Агент — это "программа", которая не просто отвечает на вопросы, а сама выполняет действия. Обычный чат-бот ждёт ваш запрос и выдаёт текст. Агент — берёт задачу, разбивает на шаги, открывает файлы, запускает команды, проверяет результат и идёт дальше. Claude Code — это как раз агент: он сам читает ваш код, правит файлы, запускает тесты.
Но если вы с ним работаете, то наверняка замечали: на сложных задачах он сам запускает каких-то «помощников», которые ищут по коду или составляют план. Это и есть субагенты — мини-версии Claude Code с отдельным контекстом, ограниченными инструментами и конкретной задачей. Грубо говоря, он нанимает себе помощников. И самое интересное — ими можно управлять.
В 10 карточках разобрал, как это устроено (👀 см. карточки ↑)
Ключевая штука, которую стоит понять: когда субагент работает, его промежуточные шаги не попадают в основной контекст. Он возвращает только итог. Это экономит токены и позволяет Claude Code дольше работать, не упираясь в лимит контекстного окна.
С чего начать:
— Наберите /agents в Claude Code — мастер создаст агента за вас
— Или просто скопируйте готового из awesome-claude-code-subagents на GitHub
#ai #agents #llm
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6🔥5👍3
Андрей Карпаты (ex-Tesla AI, ex-OpenAI) опубликовал паттерн, который кажется очевидным — но почему-то так никто не делал. И все паблики прорвало - пишут, что это бомба! ))
Обычно как: загружаешь документы в ChatGPT, NotebookLM или любой RAG — модель каждый раз заново ищет куски, склеивает ответ и забывает. Завтра всё по новой. Ничего не накапливается.
Идея Карпапты простая: пусть LLM не ищет по документам, а строит из них вики. Добавил новый источник → агент прочитал, написал саммари, обновил связанные страницы, пометил противоречия. Один документ может затронуть 10-15 страниц.
В такой системе выделяется три слоя:
— Сырые источники (неизменяемые) - raw
— Вики (markdown, который LLM пишет и обновляет)
— Схема (правила для агента — как вести вики)
Почему работает
Люди бросают вики, потому что их обслуживание — боль. Обновить ссылки, актуализировать саммари, пометить что устарело — никто не хочет этим заниматься. А LLM не устаёт.
Человек направляет и думает. LLM ведёт всю рутину.
Как сделать у себя
Нужна папка с markdown + любой агент (Claude Code, Qwen Code, Codex) + файл с правилами. Никакой инфраструктуры.
Я просто взял и попросил агента
Давай попробуем применить предложенные в данном документе концепции к нашему проекту
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
Работает, черт возьми! Рекомендую)
👀 Смотрите также
– Andrej Karpathy Just 10x’d Everyone’s Claude Code
– Karpathy Just Replaced RAG With Obsidian + Claude Code
#ai #llm #wiki
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥18👍5❤3🥴3
Нашёл суперклассную тулу. Если вы активно пользуетесь Claude, знаете эту боль: лимит кончился, а ты даже не заметил. Claude Usage Tracker решает эту проблему — нативное macOS-приложение, которое висит в меню баре и показывает в реальном времени, сколько у вас осталось.
Что умеет:
— Трекинг 5-часовой сессии, недельных лимитов и отдельно Opus
— Мультипрофили — если у вас несколько аккаунтов, видите все сразу в меню баре
— Интеграция с Claude Code — подхватывает креды автоматически
— Цветовая индикация: зелёный → оранжевый → красный по мере расхода
— Уведомления на 75%, 90%, 95% использования
— Статуслайн прямо в терминале для тех, кто работает через CLI
Приложение написано на Swift/SwiftUI, подписано Apple-сертификатом, весит ~4 МБ. Всё хранится локально, никакой телеметрии.
Установка через Homebrew одной командой:
brew install --cask hamed-elfayome/claude-usage/claude-usage-trackerИли скачать .zip с GitHub.
#tools #ai #claude
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤6👍5
☕️ Как управлять контекстом AI-агентов
Сейчас в Авито мы делаем супер-пупер-мега AI-first аналитическую платформу, активно внедряем агентский воркфлоу во все инструменты. И я в последние недели закопался в тему того «как сделать AI-агентов полезными, как передавать в них контекст». Посмотрел, как эту задачу решают лидеры — Hex, Databricks Genie, Snowflake Cortex Analyst, Notion AI, Dust, плюс системы памяти Graphiti/Zep, Mem0, Letta. Почитал, попытался разложить по полочкам.
В 6 карточках разложил слои и приёмы — там всё коротко (👀 см. карточки ↑).
Проблема одна. Голый LLM про вашу компанию ничего не знает. Он не в курсе, что у вас за DWH, какие метрики считаются, что решил лид вчера в Slack, как устроен деплой. Практика такая: без доменного контекста агенты выдают около 25%(если не больше) откровенно неверных ответов — и это не про качество модели, а про нехватку специфики.
Что делают все "лидеры" одинаково:
— Контекст подаётся слоями: компания → проект → пользователь. У всех минимум три уровня. У агентов для разработки слой проекта хранится в git, у остальных — в базе данных
— Ядро знаний — всегда при агенте, объёмные документы — только когда нужны. Никто не заливает всё в промпт целиком
— Единый словарь метрик — обязателен. Snowflake Cortex, ThoughtSpot, Tableau Pulse — все строят такой слой. Без него модель придумывает SQL из головы
— Нужные правила подтягиваются автоматически — по теме вопроса, по типу файла, по связям. Cursor, Claude Code, Continue — все делают так, чтобы не загружать всё вручную
— Контекст курируют, а не пишут раз и навсегда. Проверенные эталоны, оценки 👍👎, автоматическое запоминание. Это живая база знаний
— Формулы побеждают прозу. Genie прямо говорит: готовый SQL-сниппет лучше текстового правила, которое можно понять по-разному
— Агент уважает права доступа. Glean, Dust, Notion AI не отдадут документ, к которому у вас нет доступа. В крупных компаниях без этого никак
Как начать у себя
— Опишите слои от компании до текущего диалога. Под каждый — где лежит правда и кто за неё отвечает
— Правила функции и продукта — markdown-файлы в git. По образцу CLAUDE.md или Cursor rules. Никаких баз данных на старте
— Метрики домена — словарь в YAML плюс гайды, которые подтягиваются по описанию
— Историю изменений храните только там, где реально нужно «было/стало» — например, как менялся расчёт метрики. Для остального хватит истории коммитов
— Сразу закладывайте кураторов и голосование. Без этого база устареет за месяц
Ключевое. Шесть слоёв — необходимый минимум для платформы на уровне всей компании. Меньше — потеряете либо разницу между функциями (HR и аналитика — это разные миры), либо разницу между продуктами (у каждого свои правила), либо домен данных (где живут метрики). Начинать поэтапно: первый результат за 4 недели, полная платформа — два квартала с одной командой.
#ai #agents #llm #vibecoding
Сейчас в Авито мы делаем супер-пупер-мега AI-first аналитическую платформу, активно внедряем агентский воркфлоу во все инструменты. И я в последние недели закопался в тему того «как сделать AI-агентов полезными, как передавать в них контекст». Посмотрел, как эту задачу решают лидеры — Hex, Databricks Genie, Snowflake Cortex Analyst, Notion AI, Dust, плюс системы памяти Graphiti/Zep, Mem0, Letta. Почитал, попытался разложить по полочкам.
В 6 карточках разложил слои и приёмы — там всё коротко (👀 см. карточки ↑).
Проблема одна. Голый LLM про вашу компанию ничего не знает. Он не в курсе, что у вас за DWH, какие метрики считаются, что решил лид вчера в Slack, как устроен деплой. Практика такая: без доменного контекста агенты выдают около 25%(если не больше) откровенно неверных ответов — и это не про качество модели, а про нехватку специфики.
Что делают все "лидеры" одинаково:
— Контекст подаётся слоями: компания → проект → пользователь. У всех минимум три уровня. У агентов для разработки слой проекта хранится в git, у остальных — в базе данных
— Ядро знаний — всегда при агенте, объёмные документы — только когда нужны. Никто не заливает всё в промпт целиком
— Единый словарь метрик — обязателен. Snowflake Cortex, ThoughtSpot, Tableau Pulse — все строят такой слой. Без него модель придумывает SQL из головы
— Нужные правила подтягиваются автоматически — по теме вопроса, по типу файла, по связям. Cursor, Claude Code, Continue — все делают так, чтобы не загружать всё вручную
— Контекст курируют, а не пишут раз и навсегда. Проверенные эталоны, оценки 👍👎, автоматическое запоминание. Это живая база знаний
— Формулы побеждают прозу. Genie прямо говорит: готовый SQL-сниппет лучше текстового правила, которое можно понять по-разному
— Агент уважает права доступа. Glean, Dust, Notion AI не отдадут документ, к которому у вас нет доступа. В крупных компаниях без этого никак
Как начать у себя
— Опишите слои от компании до текущего диалога. Под каждый — где лежит правда и кто за неё отвечает
— Правила функции и продукта — markdown-файлы в git. По образцу CLAUDE.md или Cursor rules. Никаких баз данных на старте
— Метрики домена — словарь в YAML плюс гайды, которые подтягиваются по описанию
— Историю изменений храните только там, где реально нужно «было/стало» — например, как менялся расчёт метрики. Для остального хватит истории коммитов
— Сразу закладывайте кураторов и голосование. Без этого база устареет за месяц
Ключевое. Шесть слоёв — необходимый минимум для платформы на уровне всей компании. Меньше — потеряете либо разницу между функциями (HR и аналитика — это разные миры), либо разницу между продуктами (у каждого свои правила), либо домен данных (где живут метрики). Начинать поэтапно: первый результат за 4 недели, полная платформа — два квартала с одной командой.
#ai #agents #llm #vibecoding
❤13🔥9👍5