POV: Claude перенёсся на 6 месяцев вперёд и рассказал, почему твой следующий шаг уже провалился.

Это называется premortem (предразбор провала до старта).

Дэниел Канеман (нобелевский лауреат, автор «Думай медленно… решай быстро») называл это своей самой полезной техникой принятия решений.

Google, Goldman Sachs и Procter & Gamble используют её перед крупными запусками.

Проблема, которую она решает: когда ты спрашиваешь Claude «это хороший план?», он находит причины согласиться.

Так он обучен: поддерживать и подтверждать. В итоге ты уходишь с ощущением уверенности.

Дальше ты неделями или месяцами строишь систему вокруг этого плана. Потом всё ломается. 😆

И постфактум становится очевидно, что проблема была видна сразу, но её никто не прогнал через стресс-тест, потому что Claude подтвердил, что всё ок.

premortem переворачивает контекст.

Вместо «что может пойти не так?» ты задаёшь: «прошло 6 месяцев, и это уже провалилось. объясни, как именно это произошло».

Это меняет режим анализа: нет задачи быть оптимистичным, потому что исход уже зафиксирован как провал.

В таком режиме модель перестаёт искать причины, почему план должен сработать, и начинает раскладывать сценарии деградации.

В ответ ты получаешь набор способов, как проект мог умереть, с развернутыми сценариями и ранними сигналами, на которые стоит обратить внимание.

дальше обычно делают сводку:

> какая точка отказа наиболее вероятна
> какой сценарий наиболее критичен
> какое скрытое допущение самое рискованное (часто самое ценное)
> пересобранная версия плана с закрытыми дырами

в итоге ты пишешь «premortem this» и передаёшь план — дальше всё разбирается автоматически.

Вот скилл: pre-mortem skill 🍿

DeepSeek V4 Pro против Xiaomi MIMO V2.5 Pro

MIMO V2.5 Pro выигрывает по 2 факторам:

1. примерно на 1 минуту быстрее, чем DeepSeek V4 Pro
2. более чистый визуальный стиль

Причина: MIMO V2.5 Pro изначально мультимодальная модель, поэтому лучше понимает, как должен выглядеть качественный визуал.

Интересно будет посмотреть, как DeepSeek V4 Vision изменит это. ⏳

Терминал Warp стал опенсорс. Написан на Rust, доступен на Windows, macOS и Linux.

Комьюнити встретило новость очень тепло – за считанные часы репозиторий набрал уже 41+ тыс. звезд! 😮

https://github.com/warpdotdev/warp

@IT_Portal

settings.json для Claude, который полностью убирает попапы с запросами разрешений 🔧

Правила allow/deny, хуки, конфиг для команды — полный файл под копипасту внутри.

2 минуты на настройку, минус ~30 прерываний за сессию.

OpenCode получил крупное обновление.

Нативный графический интерфейс чата, с возможностью в любой момент переключиться в терминал, встроенные диффы, панель git, очередь сообщений, стиринг, расширенные вызовы инструментов, смена провайдера прямо в процессе диалога и другие возможности.

Каковы шансы, что это в итоге сконвергируется в полноценную IDE? 😨

Vercel представила deepsec — опенсорсный каркас для обеспечения безопасности при кодинге. 🦆

• упор на интерфейс командной строки
• масштабирование через песочницы
• подключаемые код агенты
• рассчитан на крупные репозитории
• можно использовать через AI Gateway или свою подписку

После нескольких месяцев успешного внутреннего использования они прогнали его на одних из самых крупных опенсорсных код базах.

Не так давно, представили агента, который автоматизировал команду постобучения в Hugging Face: ml-intern

Это реализация с открытым исходным кодом реального исследовательского цикла, которым ежедневно пользуются исследователи машинного обучения. Вы задаёте промпт, он изучает статьи, проходит по цепочкам цитирования, реализует идеи в изолированных средах с графическими ускорителями, итеративно дорабатывает и собирает модели с глубокой исследовательской базой под любой сценарий. Всё построено на экосистеме Hugging Face. 🤗

Он способен на нетривиальные вещи.

На днях, разрабы, вдохновившись nanochat от Andrej Karpathy, поставили ml-intern задачу обучить компактную модель со смесью экспертов со всеми архитектурными улучшениями DeepSeek v4. Для сквозной проверки он обучил модель со смесью экспертов на 100 млн параметров, пройдя как стадию предобучения, так и постобучения.

ml-intern автономно справился с рядом реальных задач на стыке исследований и инженерии:

> отладка переполнений при использовании гипер-соединений на малых масштабах
> выбор размерностей для уменьшения модели до ~100 млн параметров
> исправление имён параметров после применения компиляции графа вычислений в PyTorch для ускорения обучения

- вот сам код этой модели
- Base model: https://huggingface.co/cmpatino/nanowhale-100m-base
- Instruct Model: https://huggingface.co/cmpatino/nanowhale-100m

Конвертируем книги в скиллы для Claude

Появился book-to-skill — это скилл Claude Code, который автоматически извлекает данные из PDF или EPUB книг и генерирует структурированные файлы скиллов, включая резюме по главам, глоссарии и справочные таблицы по паттернам проектирования.

Основной скрипт extract.py поддерживает несколько тулов извлечения и автоматически выбирает оптимальный подход в зависимости от типа книги:

- для тех-книг используется Docling -- для сохранения таблиц и блоков кода;
- для книг с обычным текстом используется pdftotext для быстрого извлечения.

После генерации скилл вызывается через /skill-name, и Claude может напрямую отвечать на основе содержимого книги 🫡

Аналитики, для вас хорошие новости: OpenAI встроили ChatGPT прямо в Excel и Google Sheet

Теперь можно использовать GPT-5.5 для анализа неструктурированных данных, построения финансовых моделей, генерации формул, обновления таблиц и сборки трекера расходов. 🤭

Антропики заключили партнёрство с SpaceX, и теперь в их распоряжении весь дата-центр Colossus 1. Это 300 мегаватт или 220к видеокарт. 😎

Поэтому они повышают лимиты использования для Claude Code и Claude API.

Изменения уже вступили в силу:

1. Удвоили 5-часовые лимиты Claude Code для тарифов Pro, Max, Team и Enterprise с оплатой за пользователя
2. Убрали снижение лимитов в пиковые часы для Claude Code на тарифах Pro и Max
3. Существенно повысили лимиты по рейт-лимиту API для моделей Opus

🔥 Три разных человека. Три разных проекта. Один и тот же подход.

— Юра взял «скучную» нишу с готовым спросом → сначала печальные $100/мес, через год уже ~$10K/мес
— Денис сделал Telegram-игру в одиночку на основе AI → ~ $1500 за 1,5 месяца после запуска
— Аня без кода запустила AI-бота для изучения английского → первые ~$200 уже в 1 месяц

Разные результаты. Разный масштаб. Но общие правила:

1. не придумывать «гениальную идею», а брать существующий спрос
2. делать простой MVP и быстро запускаться
3. докручивать монетизацию и продукт по факту использования

Ребята сделали всё без команды, без инвестиций, а самое главное — без ожидания «идеального момента». Да, не у всех получается сразу. И не у всех выходит на $10K. Но если системно идти по схеме выше — появляется первый доход с продукта, а дальше уже есть что масштабировать.

В комьюнити разбираем такие кейсы регулярно: @its_capitan. Что сработало, что нет, и почему.

Реклама: ИП Зуев Игорь Владимирович, ИНН: 360408359441, Erid: 2VtzqvJni4w

Я давно ждал новый агентский тулкит AWS, и наконец он вышел 🙉

Он даёт агентам ИИ инструменты, знания и guardrails для работы с сервисами AWS.

- 40+ скиллов
- 3 плагина агентов
- удалённый MCP-сервер, который агенты могут использовать, чтобы вызывать все 15 000+ API AWS, запускать скрипты, искать документацию, получать скиллы

https://github.com/aws/agent-toolkit-for-aws

Японский разработчик добился больших результатов для своего проекта, благодаря данному скиллу: Find Skills

Описываешь, что хочешь получить на выходе, и система автоматически подбирает лучшие скиллы из сотни доступных вариантов.

🙈🙈🙈

Самая вирусная функция Anthropic теперь с открытым исходным кодом.

Раньше возможности генерации интерфейсов у Anthropic существовали только внутри их продуктов.

CopilotKit выпустил Open Generative UI — реализацию артефактов Claude с открытым исходным кодом, которая работает в любом приложении.

Агент генерирует HTML и SVG во время выполнения, а CopilotKit передаёт результат по токенам в изолированный iframe внутри чат-интерфейса приложения.

Пользователь видит, как интерфейс собирается в реальном времени, а не после завершения ответа.

Песочница полностью изолирована: нет доступа к родительскому приложению, объектной модели документа и пользовательским данным. Даже при некорректной разметке или неожиданном JavaScript-коде утечек за пределы iframe не происходит.

Внутри система не выбирает из готовых компонентов. Каждый раз генерируется произвольная визуализация с нуля.

Выходные данные по умолчанию не ограничены, но поведение можно направлять через промпт-скрипты, которые задают правила визуальных форматов.

Например, такой слой инструкций может заставить агента формировать дашборд на Chart.js с корректными осями и адаптивной версткой или интерактивную 3D-модель с управлением вращением.

Видеодемонстрация показывает работу системы, а качество вывода формируется именно этим слоем инструкций.

Open Generative UI работает поверх AG-UI и совместим с LangGraph, CrewAI, Mastra, Google ADK, AWS Strands и другими системами.

Также поставляется отдельный сервер MCP (Model Context Protocol), который подключается к Claude Code, Cursor и другим MCP-совместимым клиентам.

Вся платформа построена поверх CopilotKit — фронтенд-фреймворка для агентов и генеративных интерфейсов с десятками тысяч звёзд на GitHub и SDK для React, Next.js, Angular и Vue.

Вот демка, можно потестить самому 😃