Команда AI for Devs подготовила перевод анонса GPT-5-Codex — новой модели, оптимизированной для агентного программирования. Codex умеет писать проекты с нуля, проводить код-ревью, находить критические баги и даже часами самостоятельно выполнять масштабные рефакторинги.
Цель данной статьи — рассказать, что даже без опыта разработки можно быстро и фактически бесплатно погрузиться в мир AI-агентов и начать их внедрять в свои процессы.
Сейчас задачи внедрения GenAI стали актуальными для множества организаций. В одном из проектов по созданию приложения на базе AI-сервисов было потрачено немало времени на формализацию и постановку задачи разработчикам, а потом еще много времени на последующую разработку прототипа.
Стремясь сократить время от идеи до рабочего прототипа, я стал искать no-code решение, которое позволит мне самостоятельно, без привлечения разработки, создавать не только AI – агентов, но и подключать различные инструменты к AI-агентам, а также организовывать взаимодействие между AI-агентами.
Попросили Deepseek проанализировать наш проект о разработке системы автоматизированной проверки цифровых информационных моделей (ЦИМ) в строительстве. Недавно мы рассказывали о пилоте с ее применением. В итоге получили подробное ревью, с примерами похожих проектов из мировой практики и с выводом об уникальности нашей разработки!
«Прямых аналогов с точно такой же глубиной проработки и комплексностью подхода, ориентированного на российский рынок, нет» — утверждает нейросеть.
Привет, Хабр! Меня зовут Иван Самсонов, я CPO of AI в MWS, где делаю так, чтобы все эти модные технологии не просто красиво звучали на митапах, а реально работали в операционке. Сейчас уже никого не нужно убеждать, что AI «пришел» и его пора интегрировать в любой подходящий утюг. Фокус сместился: я все меньше убеждаю топов в необходимости ML, и больше — мидл-менеджмент и инженеров. И доказываю им, что нужно изучать работу нейронных сетей и пристально следить за их развитием. Для этого у меня есть очень весомый довод — на горизонте 5–7 лет огромный пласт технических задач уйдет людям, умеющим грамотно формулировать запрос. В этом материале я расскажу, как это может произойти и кому уже надо задуматься о будущем с ИИ.
Продолжаем анализировать паттерны проектирования промтов агентов из репозитория https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools и после разбора XML-тегов в первой части переходим к следующему ключевому элементу.
Сегодня невозможно игнорировать тот факт, что AI-ассистенты, такие как ChatGPT, GitHub Copilot или Gemini, стали частью рабочего процесса. Но использовать их бездумно — значит обесценить собственное обучение и будущие карьерные перспективы.
Меня зовут Дмитрий Махортов, я специалист по машинному обучению и ревьюер на курсе «Специалист по Data Science» в Яндекс Практикуме. Эта статья — руководство о том, как сделать AI вашим главным союзником в обучении, а не тем, кто учится вместо вас. Советы подойдут студентам, изучающим Data Science.
Допустим существует площадка, где некими специалистами выполняются конкретные операции и вам как руководителю данного процесса хочется оптимизировать расходы. Для помощи в подобных вопросах создана информационная система $metr (Сметр), которая основывается на трех вещах:
Задали вопрос — получили ответ прямо в ChatGPT, а сайт-первоисточник так и не открыли. Это феномен «нулевого клика». Интернет превращается в высокоуровневый API, а мы — в его пользователей.
И как любая новая абстракция в технологиях, этот сдвиг открывает не только удобство, но и «утечки», а бизнес теряет деньги и клики.
Блокчейн и искусственный интеллект (AI) — две технологии, которые меняют мир, и их пути всё чаще пересекаются. Одним из результатов этого слияния стали AI-токены — цифровые активы, созданные для поддержки децентрализованных платформ, где можно заниматься вычислениями для AI, обмениваться данными и разворачивать модели.
Я рад приветствовать вас, уважаемые читатели!
В этой небольшой заметке мне хотелось бы поделиться с вами некоторыми идеями о возможной интерпретации квантовой механики. Поразмыслить над такими вопросами как наличие направленности времени, трудной проблемы сознания и энтропии.
Я намеренно выбрал определенный стиль изложения, в котором point-of-view связан с моим "Я", чтобы постараться найти объяснение самому парадоксу процесса рождения мысли.
Эта заметка будет развиваться по мере развития концепции, и, возможно, однажды станет серией статей или перерастет во что-то большее.
Приятного и неспешного, вдумчивого чтения.
Лето 2025 года стало переломным моментом в истории разработки софта: на смену «вайбкодингу» приходит агентное роевое программирование, способное за часы создавать то, что раньше занимало у команд недели. ИИ-агенты больше не играют роль экспериментального инструмента — они превращаются в полноценные команды разработчиков, способные проектировать, тестировать, защищать и запускать приложения в продакшен, меняя саму суть профессии программиста.
Подробнее о том, как почему «вайбкодинг» уступил место агентному роевому программированию в колонке основателя издания Venture Beat Мэтта Маршалла.
Prompt Engineering все еще остается ключевым элементом в разработке приложений на базе LLM. По мере того как индустрия движется от экспериментов к созданию продуктов, возникает потребность в лучших практиках и проверенных паттернах, а чтобы находить их, лучшим методом является постоянный анализ существующих топовых решений.
Каждый год программный комитет FrontendConf начинает работу над программой не с гипотез, а с фактов. Для этого мы проводим глубокое исследование отрасли, чтобы понять, какие темы действительно волнуют фронтенд-разработчиков. Всё начинается с кастдевов — интервью с компаниями о текущих болях и потребностях. В этом году удалось собрать порядка 300 мнений — этого достаточно, чтобы увидеть устойчивые тренды. Так мы собрали целостную карту интересов сообщества, которая и легла в основу программы FrontendConf 2025. В статье рассказываем, как она устроена и почему именно эти темы вы увидите на сцене.
Наш мозг всё время пытается угадать следующее слово, почти как современные большие языковые модели. Это не просто метафора: недавнее исследование показало, что предсказания ИИ удивительно совпадают с тем, что происходит в мозге человека во время восприятия речи. Учёные выяснили, что чем точнее ожидание слова, тем меньше усилий требуется мозгу для его обработки, и наоборот. Чтобы доказать это, они посадили добровольцев в томограф, включили им аудиокнигу и сопоставили электрическую активность мозга с оценками предсказуемости из модели. Разберёмся, как именно проходил эксперимент и что эти результаты могут значить для будущего нейротехнологий.
Футбол больше не сводится лишь к интуиции и традициям. Теперь это соревнование за то, кто сможет эффективнее использовать данные. От продуманной трансферной стратегии «Брайтона» до работы Луиша Кампуша в ПСЖ — клубы всё активнее обращаются к продвинутой аналитике, чтобы опередить соперников. Это означает использование инструментов на базе искусственного интеллекта, машинного обучения и футбольных данных для более раннего поиска талантов, снижения рисков при трансферах и получения конкурентных преимуществ.
Привет! Меня зовут Роман Ляшенко, и я лид команды RPA в Эксплуатации ИТ ПАО «Ростелеком».
От автоматизации к гиперавтоматизации
Абсолютно любой бизнес рано или поздно испытывает потребность в улучшении корпоративных процессов и повышении операционной эффективности. Оптимизация: как усовершенствовать качество и скорость работы, не привлекая дополнительных ресурсов? Этот вопрос постоянно волнует как крупные корпорации, так и представителей средних и малых структур. Способов его решения огромное количество. Выбирая среди множества, «Ростелеком» пошел путем развития RPA-процессов.
RPA (Robotic Process Automation) – те самые технологии, которые используют программных роботов, позволяющих автоматизировать повторяющиеся/ рутинные задачи в бизнесе. Это направление стремительно развивается из некогда «местечковых» решений до комплексных стратегий гиперавтоматизации.
Впервые ЭВМ были использованы в бизнес-процессах в пятидесятые годы (UNIVAC, IBM 702). В те времена компьютеры выполняли простые задачи в бухгалтерии, складском учёте, статистике. Сегодня же речь идет о сквозном подходе, который направлен на создание взаимосвязанной экосистемы автоматизированных процессов, включая внедрение ИИ-инструментов.
Больше, чем стандартные решения
Настройка прямых интеграций между системами — это долгая и дорогостоящая история, требующая дополнительных затрат на аналитику и разработку. В особенности это касается тяжеловесных legacy-систем, где доработка особенно трудоемка и болезненна, – иногда нет нужных специалистов, а переход на новые методики требует еще больших бюджетов и перестройки всех процессов.
С момента запуска ChatGPT в конце 2022 года капитализация американского фондового рынка выросла на $21 трлн. По данным The Economist, более половины этого роста ($11.55 трлн) приходится всего на десять технологических гигантов, включая Amazon, Broadcom, Meta и, конечно, Nvidia.
Этот инвестиционный бум стал ключевым драйвером американской экономики. В первой половине 2025 года он обеспечил весь рост ВВП США. В то же время треть всех венчурных инвестиций на Западе направляется в ИИ-стартапы. Эта активность объясняется убеждением, что ИИ кардинально изменит экономику. Инвесторы из Sequoia Capital считают, что революция ИИ превзойдёт по масштабу даже промышленную революцию, а некоторые, как Гэвин Бейкер из Atreides Management, и вовсе говорят о гонке за создание «цифрового бога».
Команда AI for Devs подготовила перевод статьи о том, как AI-ассистенты для написания кода одновременно ускоряют разработку и умножают риски. Исследование Apiiro показало: 4-кратный рост скорости сопровождается 10-кратным ростом уязвимостей. Вопрос открытый — готовы ли компании масштабировать не только продуктивность, но и риски?
N8n сейчас у всех на слуху. Подростки создают рабочие процессы, которые автоматизируют целые отделы, а затем продают их за тысячи долларов в Twitter. Менеджеры, которые никогда не писали ни строчки кода, за ночь автоматизируют рабочие процессы всего своего отдела.
Звучит слишком хорошо, чтобы быть правдой?
В ★5УГЛОВ мы часто работаем с языковыми моделями — как облачными, так и локальными. И если про онлайн‑сервисы знают все, то локальные LLM до сих пор остаются недооцененным инструментом. Я решил поделиться личным опытом: какие модели можно запускать прямо на ПК, чем они полезны и зачем их вообще использовать в реальных проектах.
Большие языковые модели (Large Language Model, LLM) уже давно не являются громоздкими программными продуктами, закрытыми от пользовательских доработок и требующими огромных вычислительных мощностей. Многие ИИ можно скачать и запустить на обычном компьютере без интернета. Популярны так называемые «дистиллированные» модели — сжатые версии основных нейросетей, имеющие меньше параметров. Они требуют меньше ресурсов и могут работать даже на не самых мощных настольных ПК или ноутбуках. За последнее время локальные ИИ заметно улучшились: они стали быстрее, стабильнее и качественнее. Если раньше многие из них стремились отвечать по‑китайски (если явно не указать язык), то сегодня выбор значительно шире и работать с ними удобнее. Попробуем оценить самые популярные на разных задачах и выбрать лучшую.
