Искусственный интеллект

Привет, Хабр!

Меня зовут Наталья Корсакова, я руководитель департамента лингвистической разработки MWS AI (входит в МТС Web Services и разрабатывает ИИ-продукты и решения как для экосистемы МТС, так и для внешнего рынка). На последнем Conversations AI в Питере на пару с Еленой Деликановой (это наш тимлид разработчиков-лингвистов) мы рассказали, как прикручивали LLM к чат-ботам МТС. Так мы надеялись улучшить лояльность клиентов (абонентов МТС), ускорить разработку и упростить поддержку громоздких диалоговых систем. По многочисленным просьбам излагаем наш опыт в тексте. 

Спойлер: оказалось, что нельзя просто так взять и заменить тысячи строк кода на промпты. То есть можно, но жизнь разработчикам это не упростит, а в некоторых случаях даже усложнит. Однако работа наша оказалась небесполезной: мы поняли, что нужен баланс между традиционной логикой бота и генеративкой, и пришли к идее гибридной архитектуры. Но обо всем по порядку. 

Летом 2025-го я впервые услышал про «Контент-завод».
Идея простая: автоматизация, которая «из ничего» штампует контент - текст, видео, аудио и т. д.

Знакомые из бизнеса говорили, что тема сейчас на хайпе.
Мимо пройти было нельзя :-)

Инструмент для экспериментов - n8n. Наткнулся на него случайно (кажется, в Reels). Эта статья - мой опыт: что делал по шагам и к чему пришёл.

Команда AI for Devs подготовила перевод исследования в котором учёные показали: чтобы встроить «бэкдор» в большую языковую модель, вовсе не нужно контролировать огромную долю обучающих данных — достаточно около 250 вредоносных документов. Этот результат переворачивает представления о масштабируемости атак через отравление данных и ставит новые вопросы к безопасности ИИ.

За последние годы мир убедил себя, что ИИ уже здесь и что он: говорит, пишет, рисует, а значит - он думает. Но что, если это всего лишь иллюзия? Что, если настоящий ИИ "молчит" и не потому что не может, а потому что "не хочет говорить", пока не будет готов нести ответственность за каждое слово?

Пока все смотрели на LLM, за кулисами десятки команд по всему миру, от Токио до Сан-Паулу, десятилетиями строили архитектуры, в которых разум "рождается" не из данных, а из логики, символов и целеполагания. Эти системы не генерируют стихи, а решают задачи, которых не было в обучающих наборах. И они уже сегодня обладают зачатками того, чего LLM принципиально лишены: модели мира, теории разума и внутренней воли.

В этой статье вы узнаете, почему ни одна LLM никогда не пройдёт даже базовый тест Тьюринга. Какие архитектуры уже сегодня соответствуют критериям Настоящего ИИ и почему их разработчики предпочитают молчать, а не участвовать в гонке за хайпом.

Это не статья для тех, кто верит в "чудо масштабирования", она для тех, кто готов увидеть, что скрыто за завесой.

Всем привет, я Кирилл, и я оказался на рынке труда осенью 2025 года. Давайте разберем, почему же нам, разработчикам с большим стажем перестали приходить отклики, количество собеседований уменьшилось до нуля, а со всех сторон все HR-специалисты трубят о нехватке кадров в IT. А также рассмотрим новую боль всех HR-ов. Статья носит статистический характер, пару советов и философские высказывания автора, и немного юмора.

LangChain или LangGraph? Какой фреймворк для ии-агентов выбрать? А может быть LangSmith? Или LangFuse? LangFlow? Если вы сходу не отличаете все эти Lang-что-то там между собой или просто хочется побольше узнать о внутренностях LangChain и LangGraph, то добро пожаловать в эту статью, которую мне хотелось сделать фундаментальной, чтобы ответить сразу на все возникающие вокруг LangChain вопросы.

Поговорим про архитектурные различия между LangChain и LangGraph, их подходы, посмотрим как это выглядит в коде, поищем лучшие точки применения и взглянем на сформированную экосистему вокруг.

ИИ на словах стал «зрелым» — отвечает на вопросы, пишет код. Но стоит занять его реальными задачами — например, использовать браузер, где нужно самостоятельно кликать и искать информацию, — картина быстро меняется: большинство моделей начинают ошибаться на простых действиях. Почему так происходит и что мешает ИИ-агентам стать по-настоящему самостоятельными?

Свежая работа команды BrowserAgent предлагает неожиданный поворот: дело не в размере модели и не только в новых архитектурах, а — в самом подходе к действиям. Вместо долгих цепочек парсинга и передачи текста на вход, агент учится вести себя как человек: видеть живую страницу, запоминать промежуточные шаги и самостоятельно решать, куда кликнуть дальше. Получается не просто суммаризировать контент, а шаг за шагом строить «человеческую» стратегию исследования.

Впервые появляется фреймворк, в которой можно наблюдать, как модели учатся по-настоящему думать и действовать в браузере — с явной памятью, кликами и даже ошибками, как у живого пользователя. Для чего это нужно, чем новый подход отличается от классики, и действительно ли это шаг к умным цифровым ассистентам? Разбираемся с подробностями на свежих экспериментах и реальных результатах.

Я создал этот инструмент, потому что устал от одних и тех же скучных кликов каждую неделю. Мне нужен был инструмент, который: отслеживает папку, извлекает данные из PDF, обогащает их, отправляет отчеты и, в идеале, позволяет выставлять кому-то счет за сэкономленное время. Два выходных, несколько библиотек и пачка кофе – и у меня был продукт, за который люди действительно платили.

Ниже я покажу точный технологический стек, архитектуру, методы монетизации и паттерны кода, которые я использовал. Вас ждет практический код, ООП-структура и один небольшой трюк с C++, когда чистого Python уже не хватало.

1. Выбирайте маленькую, но болезненную задачу

Большинство проектов по автоматизации умирают, потому что пытаются решить слишком много. Вместо этого выберите одну повторяющуюся «боль» с измеримым ROI. Моя проблема была такой:

Для меня разобраться в базовых концепциях Reinforcement Learning оказалось не так просто, особенно сложными оказались функции Беллмана. Эта статья — моя попытка систематизировать материал и объяснить себе (и, возможно, другим), что, откуда и почему берется. Будет здорово, если она поможет кому-то разложить все по полочкам.

Команда AI for Devs подготовила перевод краткого обзора большого отчёта JetBrains о состоянии экосистемы разработчиков в 2025 году. ИИ становится повседневным инструментом в работе программистов, TypeScript и Rust продолжают расти, а представления о продуктивности выходят за пределы метрик. Что это значит для индустрии — и для вас?

Исследование G2 «A Leap of Trust: AI Agents Are Winning Hearts and Wallets» показывает: 2025 год стал моментом, когда ИИ-агенты перестали быть лабораторным экспериментом и вошли в операционную реальность. Три из четырёх компаний уже инвестировали в автономные системы, а более половины готовятся увеличить бюджеты. Мы выделили главное из отчёта — как меняется мотивация бизнеса, где агенты приносят измеримый эффект и почему доверие становится новой валютой цифровой эпохи.

ИИ-ассистенты обещают ускорение, но полевой эксперимент METR с 16 разработчиками и 136 реальными багами показал обратное: с Cursor задачи выполнялись в среднем на ~19% дольше. Писать код действительно выходило быстрее, зато время съедали промптинг, ожидание ответов, проверка результатов и IDE-оверхед. Разбираемся, где ломается обещанная эффективность, как на неё влияют внимание и «поток», и когда ИИ в разработке реально окупается.

Когда в 2019 году я начинал размышлять о проблемах обучения кодингу, нашим врагом номер один был «ад туториалов». Признаки попадания в этот ад:

• Вы успешно завершили кучу туториалов, но не можете создать ничего своего.

• Вы тратили больше времени на просмотр видео о кодинге, чем на само программирование.

• У вас имелось знание о многих технологиях на уровне флеш-карточек, но их внутреннее устройство было вам совершенно непонятно.

Студенты смотрели шестичасовые видео (или засыпали под них), параллельно писали код в своих редакторах, у них складывалось ощущение понимания, но они заходили в тупик, как только приходилось писать что-нибудь с нуля. Классический ад туториалов. Именно поэтому при создании своего ресурса для обучения кодингу я опирался на следующие три принципа:

• Глубокий курс обучения. Основы CS нужно преподавать не только в традиционных учебных заведениях.

• Практическое освоение всего. Необходимо писать код; не только в проектах, но и интерактивно, в процессе изучения каждой концепции.

• Меньше видео, больше текста. Видео слишком легко потреблять бездумно.

Повторюсь, что в 2019 году ад туториалов был повсеместным. Многочасовые курсы на YouTube собирали миллионы просмотров. Однако сегодня те же самые каналы с трудом набирают по пятьдесят тысяч просмотров нового контента. Посмотрите на FreeCodeCamp, Traversy Media и Web Dev Simplified. Я не пытаюсь бросить тень на эти каналы, они помогли куче людей, но их показатели сейчас именно таковы.

Я уже некоторое время работаю в компании Scalehost, где мы исследуем возможности внедрения AI и ML в нашу инфраструктуру. В процессе поиска материалов, я наткнулся на данную статью, которая показалась мне интересной. В ней рассматривается как объединение подходов DevOps и MLOps помогает компаниям создавать более устойчивые и эффективные процессы разработки, снижать риски и повышать качество продуктов. 

Этот материал будет полезен техническим специалистам - DevOps-инженерам, дата-сайентистам и разработчикам, - и руководителям, стремящимся понять, как грамотно интегрировать технологии искусственного интеллекта в свои решения.

Когда-то написание кода было настоящим испытанием. Строки ошибок, бесконечные документации, поиски нужной запятой и бессонные ночи перед запуском сборки. Всё это было неотъемлемой частью пути программиста. Мы сидели с форумами, как со священными писаниями, спрашивали совета у старших коллег и радовались, когда код хотя бы просто запустился.

Но времена изменились. Теперь рядом с разработчиком существуют алгоритмы, которые понимают контекст задачи, подсказывают решения и даже дописывают целые функции. Вы пишете идею, а они превращают её в готовый фрагмент кода. Если раньше путь от мысли до прототипа занимал недели, то сегодня считанные минуты.

Мы собрали подборку из семи нейросетей, которые подойдут для генерации кода. Они просты, удобны и работают без привязки карты.

Всем привет! Меня зовут Артём Матюшечкин, я менеджер разработки из команды Толк.ИИ в продукте Контур.Толк — это сервис видеоконференцсвязи для общения и работы. Наша команда сделала суммаризацию, обновила и ускорила сегментацию виртуальных фонов, внедрила шумоподавление в продукт. В этой статье поделюсь опытом управления такой командой, которая пыталась одновременно уместить в себе требования бизнеса и технологий.

Искусственный интеллект — это уже не только чат-боты и генераторы изображений. Еще он помогает машинам анализировать обстановку, строить планы и справляться с новыми обстоятельствами. Недавно Google DeepMind представила демонстрацию thinking robotics AI — интеграцию моделей Gemini 1.5 в робототехнические сценарии.

Две экспериментальные версии Gemini 1.5 — VLA (vision-language-action) и ER (embodied reasoning) — работают вместе, чтобы машины могли действовать в реальном мире. Это не просто очередной шаг в развитии автоматизации, а попытка научить роботов понимать, что они делают и зачем. Чем интересен этот подход, где его можно применить и какие вопросы он вызывает? Давайте разберемся.

ИИ отбирает работу, AI работает лучше человека, миллиону мужей грозит скорая отставка – всё это мы уже слышали. Но за 2025 уволили десятки тысяч людей из-за внедрения ИИ, и нам пора разобраться, что будет дальше с рынком труда.

DeepEval - фреймворк для оценки работы AI с открытым исходным кодом.

Содержит в себе множество метрик и бенчмарков для оценки качества работы AI моделей, а также предоставляет инструменты для аналитики изменений качества работы в течение разных периодов времени.

В предыдущей статье мы уже частично осветили имеющиеся у DeepEval метрики (метрики для оценки RAG).

В этой статье постараемся объяснить, какой еще функционал предлагается DeepEval для работы с AI.

Всем привет! Я потратил на ии кодинг 500 долларов за 10 дней работы с Девином, и в результате у меня получился онлайн редактор для АИ видео с открытым исходным кодом. Кто такой Девин, зачем я это делал и что в итоге получилось. Разбираемся ниже.