайн, використовувати RAG
☑️ Працює в кілька кроків
❌ Але не має памʼяті, не вчиться сам
📌 Приклади: GPT‑4 з інструментами, LangChain Agent, Perplexity

💬 Приклад: Агент шукає нові серіали. Він запускає веб-пошук, аналізує результати, викликає фінансовий API, синтезує інформацію — усе через послідовні дії.

🔹 2-й рівень: Стратегічний вирішувач задач
Агент вже не просто реагує — він
🧠 планує, навчається, адаптується
☑️ Має памʼять, стратегічне мислення
☑️ Здатен сам удосконалювати власну роботу (через фідбек)
☑️ Інженерить контекст: сам вирішує, яку інформацію подати в кожному кроці
📌 Приклади: LangGraph, AutoGPT, агенти з довгостроковою пам’яттю

💬 Приклад: Щоб знайти кав’ярню між двома локаціями, агент: — викликає мапу, — відсіює зайве, — залишає тільки назви вулиць, — запускає локальний пошук, — створює контекст для наступного запиту. Це і є інженерія контексту — як ключова навичка.

🌀 У програмуванні та інших складних задачах агент читає багатосторінковий звіт, переглядає код, витягує релевантні частини — і формує короткий, точний запит до іншого інструмента.
📈 Зворотний зв’язок стає механізмом навчання: агент просить фідбек, як краще сформулювати промпт — і використовує його у майбутньому. Це вже самоудосконалення.

🔹 3-й рівень: Багатоагентна співпраця
💡 Тут агент — це вже система агентів.
Кожен має роль, спеціалізацію, свої інструменти.
Вони:
• 🤝 координуються
• 📤 обмінюються даними
• 🔁 працюють разом над великою задачею
📌 Приклади: CrewAI, OpenDevin, Swarm-агенти у продакшені

💬 Приклад: Запуск нового продукту: — агент «Менеджер» координує — агент «Маркетинг» пише анонси — агент «Аналітика» збирає відгуки — агент «UI-дизайнер» генерує макети — агент «Dev» працює з кодом

📎 Як і в людських організаціях, розподіл обов’язків та комунікація — запорука ефективності.
Це вже не один універсальний бот, а команда спеціалістів.
⚠️ Але є й обмеження:
• поки що LLM‑агенти обмежені у міркуванні
• вони ще слабо навчаються один в одного
• потрібен прорив у колективному плануванні
📍 Проте саме цей рівень — ключ до повної автоматизації бізнес-процесів від А до Я.

🧠 Висновок:
Ці рівні — база, на якій будуються всі патерни проектування агентів, які ми розбиратимемо далі.

✅ Якщо пост був корисним та чекаєшь продовження став 👍
🔔 ПІДПИСАТИСЯ