Для любителей писать собственные промпты - не уверен, что все так прекрасно, как описывается, но можно пробовать
https://x.com/mnilax/status/2053116311132155938?s=46
https://x.com/mnilax/status/2053116311132155938?s=46
X (formerly Twitter)
Mnimiy (@Mnilax) on X
Karpathy's 4 CLAUDE.md rules cut Claude mistakes from 41% to 11%. After 30 codebases, I added 8 more
Снимок экрана 2026-05-10 в 17.11.40.png
146.1 KB
Запустил тут максимально практичный проект - посмотреть на вино в ближайших винотеках, сравнить с ценами производителей, изучить рейтинги и т.д. Codex воспринял задачу очень серьезно - поставил его на паузу после 16 часов непрерывной работы. Но прямо скажем, далось ему это не легко.
🔥1
Forwarded from эйай ньюз
Google тестит Gemini Omni
Похоже теперь Gemini умеет в видеогенерацию, а моделям Veo, как отдельной линейке, пришёл конец. Логичный шаг, учитывая возможность Gemini выдавать на выход как аудио так и изображения. Модель скорее всего полноценно покажут на следующей неделе, на Google I/O.
@ai_newz
Похоже теперь Gemini умеет в видеогенерацию, а моделям Veo, как отдельной линейке, пришёл конец. Логичный шаг, учитывая возможность Gemini выдавать на выход как аудио так и изображения. Модель скорее всего полноценно покажут на следующей неделе, на Google I/O.
@ai_newz
Большое обсуждение пошло вокруг статьи о том, что а работе с ИИ html заменит markdown. Любопытно, даже Карпаты ответил
https://x.com/karpathy/status/2053872850101285137?s=46
https://x.com/karpathy/status/2053872850101285137?s=46
X (formerly Twitter)
Andrej Karpathy (@karpathy) on X
This works really well btw, at the end of your query ask your LLM to "structure your response as HTML", then view the generated file in your browser. I've also had some success asking the LLM to p…
Про память и сновидения у Клода послушать можно здесь. Очень крутую фишку прикрутили. Кстати, русский перевод можно выбрать, если что
YouTube
Memory and dreaming for self-learning agents
How memory and dreaming turn Claude Managed Agents into self-learning systems. This session walks through design considerations for memory architectures and how dreaming verifies and enriches memory between sessions.
Здесь киллер фича - не сессии терминалов, хотя это тоже круто, но новая команда /goal - это шикарная штука. Не сомневался, что Антропик не будет ждать, чтобы ее скопировать у OpenAI. С ней агент может работать десятки часов. Проверено. Удивительно, что такие ребята как Google сидят на попе ровно и ничего не делают со своим Gemini..
https://t.me/tips_ai/4684
https://t.me/tips_ai/4684
Telegram
Tips AI | IT & AI
В Claude Code появился agent view, где все твои сессии видно одним списком.
Если раньше параллельная работа в СС была с жонглированием вкладками терминала, tmux-сеткой и попытки удержать в голове, к чему возвращаться.
Теперь с одного экрана видно: какие…
Если раньше параллельная работа в СС была с жонглированием вкладками терминала, tmux-сеткой и попытки удержать в голове, к чему возвращаться.
Теперь с одного экрана видно: какие…
Forwarded from Data Secrets
DeepMind сделали указатель мышки с ИИ
Да, ИИ может в перспективе изменить даже такие привычные вещи. Компьютерный курсор как концепция не менялся почти 50 лет, и вот DeepMind предлагают его переосмыслить.
В их механике курсор – это больше не просто курсор, которым мы водим по интерфейсу, а скорее выделитель контекста для встроенного агента.
Например, вы наводите курсор на таблицу и просите «у мышки» сформировать из нее график. Или выделяете название ресторана на картинке, а агент для вас его бронирует.
Тем самым с человека частично снимается даже такая когнитивная нагрузка, как написание промпта. То есть вам не надо объяснять ИИ детали, вы просто тыкаете во что-то и говорите «расскажи про ЭТО», «перемести ЭТО СЮДА», «исправь ЗДЕСЬ».
И, на самом деле, такое совмещение речи с жестами для человека максимально естественно, так что идея прикольная.
deepmind.google/blog/ai-pointer/
Попробовать уже можно в Gemini in Chrome и в Google AI Studio, а еще указатель собираются встроить в новые ноутбуки GoogleBook, спроектированные специально под ИИ-экспириенс.
Да, ИИ может в перспективе изменить даже такие привычные вещи. Компьютерный курсор как концепция не менялся почти 50 лет, и вот DeepMind предлагают его переосмыслить.
В их механике курсор – это больше не просто курсор, которым мы водим по интерфейсу, а скорее выделитель контекста для встроенного агента.
Например, вы наводите курсор на таблицу и просите «у мышки» сформировать из нее график. Или выделяете название ресторана на картинке, а агент для вас его бронирует.
Тем самым с человека частично снимается даже такая когнитивная нагрузка, как написание промпта. То есть вам не надо объяснять ИИ детали, вы просто тыкаете во что-то и говорите «расскажи про ЭТО», «перемести ЭТО СЮДА», «исправь ЗДЕСЬ».
И, на самом деле, такое совмещение речи с жестами для человека максимально естественно, так что идея прикольная.
deepmind.google/blog/ai-pointer/
Попробовать уже можно в Gemini in Chrome и в Google AI Studio, а еще указатель собираются встроить в новые ноутбуки GoogleBook, спроектированные специально под ИИ-экспириенс.
Forwarded from Сиолошная
Маленькое обновление по свежему бенчмарку ProgramBench (писал о нем неделю назад тут). Авторы соизволили прогнать GPT 5.5 на high/xhigh (максимальная длина рассуждений и время работы). И Opus 4.7 до кучи тоже. Процитирую авторов: «GPT 5.5 xhigh значительно превосходит Claude Opus 4.7 xhigh по всем параметрам» 😏
Во-первых, появилась первая полностью решённая задача (из 200). Оба запуска GPT-5.5 решили её, при этом на двух разных языках, Python и C.
Во-вторых, если брать не полностью решённые задачи, а те, где проходит 95% тестов (то есть выполнена почти вся функциональность), то разрыв ещё больше: GPT-5.5 xhigh может написать с нуля 13.5% программ, GPT 5.5 high 5%, Opus 4.7 xhigh 4.5%. Я не ожидал такой разницы.
На второй картинке график доли задач, в которых проходит заданный процент тестов. Видно, как фронтир GPT-5.5 xhigh гораздо правее и выше, чем других моделей — то есть в целом модель закрывает сильно больше фичей в задачах.
К сожалению, авторы так и не прогнали модели в Codex / Claude Code, не говоря уже про какой-то минимальный цикл работы до конца (аналог `/goal`), и я всё ещё ожидаю, что это повысит качество ещё больше.
Что это значит для нас? Ждём к концу года агентов, которые будут выплёвывать по 100к строк кода на ваш промпт, и даже работать будет (на 95%😂 )
Во-первых, появилась первая полностью решённая задача (из 200). Оба запуска GPT-5.5 решили её, при этом на двух разных языках, Python и C.
Во-вторых, если брать не полностью решённые задачи, а те, где проходит 95% тестов (то есть выполнена почти вся функциональность), то разрыв ещё больше: GPT-5.5 xhigh может написать с нуля 13.5% программ, GPT 5.5 high 5%, Opus 4.7 xhigh 4.5%. Я не ожидал такой разницы.
На второй картинке график доли задач, в которых проходит заданный процент тестов. Видно, как фронтир GPT-5.5 xhigh гораздо правее и выше, чем других моделей — то есть в целом модель закрывает сильно больше фичей в задачах.
К сожалению, авторы так и не прогнали модели в Codex / Claude Code, не говоря уже про какой-то минимальный цикл работы до конца (аналог `/goal`), и я всё ещё ожидаю, что это повысит качество ещё больше.
Что это значит для нас? Ждём к концу года агентов, которые будут выплёвывать по 100к строк кода на ваш промпт, и даже работать будет (на 95%
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Dealer.AI
Мозг,мыши и путь к сыру AGI✌️ 👋
Вышла интересная статья в Nature Communications, которая описывает, как в процессе развития мозг мышей меняет архитектуру нейронных связей: от локальной, плотной и случайной к распределённой, разреженной и структурированной.
По сути, мозг переходит от жёсткой и энергозатратной сети к более гибкой и эффективной.
Проведем параллели между этим биологическим процессом и обучением LLM.
Можно выделить несколько основных направлений:
🧠 Этапы развития в жизни, как путь от переобучения к обобщению в LLM.
В статьей рассказано, что в раннем возрасте у мышей связи между нейронами гиппокампа были локальными, плотными и случайными. При этом сила отдельных синапсов была настолько высокой, что одного события было достаточно для активации нейрона. Это напоминает состояние переобучения у нейросетей: модель буквально запоминает каждый факт и не умеет видеть общие закономерности. Даже к 18–25 дням связи всё ещё были случайными и сильными, но сеть уже начинала реорганизовываться, подготовливая почву для следующего этапа.
У взрослых особей архитектура кардинально меняется: плотность связей снижается, они становятся разреженными и структурированными, обеспечивая надёжное и точное хранение информации. Синапсы слабеют, и для активации нейрона требуется суммация сигналов от нескольких входов.
Тут возникает аналогия с LLM. В процессе обобщения модель учится выявлять закономерности и абстрагироваться от конкретных примеров, что позволяет ей гибко реагировать на новые данные, а не просто вспоминать заученное. Снижение силы отдельных связей можно сравнить с регуляризацией, которая предотвращает запоминание шума и улучшает способность модели к обобщению.
🎯 Память, точность и контроль галлюцинаций в LLM
Разреженная, структурированная сеть взрослого гиппокампа идеально подходит для хранения множества различных воспоминаний без взаимных помех (низкая интерференция). Случайная, плотная сеть ребёнка, напротив, была бы плохим хранилищем, так как новые данные быстро перезаписывали бы старые.
Это может стать аналогией с проблемой катастрофического забывания, которая стоит перед LLM при дообучении на новых данных. Кроме того, разреженная архитектура снижает риск создания ложных ассоциаций - аналог галлюцинаций LLM, когда модель генерирует правдоподобную, но неверную информацию. Для LLM это означает, что более структурированное и разреженное внутреннее представление знаний потенциально может сделать её более надёжной и точной.
⚡️ Экономия ресурсов мышления и вычислений
Переход к разреженной сети значительно энергоэффективнее, тк активируется лишь малая часть нейронов, необходимая для обработки конкретного сигнала. Это критически важно для биологического мозга, работающего в условиях ограниченных ресурсов.
Для LLM мы наблюдаем то же самое. Вспомним разреженные вычисления, такие как MoE, sparse attention и тп. В таких моделях для каждого запроса активируется только небольшая часть экспертов, что позволяет достигать высокой производительности с меньшими вычислительными затратами, чем у плотных моделей аналогичного размера. Однако, мы храним все веса модели в памяти gpu.Но давайте будем честны, мы и весь вес мозга носим на себе, хотя активируем отдельные области 🧠
Ну а что делать-то?🙄
Как мы видим по статье, что для мышей, что для LLM - путь к эффективности общая стратегия.
Природа за миллионы лет эволюции пришла к разреженности не потому, что лень, а потому что плотная сеть не масштабируется😱
LLM на 100B параметров в плотном виде — это мышь на P8: шумная, жадная до энергии и неспособная к сложной ассоциативной памяти.
Разреженность - не фича, а база. Получается, что LLM должна эволюционировать от плотной детской фазы к структурированной взрослой.
👍 🤔
Вышла интересная статья в Nature Communications, которая описывает, как в процессе развития мозг мышей меняет архитектуру нейронных связей: от локальной, плотной и случайной к распределённой, разреженной и структурированной.
По сути, мозг переходит от жёсткой и энергозатратной сети к более гибкой и эффективной.
Проведем параллели между этим биологическим процессом и обучением LLM.
Можно выделить несколько основных направлений:
🧠 Этапы развития в жизни, как путь от переобучения к обобщению в LLM.
В статьей рассказано, что в раннем возрасте у мышей связи между нейронами гиппокампа были локальными, плотными и случайными. При этом сила отдельных синапсов была настолько высокой, что одного события было достаточно для активации нейрона. Это напоминает состояние переобучения у нейросетей: модель буквально запоминает каждый факт и не умеет видеть общие закономерности. Даже к 18–25 дням связи всё ещё были случайными и сильными, но сеть уже начинала реорганизовываться, подготовливая почву для следующего этапа.
У взрослых особей архитектура кардинально меняется: плотность связей снижается, они становятся разреженными и структурированными, обеспечивая надёжное и точное хранение информации. Синапсы слабеют, и для активации нейрона требуется суммация сигналов от нескольких входов.
Тут возникает аналогия с LLM. В процессе обобщения модель учится выявлять закономерности и абстрагироваться от конкретных примеров, что позволяет ей гибко реагировать на новые данные, а не просто вспоминать заученное. Снижение силы отдельных связей можно сравнить с регуляризацией, которая предотвращает запоминание шума и улучшает способность модели к обобщению.
🎯 Память, точность и контроль галлюцинаций в LLM
Разреженная, структурированная сеть взрослого гиппокампа идеально подходит для хранения множества различных воспоминаний без взаимных помех (низкая интерференция). Случайная, плотная сеть ребёнка, напротив, была бы плохим хранилищем, так как новые данные быстро перезаписывали бы старые.
Это может стать аналогией с проблемой катастрофического забывания, которая стоит перед LLM при дообучении на новых данных. Кроме того, разреженная архитектура снижает риск создания ложных ассоциаций - аналог галлюцинаций LLM, когда модель генерирует правдоподобную, но неверную информацию. Для LLM это означает, что более структурированное и разреженное внутреннее представление знаний потенциально может сделать её более надёжной и точной.
⚡️ Экономия ресурсов мышления и вычислений
Переход к разреженной сети значительно энергоэффективнее, тк активируется лишь малая часть нейронов, необходимая для обработки конкретного сигнала. Это критически важно для биологического мозга, работающего в условиях ограниченных ресурсов.
Для LLM мы наблюдаем то же самое. Вспомним разреженные вычисления, такие как MoE, sparse attention и тп. В таких моделях для каждого запроса активируется только небольшая часть экспертов, что позволяет достигать высокой производительности с меньшими вычислительными затратами, чем у плотных моделей аналогичного размера. Однако, мы храним все веса модели в памяти gpu.
Ну а что делать-то?
Как мы видим по статье, что для мышей, что для LLM - путь к эффективности общая стратегия.
Природа за миллионы лет эволюции пришла к разреженности не потому, что лень, а потому что плотная сеть не масштабируется
LLM на 100B параметров в плотном виде — это мышь на P8: шумная, жадная до энергии и неспособная к сложной ассоциативной памяти.
Разреженность - не фича, а база. Получается, что LLM должна эволюционировать от плотной детской фазы к структурированной взрослой.
Правда, эволюция сделала это без градиентного спуска и H100 А сможете ли Вы? Please open Telegram to view this post
VIEW IN TELEGRAM
Nature
Developmental emergence of sparse and structured synaptic connectivity in the hippocampal CA3 memory circuit
Nature Communications - Using multicellular patch-clamp recording, the authors show that the hippocampal CA3 autoassociative network undergoes pruning of CA3–CA3 synapses and downregulation...
Forwarded from Разработчик БПЛА (Anry Guruerez)
robot-lawnmower.gif
1.7 MB
Хакер дистанционно захватил робота-газонокосилку и сымитировал наезд на живого человека
«Белый хакер» Андреас Макрис обнаружил серьёзный бэкдор в софте садовых роботов компании Yarbo, которые могут работать как газонокосилки, снегоуборщики, воздуходувки, триммеры и кромкорезы. Проблема была в том, что если получить доступ к одному роботу, то можно добраться до управления всеми остальными.
В ходе демонстрации он показал карту с более чем 11000 устройств по всему миру, после чего Макрис подключился к одному из роботов в штате Нью-Йорк, смог управлять его камерой и движением. Кроме этого робот может передавать точные GPS-координаты, изображение с камер, адреса электронной почты владельцев и даже пароли от Wi-Fi.
Журналист The Verge Шон Холлистер проверил эти данные на практике: по координатам он нашёл реальные дома владельцев Yarbo, а один из них подтвердил, что показанные исследователем пароли от Wi-Fi действительно принадлежат ему. Во время ещё одной демонстрации Макрис, находясь в Германии, устроил наезд газонокосильщика на Холлистера.
Ситуация интересна ещё и тем, что найденный хакером бэкдор мог быть специально оставлен разработчиками. Его суть состояла в том, что у роботов Yarbo был один и тот же root-пароль, но даже его изменение не защитит владельцев, потому что после каждого обновления прошивки пароль сбрасывается к изначальному значению, выставленному разработчиками. Компания объясняла это заботой о пользователях: якобы это нужно техподдержке для удаленной диагностики. Но после демонстрации «наезда» на журналиста Yarbo пообещала исправить уязвимость.
Это не первый случай дистанционного захвата роботов. В феврале текущего года инженер Сэмми Аздуфаль, решив ради шутки подключить робопылесос DJI Romo к геймпаду PS5, случайно захватил контроль над 7000 устройствами в 24 странах. Благодаря слабому API и помощи ИИ-ассистента, он получил доступ к видеопотокам, микрофонам и картам квартир тысяч незнакомых людей. Компания также пообещала устранить проблему.
«Белый хакер» Андреас Макрис обнаружил серьёзный бэкдор в софте садовых роботов компании Yarbo, которые могут работать как газонокосилки, снегоуборщики, воздуходувки, триммеры и кромкорезы. Проблема была в том, что если получить доступ к одному роботу, то можно добраться до управления всеми остальными.
В ходе демонстрации он показал карту с более чем 11000 устройств по всему миру, после чего Макрис подключился к одному из роботов в штате Нью-Йорк, смог управлять его камерой и движением. Кроме этого робот может передавать точные GPS-координаты, изображение с камер, адреса электронной почты владельцев и даже пароли от Wi-Fi.
Журналист The Verge Шон Холлистер проверил эти данные на практике: по координатам он нашёл реальные дома владельцев Yarbo, а один из них подтвердил, что показанные исследователем пароли от Wi-Fi действительно принадлежат ему. Во время ещё одной демонстрации Макрис, находясь в Германии, устроил наезд газонокосильщика на Холлистера.
Ситуация интересна ещё и тем, что найденный хакером бэкдор мог быть специально оставлен разработчиками. Его суть состояла в том, что у роботов Yarbo был один и тот же root-пароль, но даже его изменение не защитит владельцев, потому что после каждого обновления прошивки пароль сбрасывается к изначальному значению, выставленному разработчиками. Компания объясняла это заботой о пользователях: якобы это нужно техподдержке для удаленной диагностики. Но после демонстрации «наезда» на журналиста Yarbo пообещала исправить уязвимость.
Это не первый случай дистанционного захвата роботов. В феврале текущего года инженер Сэмми Аздуфаль, решив ради шутки подключить робопылесос DJI Romo к геймпаду PS5, случайно захватил контроль над 7000 устройствами в 24 странах. Благодаря слабому API и помощи ИИ-ассистента, он получил доступ к видеопотокам, микрофонам и картам квартир тысяч незнакомых людей. Компания также пообещала устранить проблему.
С одной стороны неплохо, что Антропик выделяет кредиты, с другой - в апреле наблюдал как мой кредит в 100 баксов просто тает за минуты по апишным ценам. Мне кажется, по подписке за 20 баксов токенов больше давали..
https://t.me/data_analysis_ml/5123
https://t.me/data_analysis_ml/5123
Telegram
Анализ данных (Data analysis)
⚡️ Anthropic вводит ежемесячный кредит для разработчиков
С 15 июня все платные тарифы Claude получат отдельный месячный кредит на программное использование.
Кредит покрывает:
• Claude Agent SDK
claude -p (CLI)
• Claude Code GitHub Actions
• Сторонние приложения…
С 15 июня все платные тарифы Claude получат отдельный месячный кредит на программное использование.
Кредит покрывает:
• Claude Agent SDK
claude -p (CLI)
• Claude Code GitHub Actions
• Сторонние приложения…
О, игрушка для любителей пофилософствовать с нейронками
https://x.com/nosilverv/status/2054547741645099068/video/1?s=46
https://x.com/nosilverv/status/2054547741645099068/video/1?s=46
Прикрутил тут на днях к моему OpenClaw покупку продуктов из ВкусВилла. Теперь можно голосом надиктовать ему что нужно, и он соберет корзину. Классно, к OpenClaw вопросов нет.
К ВкусВиллу - есть. Корзину я собираю по апи не для конкретного магазина, а в целом. В итоге, когда перехожу на оплату, мне надо вбивать адрес доставки, выбирать магазин и пр. - почему бы не прикрутить в апи сразу возможность собирать продукты в конкретном магазине. А так, получилось, что из набранной корзины в магазине есть только половина, да и при каждой покупке заново вбивать адрес доставки - дикость.
Но ВкусВилл в любом случае молодцы, так как в других магазинах возможности покупать продукты с агентами нет в принципе. Пока.
Есть возможность разве что делать это через браузер, без апи - попробую, насколько это в принципе работает. Если будет разумно по времени и качеству, можно будет выкатить универсальное решение.
А вообще - суперудобно. Раньше ходили в магазин, потом стали заказывать доставку, а теперь просто говоришь телефону - мне полтора кило зеленых яблок и литр кефира (агент, конечно, обратит внимание, что в литре кефира всего 0,923 мл, но ок) - и все, готово. Хотите такого агента?
К ВкусВиллу - есть. Корзину я собираю по апи не для конкретного магазина, а в целом. В итоге, когда перехожу на оплату, мне надо вбивать адрес доставки, выбирать магазин и пр. - почему бы не прикрутить в апи сразу возможность собирать продукты в конкретном магазине. А так, получилось, что из набранной корзины в магазине есть только половина, да и при каждой покупке заново вбивать адрес доставки - дикость.
Но ВкусВилл в любом случае молодцы, так как в других магазинах возможности покупать продукты с агентами нет в принципе. Пока.
Есть возможность разве что делать это через браузер, без апи - попробую, насколько это в принципе работает. Если будет разумно по времени и качеству, можно будет выкатить универсальное решение.
А вообще - суперудобно. Раньше ходили в магазин, потом стали заказывать доставку, а теперь просто говоришь телефону - мне полтора кило зеленых яблок и литр кефира (агент, конечно, обратит внимание, что в литре кефира всего 0,923 мл, но ок) - и все, готово. Хотите такого агента?
Кстати, на удивление, с OpenClaw как-то более живо получается общаться, чем просто с Codex, несмотря на то, что под капотом одна и та же модель. Пользовательский опыт, что называется, лучше.
К тому же с ним выяснил, что программка, с которой сейчас вожусь (речь про Plane), к нему прикручена уже в базе. +100 в карму. А дальше обнаружил, что он в ней уже сидит с админскими доступами у меня в проектах - как-то не помню, чтобы его подключал, работал только через Codex..
В общем, чувствуется, больше буду "щелкать клешнями" с OpenClaw в ближайшие дни. Посмотрим, как пойдет. А про Plane расскажу немного позже, если из этого что-то получится
К тому же с ним выяснил, что программка, с которой сейчас вожусь (речь про Plane), к нему прикручена уже в базе. +100 в карму. А дальше обнаружил, что он в ней уже сидит с админскими доступами у меня в проектах - как-то не помню, чтобы его подключал, работал только через Codex..
В общем, чувствуется, больше буду "щелкать клешнями" с OpenClaw в ближайшие дни. Посмотрим, как пойдет. А про Plane расскажу немного позже, если из этого что-то получится
👍1
Mac mini, похоже, подорожает на 200 баксов… диск будет побольше - на 512, но это слабое утешение. Дефицит памяти никуда не делся..
Forwarded from Anton Vdovitchenko — One Man Enterprise
Философский четверг.
Одна из важнейших частей концепции One Man Enterprise — иметь надежный и качественный мастер-майнд.
Очевидно, что средний человек (архитектор / оператор OME) не может вместить глубокие знания из различных областей, но он может автоматизировать получение и дистилляцию этих знаний для извлечения важных инсайтов по нужным темам.
Вчера я был на небольшой встрече внутреннего «книжного клуба», где в очередной раз обсуждали философию Naval Ravikant.
Для тех, кто еще не проникся, напомню, что Naval, на мой взгляд, это один из достойнейших мыслителей нашего поколения, который с потрясающей способностью Ричарда Фейнмана умеет выделять сигнал из шума и преобразовывать сложные философские конструкции в очень простые практические выводы.
Вот здесь лежит книга, которую рекомендую всем и каждому, а вот тут подкаст с Джо Роганом, который также рекомендую посмотреть на выходных.
Хочу пойти немного дальше и вспомнить еще одного замечательного человека, Наполеона Хилла, автора книги *Думай и богатей* 1937 года выпуска (тоже рекомендую прочитать).
Так вот, в своей книге он написал концепцию «невидимых советников», это был его некий воображаемый мастер-майнд, который он создал сам для себя.
В своем воображении он представлял выдающихся исторических личностей, каждая из которых была наделена определенной ролью. Среди них были Эмерсон, Наполеон Бонапарт, Дарвин, Линкольн, Эдисон, Карнеги и Форд.
Когда перед Наполеоном Хилом возникал вопрос, на который он не мог найти ответ самостоятельно, он воображал, что задает этот вопрос внутри своего мастер-майнда и просил воображаемого участника поделиться решением.
Fast forward to 2026…
Сегодня можно делать то же самое автоматически с использованием несложных инструментов, которые есть «на кухне у каждой хозяйки».
1. Выбираем участников нашего собственного клуба CEO, советы которых нам нужны.
2. Находим материалы, которымы могут быть книги, подкасты и любые значимые оригинальные работы этих участников.
3. Загружаем коллекцию материалов каждого из участников в NotebookLM или в любую систему, которая способна каталогизировать и структурировать знания для последующего извлечения. LightRAG, RAG-Anythig, Trustgraph.
4. Создаем pipeline извлечения знаний из источника.
5. Собираем несложную агентную систему, где каждый из агентов будет имперсонирован соответствующим участником и иметь доступ к собственной базе знаний.
6. При необходимости подключаем участников к диалогу в виде саб-агентов. Либо создаем коллективные сессии в TMUX, чтобы они могли общаться друг с другом и приходить к более сложным выводам, участвуя в общем обсуждении.
Я рекомендую серьезно задуматься над созданием подобных продуктов для тех, кто интересуется концепцией OME.
Напоследок: есть совершенно чумовое расширение для Chrome под названием **Grabbit**, оно позволяет массово копировать ссылки со страниц.
Есть дешевый и простой способ работы с каналами в YouTube для описанных выше сценариев.
1. Открываем видео из канала и выделяем все видео, которые нас интересуют, копируя ссылки в буфер обмена при помощи Grabbit. Так, например, можно скопировать все видео какого-нибудь автора за последний год: 50 или 100 штук.
2. Идем в NotebookLM и вставляем все ссылки из буфера обмена в новый проект.
3. После анализа у нас появляется возможность задавать вопросы автору канала через стройные инструменты NotebookLM. Ну и вообще, крутить эту информацию в любую сторону.
4. Ну, а дальше подключаем NotebookLM через MCP к нужному проекту, и вот у нас появились дистиллированные знания автора канала за нужное нам время по нужной нам теме.
Профит!
Happy Thursday, @aiwizards
Одна из важнейших частей концепции One Man Enterprise — иметь надежный и качественный мастер-майнд.
Очевидно, что средний человек (архитектор / оператор OME) не может вместить глубокие знания из различных областей, но он может автоматизировать получение и дистилляцию этих знаний для извлечения важных инсайтов по нужным темам.
Вчера я был на небольшой встрече внутреннего «книжного клуба», где в очередной раз обсуждали философию Naval Ravikant.
Для тех, кто еще не проникся, напомню, что Naval, на мой взгляд, это один из достойнейших мыслителей нашего поколения, который с потрясающей способностью Ричарда Фейнмана умеет выделять сигнал из шума и преобразовывать сложные философские конструкции в очень простые практические выводы.
Вот здесь лежит книга, которую рекомендую всем и каждому, а вот тут подкаст с Джо Роганом, который также рекомендую посмотреть на выходных.
Хочу пойти немного дальше и вспомнить еще одного замечательного человека, Наполеона Хилла, автора книги *Думай и богатей* 1937 года выпуска (тоже рекомендую прочитать).
Так вот, в своей книге он написал концепцию «невидимых советников», это был его некий воображаемый мастер-майнд, который он создал сам для себя.
В своем воображении он представлял выдающихся исторических личностей, каждая из которых была наделена определенной ролью. Среди них были Эмерсон, Наполеон Бонапарт, Дарвин, Линкольн, Эдисон, Карнеги и Форд.
Когда перед Наполеоном Хилом возникал вопрос, на который он не мог найти ответ самостоятельно, он воображал, что задает этот вопрос внутри своего мастер-майнда и просил воображаемого участника поделиться решением.
Fast forward to 2026…
Сегодня можно делать то же самое автоматически с использованием несложных инструментов, которые есть «на кухне у каждой хозяйки».
1. Выбираем участников нашего собственного клуба CEO, советы которых нам нужны.
2. Находим материалы, которымы могут быть книги, подкасты и любые значимые оригинальные работы этих участников.
3. Загружаем коллекцию материалов каждого из участников в NotebookLM или в любую систему, которая способна каталогизировать и структурировать знания для последующего извлечения. LightRAG, RAG-Anythig, Trustgraph.
4. Создаем pipeline извлечения знаний из источника.
5. Собираем несложную агентную систему, где каждый из агентов будет имперсонирован соответствующим участником и иметь доступ к собственной базе знаний.
6. При необходимости подключаем участников к диалогу в виде саб-агентов. Либо создаем коллективные сессии в TMUX, чтобы они могли общаться друг с другом и приходить к более сложным выводам, участвуя в общем обсуждении.
Я рекомендую серьезно задуматься над созданием подобных продуктов для тех, кто интересуется концепцией OME.
Напоследок: есть совершенно чумовое расширение для Chrome под названием **Grabbit**, оно позволяет массово копировать ссылки со страниц.
Есть дешевый и простой способ работы с каналами в YouTube для описанных выше сценариев.
1. Открываем видео из канала и выделяем все видео, которые нас интересуют, копируя ссылки в буфер обмена при помощи Grabbit. Так, например, можно скопировать все видео какого-нибудь автора за последний год: 50 или 100 штук.
2. Идем в NotebookLM и вставляем все ссылки из буфера обмена в новый проект.
3. После анализа у нас появляется возможность задавать вопросы автору канала через стройные инструменты NotebookLM. Ну и вообще, крутить эту информацию в любую сторону.
4. Ну, а дальше подключаем NotebookLM через MCP к нужному проекту, и вот у нас появились дистиллированные знания автора канала за нужное нам время по нужной нам теме.
Профит!
Happy Thursday, @aiwizards
Forwarded from дядя_д
This media is not supported in your browser
VIEW IN TELEGRAM
дядь_д
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1