continuous claude v2 уже подъехал. Конфиг, который решает самую дефицитную штуку в разработке — контекст.

Автор работал с Continuous Claude, и в какой-то момент всё упёрлось в компакшн и управление контекстом.
После долгой сессии ты уже раз пятнадцать ужал переписку. Получается конспект конспекта конспекта. 🐒

Модель теряет нить, придумывает фичи из воздуха, строчит лишний код. То, что начиналось как нормальная сессия, превращается в крик и мольбы "клауд, ну давай уже".

Рассмотрим 12 проблемных областей и их решения. Все это входит в плагин Continuity Claude

Проблема 1: MCP

Model Context Protocol больше похож на Context Eating Protocol.
Идея крутая, но жрут токены как не в себя.

Когда 4–5 MCP подключены и под рукой 60–70 тулов, влетает минус 60к токенов до того, как ты вообще что-то написал.

Решение — запуск MCP через код, где Claude вызывает MCP как skills, которые триггерят скрипты.
Не надо руками включать/выключать MCP, и контекст не превращается в свалку.

Проблема 2: где вообще идёт работа?

Ты планируешь фичу, даёшь Claude задачу, он начинает, но посреди процесса бах — компакшн.
И дальше как повезёт, сервера просто выкидывают тебя из процесса и всё разваливается.

Ответ : агенты со свежим контекстом.
Создаёшь агента → у него чистое окно, без шлейфа прошлого диалога.
Организовали это нормально = и основная переписка становится дашбордом/панелью управления.

Проблема 3: контекст руками

Надо помнить: обновить ledger, сделать handoff, отметить результат.
В потоке об этом не думаешь и забываешь.

Решение = хуки, которые следят за окном и подсказывают: сохранить стейт, сделать handoff или /clear.
То есть модель сама напоминает про “сервисные вещи”.

Проблема 4: чёрт, я забыл вызвать skill

Это закрывает ПРОБЛЕМУ с контекстом.
Вместо явных вызовов: говорю “create plan” → спавнится агент-планировщик.

Фокус остаётся на работе, а не на том, как правильно вызвать тул.

Проблема 5: какого чёрта, почему это не работает, Claude?

Тут спасает Braintrust. Трассировка всех ходов: каждый запрос, каждый tool call, каждое сообщение.
Claude получает идеальную картину и может реально отлаживать, а не гадать.

Шестая проблема: кодовая база разрослась до абсурда

RepoPrompt вывозит это за счёт внешнего контекст-билдинга. Основной чат остаётся чистым, а нужные куски контекста подтягиваются по запросу. Не надо пихать весь проект в одно окно.

Седьмая проблема: «серьёзно, клауд, это уже сто лет как устарело, почему ты всё ещё это предлагаешь?»

Nia от Nozomioai в моём опыте экономит контекст лучше, чем Context7. За счёт этого проверки планов и решений проходят гладко, без тонны лишнего балласта.

Восьмая проблема: «чем мы вообще занимались в прошлый раз?»

Идея регистр непрерывности топ. В процессе сессии фиксируем цели, ограничения, сделанное и следующие шаги. Claude не теряет нить и не выдумывает своё.

Девятая проблема: «я сделал /clear и теперь клауд будто впервые видит проект»

Хэндoффы от humanlayer идеально спасают. Перед очисткой создаётся подробный контекст-хэндов. После /clear Claude читает ledger + handoff и ты мгновенно возвращаешься в точку выхода.

Десятая проблема: «если я ещё раз наберу /context, я взвою»

statusline решает. Смотрю просто на цвет индикатора: 🟢 → 🟡 → 🔴, когда приближаемся к компакшену. Хуки сами кидают предупреждения, когда пора сохраняться или чистить.

154.7K  77%  |  main  A:2
»» bypass permissions on  (shift+tab to cycle)

Одиннадцатая проблема: «хочу улучшить процесс, но как?»

Не надо ставить тысячу скиллов. Лучше выращивать свои. braintrust снова в игре: LLM-as-judge на завершении сессии просматривает логи, хэндоффы и ledgerы с помощью gpt-5.2, даёт оценку потоку и предлагает улучшения.

Claude потом использует это, чтобы генерировать новые хуки, правила и агентов через /compound-learnings.

Двенадцатая проблема: «можем ли мы учиться на истории?»

Поверх learnings-скилла хуки индексируют handoffы и ledgerы в базу. Можно спросить: «как мы решали это в прошлый раз?» и Claude действительно проверит.

Дальше универсальная база, объединяющая проектные БД.

Форкни и подгони под себя. 💪

MiniMax M2.1 vs Opus 4.5 vs GLM-4.7: собрали с нуля интерактивную 3D-модель Солнечной системы.

Запускалось на 3 инстансах Claude Code параллельно.

Победитель:

🥇 GLM-4.7!
🥈 Opus 4.5 (slowest)
🥉 M2.1 (fastest)

У GLM-4.7 дизайн-скиллы вообще на другом уровне по сравнению с 4.6 😲

CodexBar это утилита под macOS (меню-бар, без иконки в Dock), которая показывает твои лимиты/квоты у OpenAI Codex и Claude Code без необходимости входа в систему 😊

Буквально вчера вышел CodexBar 0.14.0 : добавили поддержку Antigravity и пофиксили кучу багов, включая “ghost” оверлей OpenAI web view и ситуацию, когда Claude probe сжирал токены.

Google Research выкатили штуку, которая выглядит как конец учебникам 😈

Называется Learn Your Way. На базе LearnLM она превращает любой PDF в 5 персонализированных форматов обучения. На тестах по удержанию материала: 78% против 67% у обычного учебника.

Проблема учебников проста: один шаблон для всех, никому нормально не подходит.

Подход Google: ИИ считывает твои интересы (спорт, музыка, еда), уровень подготовки и переписывает примеры так, чтобы они были про тебя. Физика становится понятной, история ощущается личной.

Форматов сразу пять:
• Интерактивный текст с вопросами
• Аудиоуроки в формате диалога с ИИ-преподавателем
• Слайды с озвучкой и пропусками для заполнения
• Майндмэп с масштабированием
• Квизы по разделам

Под капотом все серьёзно.

LearnLM внутри Gemini 2.5 Pro отвечает за персонализацию. Дальше работают мультиагентные пайплайны для генерации разных представлений. Отдельная модель обучена под учебные иллюстрации, потому что обычные SOTA-модели визуалку для образования тянут плохо.

Тестирование: 60 школьников из Чикаго, 15–18 лет. Рандомизированный контроль. 40 минут про развитие мозга.

Результат:
• Learn Your Way: 78% удержания через 3–5 дней
• Обычный PDF: 67%
• Комфорт: 100% против 70%

Три эксперта по образованию поставили 0.85+ по всем метрикам: точность, полнота, соответствие учебным принципам.

Это не демка , оно готово к продакшену и реально бустит обучение.
93% хотят пользоваться дальше.

Доступно в Google Labs: https://learnyourway.withgoogle.com

Есть уроки по иммунной системе, экономике, социологии. Система адаптируется под уровень и интересы в реальном времени. ❤️

Это офигенно. Три дня. Около 1500 звёзд на GitHub.

— делится автор своего набора Agent Skills для контекст-инжиниринга

Который между прочим сейчас на первом месте в replicate Hype

AI-комьюнити реально голодно до операционных знаний про агентов. Не очередной релиз фреймворка. Не очередной бенчмарк. А практические скиллы, как собирать системы, которые реально работают.

Контекст-инжиниринг становится той дисциплиной, которая отделяет агентов, хорошо выглядящих на демо, от агентов, которые нормально живут в проде.

Этот репо по сути ноутбук за последний год. Скоро автор добавит ещё скиллов.

Это только начало. ❤️

Работа вне офиса или с разных устройств be like: обычный терминал закрыл → сессия пропала → всё по новой. 🙈

Tabminal решает это. Терминал в браузере, сессии хранятся на сервере, можно продолжить работу откуда угодно. WebSocket держит стабильное подключение, при смене сети или обновлении страницы состояние не теряется.

Есть AI-помощник, который видит текущую директорию, env и историю команд, отвечает прямо в терминале. При ошибках команд даёт разбор и варианты исправления.

Встроены Monaco Editor и файловый менеджер, можно редактировать серверные файлы в браузере. Поддерживает PWA. Оптимизирован под мобильные, есть виртуальная HHKB-раскладка для iPad и телефонов.

100% открытый код

Microsoft купила LinkedIn за 26 млрд не только ради пользователей. Им был нужен Economic Graph.

Google держит поиск за счёт Knowledge Graph.
Amazon контролирует ритейл благодаря Product Graph.

Самые мощные компании мира не просто ищут данные. Они связывают их и дают системам строиться поверх общего смыслового слоя.

А 99% AI-стеков до сих пор воспринимают память как кучу эмбеддингов в векторной базе. Это не понимание, это приблизительное совпадение.

Мы строим агентов, которые читают, но не понимают.

Поэтому я позитивно смотрю на Cognee.

Он приносит семантическую инфраструктуру уровня Big Tech в опенсорс-стек. Чтобы у ИИ была память, смысловой слой и нормальный контекст из коробки.

Коротко, почему это работает:

1. Преимущество "cognify"
Обычная схема — ETL (Extract, Transform, Load). Cognee — ECL (Extract, Cognify, Load). Он не просто складывает текст в базу, а считает эмбеддинги, строит связи между сущностями и сохраняет их как семантический слой данных. Из неструктурированного беспорядка получается что-то вроде мозга.

2. Понимание времени
Это редкость. Большинство RAG — статичные снимки. Cognee понимает динамику данных. Если статус проекта поменялся сегодня, он помнит историю, а не только последнее значение.

3. Он реально учится
Встроенные механизмы обратной связи позволяют улучшать граф со временем. Он не просто отдает ответы, он становится точнее.

Big Tech вбухал в это миллиарды. Здесь можно поднять первую память двумя-тремя строчками кода.

Векторы находят похожее.
Графы находят смысл.
Сложи их вместе и начинай строить мозги.

Это полностью опенсорс. 🎁

Автор собрал все свои посты про AI-инжиниринг в один PDF.

Внутри:

основы LLM
prompt engineering
дообучение
RAG
работа с контекстом
AI-агенты
MCP
оптимизация
деплой
оценка и наблюдаемость

375+ страниц. Скачать бесплатно ❄️

Когда венчурный инвестор говорит, что твоя бизнес-идея тупая, но ты-то знаешь…

ChatGPT бы начал с: “Отличная идея” 😭