LiteParse — парсер документов, чтобы агенты точнее читали текст с PDF, Word, Excel, PowerPoint и картинок.

Обычно Claude Code читает PDF через pypdf или pdfplumber и каждый раз пишет для этого новый Python скрипт.

Тут LiteParse делает это одной командой. Парсит локально, быстро и без GPU.

Подойдет, если хотите, чтобы агент мог быстро прочитать PDF и работать дальше, а если нужно разобрать что-то визуально, то сделает скриншоты.

Для простых доков хватит, для сложных таблиц, нужно решение поточнее, например их облачный LlamaParse или olmOCR 2 на своем GPU.

Установка: npm i -g @llamaindex/liteparse

Использовать командами:
• lit parse document.pdf
• lit screenshot document.pdf

Есть еще skill для Claude Code и GitHub

@tips_ai #tools

Вчера в первый раз столкнулся с тем, что Claude code из терминала сам запустил Хром, полез с интернет и начал парсить базу данных..

Скоро так любую программу сможет запускать, не только браузер..

https://t.me/denissexy/11312

У Claude code, кстати, появилась команда /schedule , которая позволяет запускать работу по расписанию. Хорошая тема

Ну и, кстати, Codex от OpenAI умеет то же самое

Блин, я это пишу своими руками… (на как своими, Клод пишет, а я команды даю)

теперь всегда так - только появляется возможность что-то сделать, это делают за тебя..

https://t.me/data_analysis_ml/4866

Вообще это классно, когда свои модели появляются, но бенчмарки несколько расстраивают.. Впрочем, лиха беда начало.

Есть и еще одна ложка дегтя - неделю назад пробовал подписаться на Сбер, но есть оплата только за апи, и цены выше чем на Соннет. Ну вот к этому я точно не готов. Дайте нормальную подписку - я возьму

https://t.me/ai_machinelearning_big_data/9732

GigaChat в долларах

GigaChat 2 Lite

• 20 млн токенов = 1 300 ₽ ≈ $14.4
• 100 млн токенов = 6 500 ₽ ≈ $72.2
• Цена за 1 млн токенов ≈ $0.72

GigaChat 2 Pro

• 3 млн токенов = 1 500 ₽ ≈ $16.7
• 15 млн токенов = 7 500 ₽ ≈ $83.3
• Цена за 1 млн токенов ≈ $5.56

GigaChat 2 Max

• 3 млн токенов = 1 950 ₽ ≈ $21.7
• 15 млн токенов = 9 750 ₽ ≈ $108.3
• Цена за 1 млн токенов ≈ $7.22

За 20 баксов 3 млн токенов гигачата или подписка на Claude, GPT или Gemini - печаль..

Ну нет в стране инференса

Наконец, лучшую модель по генерации видео выпустили в публику - компания почти месяц решала проблемы с Голивудом, так как слишком хорошо делала видео с реальными актерами

https://t.me/ai_newz/4493

Судя по всему, умные модельки станут заметно менее требовательными к ресурсам. Помечтаем

https://t.me/ai_machinelearning_big_data/9736

Anthropic написал статью, как они строили harness для долгих автономных задач, прежде всего для:

• генерации качественных интерфейсов,
• многочасовой разработки полноценных приложений без постоянного участия человека.

Главная идея: проблема не только в модели, а в архитектуре процесса вокруг модели.

───

Ключевые выводы статьи

1) Для длинных задач одного агента мало

На длинных прогонах агент:

• теряет нить,
• начинает “закругляться” раньше времени,
• переоценивает качество собственной работы.

Поэтому они ушли от наивного solo-agent режима к многоагентной схеме.

───

2) Они используют роли: planner / generator / evaluator

Planner

• берет короткий пользовательский запрос,
• разворачивает его в полноценный product spec.

Generator

• делает работу по спринтам/частям,
• реализует фичи одну за другой.

Evaluator

• независимо проверяет результат,
• ищет баги и оценивает качество,
• дает обратную связь генератору.

Это важно: агент не должен сам себя честно оценивать — он слишком снисходителен к собственной работе.

───

3) Для долгих задач важна работа с контекстом

Они отдельно подчеркивают проблему context anxiety:

• модель, чувствуя длинный контекст, начинает prematurely wrap up,
• или просто деградирует по качеству.

Раньше они боролись с этим через context resets:

• новый агент,
• чистый контекст,
• структурированный handoff-файл между сессиями.

Позже с Opus 4.5 смогли больше полагаться на compaction, но сама идея осталась:
нельзя просто бесконечно тянуть один и тот же контекст.

───

4) Коммуникация между агентами — через файлы/артефакты

Вместо хаотичного общего чата они передают состояние через структурированные файлы:

• контракт спринта,
• замечания,
• QA-отчеты,
• handoff-артефакты.

Это делает систему устойчивее и понятнее.

───

5) Для субъективных задач они формализуют критерии

На примере frontend-дизайна они показывают, что даже субъективные вещи можно оценивать по критериям:

• design quality
• originality
• craft
• functionality

После этого evaluator может не просто говорить “нравится / не нравится”, а давать направленную обратную связь.

───

6) Для full-stack разработки они используют “спринт-контракты”

Перед началом спринта generator и evaluator договариваются, что именно считается done.

Это очень сильная идея:

• спецификация сверху остается high-level,
• но на каждый спринт есть конкретный контракт,
• evaluator потом проверяет именно его.

───

Что у них получилось

По их словам:

• solo-agent сделал заметно хуже,
• полный harness работал намного дольше и дороже,
• но качество итогового продукта было существенно выше.

Пример из статьи:

• solo run: ~20 минут, ~$9
• full harness: ~6 часов, ~$200

То есть главный trade-off:
качество и автономность растут, но резко растут цена, время и сложность orchestration.

───

Статья не про “волшебную модель”, а про инженерную правду:

1. долгие задачи = это проблема процесса, а не только LLM
2. независимая оценка критична
3. артефакты и контракты важнее длинного чата
4. контекст надо управлять, а не просто копить

Кстати, к вопросу. Такие обзоры как тот, что выше, пишет мне мой OpenClaw, когда я ему закидываю статью с командой «прочитать, пересказать». Удобно

Антропик начинает потихоньку разворачивать auto mode в Claude code

В продолжение прошлого поста - сейчас есть команда -dangerously skip permissions, которая всегда будет говорить «да» на вопросы пользователя, а теперь будет авто мод, который смотрит, где опасно, где нет, и будет человека дергать, но только по опасным случаям.

Сейчас по отдельным командам можно в настройках разрешения устанавливать, и это работает, но тут все будет работать автоматически, и в разных ситуациях по одной и той же команде Клод будет сам выполнять команду или спрашивать в зависимости от обстоятельств

Figma похоже начали догадываться что людям нужно больше.

Они открыли свой канвас для AI агентов.

Новый use_figma — агент создаёт и редактирует компоненты прямо на канвасе через вашу дизайн-систему. Переменные, компоненты, auto layout.

Claude Code, Codex, Cursor и другие MCP-клиенты теперь могут работать с Figma напрямую.

Появились skills которые объясняют агенту как работать в Figma.

Из основных:

• figma-implement-design: читает дизайн из Figma и генерирует рабочий код
• figma-generate-library: строит дизайн-систему в Figma из вашей кодовой базы
• figma-generate-design: собирает экраны из реальных компонентов и переменных
• figma-create-design-system-rules: сохраняет стандарты команды, агент их запоминает и применяет

Для команд где дизайнеры живут в Figma, то что нужно.

Сейчас бесплатно (бета), потом будет платным.

Гайд | Skills| GitHub

@tips_ai #news

Очень хвалят в Х дистилированный на Qwen 3.5 27B Opus - но чтобы использовать локально надо 32гб или хотя бы 24...

Про ускоренный переход на постквантовую криптографию зацепило (это шифры, которые не ломаются известными квантовыми алгоритмами, в отличие от большинства, используемых сейчас). Вчера еще читал новость, о том, как квантовый компьютер приделали к роботу, и он стал в 30 раз быстрее обрабатывать всю информацию о движениях (наши люди, кстати, делали)...

https://t.me/ai_machinelearning_big_data/9749

Вожусь с графами, чтобы модель лучше ПОНИМАЛА смысл текста. И, судя по всему, проблема (помимо методических) в том, что для создания по тексту графа нельзя использовать дешевые модели, как в RAG. Надо - дорогую, и, возможно, САМУЮ дорогую. Впрочем, стоит ли удивляться - ведь задача-то сложная..

Хотите запустить Qwen 35B на мак мини? С 16гб? Тогда вам сюда. Обещают 30 токенов в секунду. Правда, на контекст мало памяти останется