1) нет 2) да - это "кеширование". Про это в статье есть 3) можно попробовать такое сделать с Pi Agent или пресловутым OpenClaw. Он не прям напишет, что надо. Но загрузит навыки, необходимые под твою задачу
Хорошо, вот ты меня и поймал. Я скормил md исходник статьи Claude, чтобы он подправил опечатки - там он и подменил тире. После этого я еще правил, так что и получилась мешанина из тире. Но все тезисы, структура, tl;dr, инфографика, примеры, текст - мой. LLM просто не в состоянии написать такой текст - в нем есть авторский стиль, юмор и личные истории.
Мне просто обидно думать, что кто-то допускает, что этот текст - тупо AI-slop (даже в несколько заходов генерации), или даже подражание ему. В нем мой опыт, стиль написания и я сам. Можно удостовериться, прочитав статьи, которые я писал ранее, еще когда LLM были тупые
Да, все правда. Но это уже нюансы. Генерально - все просто. А дальше сидишь неделю тюнишь описания тулов и промпты, чтобы оно работало не на бумаге, а на практике
Да, вполне валидно. У меня просто как-то так сложилось, что под бытовые задачи мне проще написать таргетного агента. Но мб и стоит присмотреться к агентам общего назначения - быстрее получится процессы автоматизировать
Это решается через HITL. Модель сама по себе не может взаимодействовать с внешним миром - только через ваши инструменты. А критичные инструменты надо прятать под апрув пользователя
Есть разные VAD алгоритмы, которые определают, когда слушать. Чисто технически их можно реализовать прям в коде без передачи данных в LLM - и отправлять по API только те аудиофайлы, что хотите
Или сделать проще - слушать только при активации. У меня хоткей на системе просто)
Тут сложно. Есть такая штука от Nvidia - Garak. Это инструмент для тестирования устойчивости твоего агента к распространенным видам атак. У меня обычно какой пайплан - натравливаю Garak на агента, а потом пытаюсь пофиксить что нашлось. Обычно это пайплайн из нескольких подходов - куча регулярок, статистический анализ текста, прям в системный промпт агента дописывается инструкция, что делать не стоит. И в худших сценариях, да - это отдельный классификатор, который прогоняет сообщение перед передачей его в модель. Таким классификатором может быть как LLM (другой агент), так и любой другой МЛ алгоритм
А это и не "форк" Майкрософт. Это оригинальные авторы Autogen ушли из Майкрософт и сделали AG2 фреймворк как развитие идей оригинального autogen. Поэтому pypi пакет `pip install autogen` и принадлежит нам
Но я сейчас делаю совсем новую версию, которая пока прячется внутри модуля autogen.beta. Это совершенно новый фреймворк, который никак не опирается на оригинальную кодовую базу. И вот он уже после релиза 1.0.0 (пара месяцев) будет доступен как `pip install ag2` - или даже как-то иначе. Я лично сам выступаю за полный ребрендинг, но не все зависит от меня)
Почему сразу вайбкод? Можно писать и руками) Инструменты - это та детерменированная логика, доступ к которой вы даете агенту на уровне кода. У каждого логика своя, поэтому и инструменты свои Но для типовых задач уже есть переиспользуемые наборы инструментов, интеграций и MCP. Кажется, я даже ссылки в статье приводил
прям в каждой? - вряд ли: есть целые AI-limited/disabled сектора в ИТ: ВПК, dual-use, авионика, специальные контуры...
По большей части за рубежом это решается "эксклюзивными" контрактами с крупными провайдерами. Тот же Пентагон хвастался, что использовал Anthropic для планирования операций. С теми крупными компаниями, кто является клиентами AG2 (телеком, банки) - та же история. У них просто эксклюзивные договоры с OpenAI
Практика хостить свои модели есть, но она менее распространена
Кстати, завели чатик для обсуждения разработки агентов. Да и просто их использования - полезные скиллы, практики и просто флудилка
https://t.me/fastnewsdev_chat
1) нет
2) да - это "кеширование". Про это в статье есть
3) можно попробовать такое сделать с Pi Agent или пресловутым OpenClaw. Он не прям напишет, что надо. Но загрузит навыки, необходимые под твою задачу
И я не оч понимаю, что за "tl;dr по поводу и без"
В статье только один tl;dr - в самом начале, аккуратно оформленный якорями и ссылками на разделы. Материал большой и ему нужна навигация
По вашим комментариям у меня создается впечатление, что вы прочитали в лучшем случае первую четверть или только вступление, которое вы и заскринили
Хорошо, вот ты меня и поймал. Я скормил md исходник статьи Claude, чтобы он подправил опечатки - там он и подменил тире. После этого я еще правил, так что и получилась мешанина из тире. Но все тезисы, структура, tl;dr, инфографика, примеры, текст - мой. LLM просто не в состоянии написать такой текст - в нем есть авторский стиль, юмор и личные истории.
Мне просто обидно думать, что кто-то допускает, что этот текст - тупо AI-slop (даже в несколько заходов генерации), или даже подражание ему. В нем мой опыт, стиль написания и я сам. Можно удостовериться, прочитав статьи, которые я писал ранее, еще когда LLM были тупые
А почему именно Claude Code, если он по бенчмаркам чуть ли не худший Harness для агентов?
Не сравнивали с Forgecode / Opencode? Там даже изобретать не надо, OpenAI интерфейс они поддерживают
Зависит от модели. Многие OSS модели старого поколения с трудом справляются с вызовом инструментов. По моей практике с Qwen3.5+ уже все норм работает
Локальные модели предоставляют доступ по OpenAI Compatible, так что ты просто адрес указываешь для подключения - и все должно работать
Мне нравится, как они смотрятся в тексте
Да, все правда. Но это уже нюансы. Генерально - все просто. А дальше сидишь неделю тюнишь описания тулов и промпты, чтобы оно работало не на бумаге, а на практике
А его и не надо делать. Лучше сделать что-нибудь узкоспециализированное под конкретную задачу
Да, вполне валидно. У меня просто как-то так сложилось, что под бытовые задачи мне проще написать таргетного агента. Но мб и стоит присмотреться к агентам общего назначения - быстрее получится процессы автоматизировать
Это решается через HITL. Модель сама по себе не может взаимодействовать с внешним миром - только через ваши инструменты. А критичные инструменты надо прятать под апрув пользователя
Есть разные VAD алгоритмы, которые определают, когда слушать. Чисто технически их можно реализовать прям в коде без передачи данных в LLM - и отправлять по API только те аудиофайлы, что хотите
Или сделать проще - слушать только при активации. У меня хоткей на системе просто)
Очень интересно, т.к. я не использовал нейросети при написании. Это вообще текстовый вариант моего же доклада на конференции
Разница в том, что твой агент слушает только то, что ты ему разрешаешь) код же сам написал.
Осталось дождаться, когда у OSS провайдеров будет LiveAPI
Тут сложно. Есть такая штука от Nvidia - Garak. Это инструмент для тестирования устойчивости твоего агента к распространенным видам атак. У меня обычно какой пайплан - натравливаю Garak на агента, а потом пытаюсь пофиксить что нашлось. Обычно это пайплайн из нескольких подходов - куча регулярок, статистический анализ текста, прям в системный промпт агента дописывается инструкция, что делать не стоит. И в худших сценариях, да - это отдельный классификатор, который прогоняет сообщение перед передачей его в модель. Таким классификатором может быть как LLM (другой агент), так и любой другой МЛ алгоритм
А это и не "форк" Майкрософт. Это оригинальные авторы Autogen ушли из Майкрософт и сделали AG2 фреймворк как развитие идей оригинального autogen. Поэтому pypi пакет `pip install autogen` и принадлежит нам
Но я сейчас делаю совсем новую версию, которая пока прячется внутри модуля
autogen.beta. Это совершенно новый фреймворк, который никак не опирается на оригинальную кодовую базу. И вот он уже после релиза 1.0.0 (пара месяцев) будет доступен как `pip install ag2` - или даже как-то иначе. Я лично сам выступаю за полный ребрендинг, но не все зависит от меня)https://sutando.ag2.ai/ - и вот
Почему сразу вайбкод? Можно писать и руками)
Инструменты - это та детерменированная логика, доступ к которой вы даете агенту на уровне кода. У каждого логика своя, поэтому и инструменты свои
Но для типовых задач уже есть переиспользуемые наборы инструментов, интеграций и MCP. Кажется, я даже ссылки в статье приводил
По большей части за рубежом это решается "эксклюзивными" контрактами с крупными провайдерами. Тот же Пентагон хвастался, что использовал Anthropic для планирования операций. С теми крупными компаниями, кто является клиентами AG2 (телеком, банки) - та же история. У них просто эксклюзивные договоры с OpenAI
Практика хостить свои модели есть, но она менее распространена
По остальному комментариев нет - все в точку)