Чётко.
Можно в продакшн.
Реализовать прерывания было очень сложно. На этой ушло много времени.

Напоминаю что тут происходит за эти секунды между ответами:

0. На микрофоне его собственный детектор речи (VAD) + тригерное слово (wake-word);

1. С микрофона на локальный сервер уходит звук по UDP;

2. Детектор речи (VAD) на сервере определяет речь и информирует об этом микрофон (таким образом обрабатывается сброс состояния если клиент ничего не говорит дальше);

2. STT локальный расшифровывает речь в текст;

3. Расшифровка агрегируется и отправляет запрос к DeepSeek;

4. Ответ LLM часть это функции, часть текст для озвучки;

5. TTS локальный генерирует речь и по UDP в стриминговом режиме отправляет на микрофон (в этот момент GPU на 100%);

6. Собственный State Machine над pipeline контролирует всю очередность ходов.

#ассистент #тесты

📊 Статистика проекта
Рабочий код системы (без данных, моделей, кэша и аудио).
Всего: ~38 000 строк.
По языкам:
• Python: ~31 000
• JS/Vue/CSS: ~4 000
• Markdown: ~2 500
• JSON/HTML/TOML: ~500
По директориям:
src/services: 82 файла, 12 100 строк.
tests: 61 файл, 8 700 строк.
dashboard: 19 файлов, 4 100 строк.
src/core: 8 файлов, 3 200 строк.
src/devices: 14 файлов, 3 000 строк.
docs: 6 файлов, 1 700 строк.
src/infrastructure: 8 файлов, 1 200 строк.
src/config: 3 файла, 1 150 строк.
scripts: 5 файлов, 780 строк.
src/transports: 2 файла, 720 строк.

У меня появилась долгосрочная память 🧠.

Контекст каждой сессии обрабатывается LLM, сохраняющей важные факты о членах семьи, добавляются теги. В новые сессии загружаются данные из памяти — ассистент не начинает с чистого листа 🔄.

Первыми это внедрили в OpenAI около 2 лет назад. Потом долгое время никто не добавлял эту функцию; последние полгода она появилась в Gemini. У Grok вроде нет. А модели для программирования в этом вообще не нуждаются.

#ассистент #новости

Вот так сейчас выглядит всё вместе 🥹

На YouTube залил в 720р

https://youtube.com/shorts/0nO8FARRYgA?si=fYjhki7blq2d3rKt

В комментах в истаграмме кинули на последнее видео.

В принципе план, которого можно придерживаться есть.

Это ж сколько работы, робо-руку расчехлять придется... 🫠

Лучше делиться кейсами агентского применения, чем спорить.
#агенты #кейс

Задача: сделать зеркальный кожух для ИК лампы, чтобы как можно больше тепла собрать в узкий канал.

Важное условие 👉 Задача не академическая, и не требует самого правильного решения.
Самим заниматься расчетами в Zemax, или искать готовые библиотеки не стоит затраченного времени.

Путь раз - по своим ощущениям накидать 3д модель. Творчество на уровне - я так чувствую.
Путь два - попросить агента посчитать на фоне. Сделать мне опросник, я поотвечаю. Пути решения ему не предлагаю.

Промт:

У меня есть керамическая лампа, у нее плоская излучающая вперед поверхность, сама лампа диаметром 85 мм. Излучение от этой лампы кроме как прямо также распространяется и по бокам во все стороны. Я бы хотел как можно больше излучения собрать и сфокусировать впереди перед лампой в узкий пучок, на конкретном расстоянии. Основной диапазон излучения 4 микрона.

Физические параметры лампы известны. И могут быть указаны. Саму лампу можно представить как плоский круглый излучатель. 70% энергии которого распространяется прямо, 30% вбок и назад.

Нужно спроектировать профиль осесимметричного отражателя, который соберет тепловое излучение за лампой и по бокам лампы и перенаправлять как можно больше тепла вперед в расчетную фокусную точку.

В качестве отражателя будет алюминиевый скотч, в качестве корпуса лампы - высокотемпературный пластик. Нам не требуется ставить рекорды по точности расчета собирающего зеркала, просто получить максимально хороший результат меньшими усилиями.

Думаю мы можем написать Python код для расчета такого профиля.

Задай вопросы которые у тебя есть по одному. И составь план реализации.

✍️ Он выбрал: рейтрейсинг + ламбертовский источник.
✍️ Сам написал код для рейтрейсинга и по словесному описанию все физические размеры.
✍️ Добавили оптимизацию через точки Безье.
✍️ Для скорости многопоточные симуляции.
✍️ Выход - скетч для SolidWorks. Моделировать кривые наобум не пришлось.

Вывод.
Конечно были ошибки в рейтрейсинге и ошибки с нормалями. Я указывал на них - он исправлял, все расчеты на фоне. Улучшал модель, правил ошибки. Намного приятнее пути совсем без расчетов. Главное самому сплайны рисовать не пришлось в скетче...отвратительное занятие.

русско-китайский переводчик через робота-ассистента

#ассистент #робот #тест

Что думаете? Полезная полезность же да?🔥

Роботу нужно было найти ноутбук, основная сложность - последовательность действий. Справился.

Ничего не подстроено. Вообще я удивился, что это работает, так нет никаких специальных скиллов для этого.

Ведет он себя по разному каждый раз, конечно. Особенность управления через LLM. Если повторять запросы может по разному действовать.

#ассистент #робот #тест