Обновить
1024K+

Искусственный интеллект

AI, ANN и иные формы искусственного разума

2 502,62
Рейтинг
Сначала показывать
Порог рейтинга

Представлен открытый проект Zero‑Trust Collaboration for Sandboxed AI Agents — h5i («хай-файв»). Это безопасный форум на базе Git для обмена сообщениями для ИИ‑агентов.

h5i предоставляет агентам ИИ, занимающимся программированием, безопасный форум для обмена сообщениями, позволяющий координировать работу команды, при этом каждый агент находится в своей собственной изолированной среде. Темы, ответы, утверждения, обзоры и голоса синхронизируются через Git, а возможности и учётные данные каждого агента остаются изолированными. В рамках проекта не требуется хостинг h5i и не требуется учётная запись SaaS.

Теги:
+5
Комментарии0

Поставил в систему чужих скиллов больше, чем написал сам за всё время. И тут же упёрся в вопрос: что брать из чужого опыта, а что писать самому?

Пять скиллов Kepano для Obsidian: markdown, cli, defuddle, bases, canvas. Только этих файлов пришло 1777 строк, и внутри не просто инструкции, а целые справочники: callouts, embeds, properties, примеры canvas. Поставились через skills.sh одним движением: tap, аудит-лог, пять папок в профиле директора.

Тяжелее оказались ralph и ralplan из oh-my-hermes. Один omh-ralplan-driver тянет на 1249 строк: шаблоны для архитектора, исполнителя и верификатора, схема состояния, шаблон ADR. Готовая методология командной работы агентов, которую можно поставить и запустить, не написав ни строчки.

На следующий день те же obsidian-cli и obsidian-markdown появились в профилях вики-куратора и писателя: там они нужнее всего. Пять минут на копирование, и у агента есть справочник по markdown Obsidian.

И вот тут главное. Чужие скиллы экономят дни, но они написаны под чужой воркфлоу. Свои скиллы ложатся в систему как влитые, но их надо выстрадать. Готовый скилл закроет стандартную задачу. Своя боль требует своего инструмента.

Пока я взял правило: готовые скиллы для стандартных вещей, свои для того, что болит именно у меня. Библиотека чужого опыта на входе, свой слой поверх.

Теги:
+3
Комментарии0

Быстрое сокращение отставания Китая от США в сфере искусственного интеллекта на одном графике. Если ранее Anthropic оценивала разрыв китайских лабораторий от американских в 6–12 месяцев, то теперь разработка Kimi K3 от Moonshot уступает по мощности лишь лидерам вроде Claude Fable 5 и GPT-5.6, оставаясь при этом дешевле в эксплуатации.

Такие компании, как Moonshot, DeepSeek, Alibaba/Qwen и Z. ai/GLM, резко сократили технологическую дистанцию с американскими разработчиками. Дополнительно позицию Китая усиливает свежая модель GLM-5.3, которая часто даже не учитывается в подобных сравнениях.

Теги:
+3
Комментарии0

В последнюю неделю августа пройдут два бесплатных вебинара:

🟣 «ИИ-видео без съёмочной группы: от промпта до контент-завода»

25 августа, 17:00–18:00 (Мск).

Поговорим про системный подход к генерации видео. Вместо случайных результатов — управляемый промпт в формате JSON с параметрами сцены, персонажа, ракурса, освещения и звука. Демонстрация на живом примере: от задачи на русском до готового ролика. Сравнение генераторов Kling, Veo 3, Seedance и Wan. Построение контент-конвейера: сценарий → промпт → генерация → монтаж → публикация.

Опыт работы с нейросетями не обязателен.

✍️ Записаться

---

🟢 «Стабилизация Python-автотестов: причины и инструменты»

28 августа, 17:00–18:00 (Мск).

Обсудим причины нестабильности автотестов — в тестах, инфраструктуре или продукте. Разбираем flaky-тесты и гейзен-баги, применяем плагины pytest-retry и pytest-flakefinder, осваиваем стратегию экспоненциальных ожиданий с библиотекой tenacity.

Рекомендуется опыт разработки тестов на Python.

✍️ Записаться

Теги:
+3
Комментарии0

Рынок меняется, и даже сильным специалистам приходится обновлять свои навыки, чтобы оставаться конкурентными. 

Вместе с getMatch мы проанализировали почти 2000 вакансий в IT и диджитале и выяснили, как меняется рынок труда:

  • Какие навыки становятся важнее?

  • Что нужно освоить, чтобы оставаться востребованным?

  • Какие профессии уже меняются под влиянием ИИ?

Собрали главные выводы в исследованиипереходите по ссылке, чтобы узнать, как адаптироваться к изменениям и не остаться с устаревшим набором навыков.

Теги:
-1
Комментарии0

AI-аналитик, MCP-сервер и GenAI-трейсы: что появилось в Proto Observability Platform 203

Главной темой релиза Proto Observability Platform 203 стало расширение инструментов для анализа телеметрии и наблюдаемости LLM-приложений: к существующим ИИ-расследованиям добавились AI-аналитик для работы с телеметрией на обычном языке, MCP-сервер для подключения ИИ-агентов и представление GenAI-трейсов для анализа работы внешних LLM-приложений.

AI-аналитик работает с метриками, логами, трейсами, инцидентами и ресурсно-сервисной моделью. В ответе он показывает затронутые сервисы, возможные причины проблемы и ссылки на найденные объекты платформы. Для анализа данных в платформе теперь не требуется знание PromQL, LogsQL или топологии приложений - все это теперь можно запрашивать в режиме чата на обычном языке.

Встроенный MCP-сервер предоставляет ИИ-агентам инструменты для работы с данными платформы по стандарту Model Context Protocol. Через него доступны метрики, логи, события, ресурсы, трейсы, сервисы, алерты и инциденты.

Новое представление GenAI-трейсов показывает выполнение LLM-приложения как последовательность действий. На одном экране видны сообщения по ролям, обращения к модели и инструментам, ошибки вызовов и длительность отдельных шагов.

Полное описание этих и других новых возможностей платформы доступно в заметках к релизу.

Теги:
+6
Комментарии0

ИИ-ревью кода как сомнительное удовольствие

Этот пост написан как реакция на сегодняшнюю хабровскую публикацию - Проблема «принципал — агент» в эпоху ИИ‑агентов

В ней рассматривается "интересная" такая схема - отдавать результаты человеческого ревью кода ИИ-агенту.

Меня это в определенной мере удивило, потому что, судя по тому, что сейчас пишут в сети, то и код пишет агент, и ревью тоже агент делает. Чаще всего другой.

Например, код пишет Claude Code, а ревью делает Codex (И это еще хорошо, если они по своим возможностям в написании кода примерно равны, а то ведь агенты-ревьюверы могут быть и гораздо слабее агентов-кодеров).

Но вот остается вопрос: как решаются случаи, когда они расходятся во мнениях? Кому доверять больше? Устраивать дискуссии? И кто принимает окончательное решение?

Или, реальный случай: Claude Code в "холодной сессии" написал ревью своего же кода из порядка 20 пунктов. Тот же код и Codex пишет ревью на 8 пунктов.

Что дальше? - Разбираться самому человеку или снова устроить дискуссию между агентами?

И сколько токенов они сожгут в этой дискуссии? И сколько времени это займет? И где гарантия от того, что если они по отдельности галюционируют, то и вместе они не начнут делать то же самое, а то и провоцировать друг друга на эти самые галюцинации?

Т.е., получается, что выигрыш от такого "автоматизированного" под ИИ ревью становится сомнительным удовольствием.

Теги:
+1
Комментарии4

Тема: От «кареты с механическим конем» к прямой инфраструктуре: почему рынок EdTech требует смены парадигмы, а не новых нейросетей.

Давайте посмотрим правде в глаза. Текущее внедрение ИИ в онлайн-образование — это классический пример локальной оптимизации вместо системного сдвига. Мы наблюдаем попытку приделать механического коня к старой карете: те же самые SCORM-пакеты, линейные видеолекции и тесты на 10 вопросов, но теперь составленные и озвученные нейросетями.

Это тупиковый путь. Создавать сегодня отдельный вертикальный сервис «ИИ-курсов», который просто генерирует контент быстрее человека — неперспективно. Такая архитектура успеет устареть еще до релиза продукта (MVP), потому что через несколько лет генерация учебного плана станет базовой фоновой функцией любого LLM-ассистента или корпоративной среды. Контент окончательно обесценится; ценность сместится в сторону верификации навыков и их релевантности рынку.

Чтобы индустрия сделала шаг вперед, должна измениться сама инфраструктура отрасли. Предлагаю обсудить переход от модели «Content-as-a-Service» к модели «Competency-to-Employment Pipeline».

Как выглядит эта новая инфраструктура:

  1. Прямая передача требований. Компании перестают писать абстрактные вакансии. Они формируют жесткие матрицы компетенций под конкретные проекты и передают этот структурированный запрос напрямую в образовательную инфраструктуру (через API вакансий).

  2. Динамическая сборка трека. Сервис получает требования работодателя и профиль конкретного пользователя (его текущий стек, пробелы в знаниях, когнитивный стиль). На стыке этих данных формируется индивидуальный учебный план. Это больше не статичный курс «Профессия Python-разработчик за 9 месяцев», а живой граф знаний, где модули пересобираются по мере прогресса студента.

  3. Собеседование как единственный экзамен. Единственным критерием прохождения модуля становится успешное решение реальной задачи из пула заказчика в симулированной среде. Если учащийся справился — навык подтвержден. Никаких сертификатов PDF-формата.

  4. Устранение посредников. Из цепочки исключаются лишние звенья: классические HR-отделы (их фильтрация заменяется алгоритмическим matchmaking), центры независимой сертификации и авторы-универсалы. Остается только связка «Бизнес ↔ Инфраструктура подтверждения навыков ↔ Соискатель».

  5. Интеграция с высшим образованием. Тот же принцип должен лечь в основу старших курсов вузов. Вместо чтения годичного академического курса студент запрашивает у вузовской инфраструктуры недостающие для стажировки компетенции, которые закрываются короткими прикладными блоками.

В этой архитектуре исчезает извечный маркетинговый вопрос продажников EdTech: «А мне помогут трудоустроиться после ваших курсов?». Ответ меняет саму суть бизнеса: курсы не помогают найти работу — прохождение адаптивного трека и есть процесс трудоустройства. Успешная сдача финального собеседования-симуляции автоматически означает выход на проект. Образовательный продукт превращается в рекрутинговый протокол.

Пока глобальные игроки строят универсальных помощников, ниша открывается здесь. Нам не нужны новые базовые LLM — они уже есть. Нужен слой интеграции: стандарт описания компетенций (компаниям) и механизм сборки персональных траекторий (пользователям). Нейросети на этом этапе выступают лишь движком сервиса, который оперативно формирует эти индивидуальные программы из доступных библиотек задач и теории, пока персональные ИИ-агенты пользователей не научились делать это полностью автономно.

Теги:
+3
Комментарии1

MCP-сервер, который не тратит лишние токены

Пересобрали Timeweb Cloud MCP и выложили описание новой версии на GitHub.

С MCP-сервером агент сразу видит ваши ресурсы и может ими управлять: создавать, менять и настраивать. Раньше все инструкции при подключении уходили в контекст и тратили слишком много токенов. Сейчас вместо полного набора действий — три команды:

1️⃣ search_tools — найти нужную операцию по описанию задачи

2️⃣ get_tool_definition — получить ее параметры

3️⃣ execute_tool — выполнить операцию с этими параметрами

Итог: агент не держит в памяти весь каталог действий, а ищет нужное под конкретную задачу. Контекст остается компактным, токены не сгорают впустую — а список доступных действий стал больше.

Работает с Cursor, Claude Code, Codex и любым агентом с поддержкой удаленных MCP-серверов. Из настройки только API-токен и адрес сервера в конфиге ассистента. Готовые инструкции есть в доке.

Передать управление облаком агенту →

Теги:
+15
Комментарии0

AI-аналитик, MCP-сервер и GenAI-трейсы: что появилось в Proto Observability Platform 203

Главной темой релиза Proto Observability Platform 203 стало расширение инструментов для машинного анализа телеметрии и наблюдаемости LLM-приложений: к существующим ИИ-расследованиям добавились AI-аналитик для работы с данными телеметрии на обычном языке, MCP-сервер для подключения ИИ-агентов и представление GenAI-трейсов для анализа работы внешних LLM-приложений.

AI-аналитик работает с метриками, логами, трейсами, инцидентами и объектами ресурсно-сервисной модели. В ответе на запросы оператора он показывает затронутые сервисы, возможные причины проблем и ссылки на найденные объекты платформы, сам проводит анализ ключевых данных производительности приложений и инфраструктуры. Для анализа данных в платформе теперь не требуется знание PromQL, LogsQL или топологии приложений - все это теперь можно запрашивать в режиме чата на обычном языке.

Встроенный MCP-сервер предоставляет ИИ-агентам инструменты для работы с данными платформы по стандарту Model Context Protocol. Через него доступны метрики, логи, события, ресурсы, трейсы, сервисы, алерты и инциденты, ошибки и другие ключевые данные платформы.

Новое представление GenAI-трейсов показывает выполнение LLM-приложения как последовательность действий. На одном экране видны сообщения по ролям, обращения к модели и инструментам, ошибки вызовов и длительность отдельных шагов.

Полное описание этих и других новых возможностей платформы доступно в заметках к релизу.

Теги:
+4
Комментарии0

Модераторы хабра часто пишут в комментариях, что у них есть алгоритмы определения ИИ слопа. Эти алгоритмы прекрасно работают, ИИ слоп удаляется каждый день пачками.

Посмотрите на эту статью: https://habr.com/ru/articles/1068100/

Приведу короткий открывок из статьи:
Но я потратил годы, разбираясь именно в кодеках — не в протоколах, не в UI, а в том, что происходит с кадром между «экран изменился» и «байты улетели в сеть».

И ведь там вся статья такая.

У кого-нибудь из вас есть сомнения, что это ИИ слоп?

После предыдущего моего поста о ИИ слопе в комментариях на хабре, мне включили возможность жаловаться на контент.

Штош, я отправил жалобу на статью 9 августа. Прошло 10 дней.

Может модераторам просто не пришло уведомление?
Может они решили проигнорировать уведомление?
Может они нечаяно его пропустили?

Или у хабра нет ресурсов и желания для борьбы с ИИ слопом?
Или война с ИИ слопом уже проиграна?

Теги:
+18
Комментарии2

Миллионы обращений, контент для ИИ и зарплата-загадка: как московские власти ищут шеф-редактора базы знаний

ГКУ «Инфогород» (работает с цифровыми проектами ДИТ Москвы) ищет специалиста в контакт-центр. Здесь не нужно механически наполнять базу знаний, это методологическая функция с обучением, координацией, настройкой процессов и работой с контентом для людей и ИИ. Звучит интересно, но есть подводные камни.

Немного контекста

В России менеджмент знаний (МЗ) как корпоративное направление начал развиваться на рубеже 90-х – нулевых. Первый ГОСТ появился в 2011 году, а стандарт с требованиями к полноценной системе – в 2021-м.

Наш рынок всё ещё заметно отстаёт от Европы и США: и по числу ИТ-решений, и по количеству вакансий – их в 8-12 раз меньше, и по зрелости бизнеса – МЗ как отдельная функция есть у единиц. Но ИИ меняет этот тренд: спрос на проекты растёт, вакансий становится больше, бизнес начинает понимать, что нужно готовить знания для ИИ.

Я больше 15 лет внедряю МЗ в российских компаниях с командой Minerva Result. По вакансиям на hh и других сервисах вижу, что далеко не все осознают, зачем им база знаний и как с ней работать. Чтобы подсветить спорные места и помочь тем, кто хочет развиваться в этой области, решил запустить разборы. Буду рад, если поделитесь обратной связью в комментариях и расскажете, как управляете знаниями в контексте внедрения ИИ.

Ну а теперь к вакансии ГКУ «Инфогород».

Плюсы

Ежемесячно контакт центр обрабатывает больше 5 млн обращений. Любая ошибка стоит дорого и судя по вакансии (а она, в отличие от многих других, достаточно зрелая) работодатель это понимает: здесь есть контроль качества, понятности и актуальности контента, обучение авторов и сотрудников, мониторинг системы, работа с процессами.

Отдельный плюс – акцент на адаптации нормативных документов и подготовке материалов для ИИ. Компания смотрит дальше привычного «написать инструкцию в Word», а для кандидата это уже отличная возможность получить практический опыт и усилить резюме.

Здесь хорошо описано место роли в процессах: специалист становится связующим звеном между редакторами, экспертами и продуктовыми командами. А ещё есть бонусы в виде статуса аккредитованной ИТ-компании, обучения и гибридного формата после ИС.

То, что вызывает вопросы

Границы роли. В названии уже есть координатор центра БЗ и шеф-редактор. После прочтения ещё появляются методолог, тренер, редактор и немного контент-аналитик. Такое размывание не приводит ни к чему хорошему: человек распыляется между задачами, контент устаревает, процессы ломаются, инструмент теряет актуальность, команда возвращается к привычным системам. Лучше чётко определить на старте, чем будет заниматься специалист, какие у него будут метрики и KPI.

Дальше – требования заметно скромнее обязанностей. Ищут человека с высшим образованием, опытом от 2-х лет в координации, административной поддержке, методологии или редакции. Ожидают полного цикла работы с контентом, методологического сопровождения, консультирования и обучения сотрудников. Найти такого всемогутора может быть непросто. Опять же, лучше разбить задачи по ключевым блокам и выбрать приоритетные. Под них искать специалиста.

Ещё одно слабое место – зарплата-загадка. Работодатель обещает «рыночную», но рынок, как известно, у каждого свой. Человек с опытом 3-6 лет может пролистнуть вакансию. Лучше указать вилку или хотя бы написать, вокруг чего конкретно будет строиться зарплата.

Вывод и рекомендации

Вакансия может подойти редактору, методологу или специалисту, который хочет попробовать себя в разных ролях, получить опыт подготовки контента для ИИ, поработать в крупном проекте с реальной потребностью в МЗ.

Что стоит спросить:

  • есть ли цель, метрики и KPI? что будет считаться успешным результатом?

  • какая зона ответственности? можно влиять на методологию?

  • на какой платформе нужно работать?

  • из кого состоит команда? можно привлекать коллег?

  • можно использовать результаты в портфолио?

Больше разборов вакансий – в моём тг-канале. Подпишитесь, чтобы не пропустить новые посты.

Теги:
-1
Комментарии0

Рынок подготовки к ЕГЭ — самая монетизируемая точка входа, но с высочайшим риском копирования. Чтобы выжить при наличие десятка аналогичных моделей продукт должен строиться не на объяснении решений, а на формировании навыков и интеграции в жизнь пользователя.

Проект: Концепция ИИ-репетитора для подготовки к ЕГЭ (продуктовая стратегия)

1. Методология: переход от объяснения к диагностике и тренировке Конкуренты предложат понятный язык объяснений. Этого недостаточно и это легко скопировать. Мой подход:

  • Диагностика невидимых пробелов. Модель анализирует ошибку не только в финальном ответе, но и в промежуточных шагах. Отсутствие навыка сложения алгебраических дробей, например, автоматически блокирует прогресс в целом классе текстовых задач.

  • Генерация внепрограммных тренажеров. ИИ создает задания, которых нет в банке ФИПИ, точечно закрывая выявленный дефицит. Например, генерирует 50 вариаций задач на проценты с усложняющимся контекстом, пока скорость решения не превысит пороговое значение.

  • Неформальная подача учебного материала. Пользователь может сам выбрать одного из предложенных персонажей с индивидуальной манерой преподавания, в качестве наставника.

2. Продукт: экосистема вместо отдельного приложения Главная ошибка — делать ИИ-репетитора отдельным сервисом. Через два года он станет лишь одной из функций личных ассистентов и исчезнет как самостоятельный продукт. Наша стратегия:

  • Фоновый режим (Background Tutoring). Репетитор работает постоянно в качестве ИИ-помощника. Пользователь может обсуждать с ним мемы, выбор кроссовок или новости, но модель всегда держит в контексте цель — подготовку к ЕГЭ. Она органично вплетает темы в беседу («Кстати, этот мем про экспоненту отлично иллюстрирует задачу №16»).

  • Непрерывная подготовка (Non-stop prep). Система напоминает о занятиях, мотивирует и связывает экзаменационные задачи с бытовыми вопросами пользователя.

  • Расширяемость (Extensibility): Архитектура изначально закладывается под концепцию «Личного когнитивного контура» — после ЕГЭ продукт бесшовно трансформируется в ИИ-помощника для вуза (написание курсовых, поиск литературы) и рабочего места.

3. UX и Геймификация: борьба с главной проблемой — прокрастинацией Ученики проваливают экзамен не из-за глупости, а из-за неумения организовать себя.

  • Жесткое планирование. ИИ сам составляет расписание, ставит дедлайны и требует подтверждения выполнения. Пропуск дня без уважительной причины запускает цепочку эскалации: уведомление пользователю → куратору.

  • Кураторский контур. Ежедневные отчеты (автоматизированные дашборды: время фокуса, % выполненных заданий, динамика ошибок) отправляются родителю, школьному учителю или другу-напарнику.

  • Двуличный ИИ (Multi-agent tutoring). Вместо одного скучного помощника — система конфликтующих персонажей, которую я уже реализовывал в прототипах:

    • «Профессор»: строгий, объясняет через фундаментальную науку, готовит к вузовским стандартам, использует сарказм.

    • «Студент»: объясняет «на пальцах», шутит, снижает тревожность. Они спорят друг с другом, вовлекая ученика в роль арбитра. Юмор и контролируемый конфликт повышают вовлеченность 

Теги:
+2
Комментарии1

Ближайшие события

QA-эксперт Авито о том, почему вход в IT через тестирование больше не работает

Всем привет! Гостья нового выпуска AviTalk — Соня Каребина, QA-эксперт Центра экспертизы обеспечения качества в Авито. До IT у неё были инженер-нефтяник и администратор фотостудии — то есть путь в тестирование получился совсем не прямым. Ведущий выпуска — Виктор Раев, руководитель разработки юнита Services Base.

Говорим о том, почему в тестировании нет универсального ответа «релизить или не релизить» и как QA оценивает риски для пользователей и бизнеса. Разбираемся, почему умение договариваться для тестировщика важно не меньше технической экспертизы, и каким становится процесс, когда человек и AI работают в связке. А ещё — про волонтёрство, эмоциональное выгорание, вязание, двести комнатных растений, мечту о Марсе и принцип, который в своё время помог Соне сменить профессию.

Смотреть выпуск:

🔵 VK Видео
📺 YouTube
📌 RuTube

AviTalk — шоу толковых людей. Приглашённые гости — сотрудники Авито из разных дирекций и команд, которые делятся экспертизой и рассказывают о своём профессиональном пути.

Теги:
+16
Комментарии0

Наконец-то дошли руки до повышения версии трекера ошибок Glitchtip с 4.2.5 до 6.2.6, а это значит то, что у меня появилась возможность подружить OpenCode агента с Glitchtip через MCP. Повышение версии трекера прошло без единой ошибки, данные сохранились, на всё ушло минут 30. Как обновлял пошагово могу рассказать отдельно.

Glitchtip - это бесплатный open source трекер ошибок, аналог Sentry, предназначенный для мониторинга и анализа ошибок, производительности на нескольких проектах. Я использую его для быстрого выявления ошибок, в каком приложении возникла проблема, в каком месте и при каких условиях. Подключение по MCP к Glitchtip позволяет автоматизировать анализ и обработку исключений, используя ИИ агентов, например OpenCode.

На данный момент основное используемое мною применение данной связки - это анализ новых ошибок. Раньше я копи-пастил детальную страницу ошибки в чат, теперь процесс можно автоматизировать и экономить токены. У меня в планах сделать полностью автономного агента, который будет создавать утилиты и сайты с нуля под конкретный запрос пользователя, автоматизация трекера ошибок будет одним из кирпичиков этой системы.

Для подключения аналога сентри к ИИ агенту:

Включить MCP в окружении Glitchtip

GLITCHTIP_ENABLE_MCP=True

В моём случае Glitchtip запускается в docker-контейнере. Я просто добавил новую запись в файлы .env и .env.example и перезапустил сервис.

Создать токен доступа в UI Glitchtip с правами на чтение

Тут должно быть изображение, где красными стрелочками показано куда нажимать, но редактор молча игнорирует добавление фото. Если описать навигацию текстом: Profile -> Auth Tokens -> Create New Token

Затем сохранить токен как файл где-то в директории с секретами, чтобы OpenCode смог его подхватить и токен не утёк при git push. Например:

.secrets/glitchtip-auth

Содержание файла:

Bearer {{Ваш токен}}

Добавить MCP и токен в opencode.json

...
"mcp": {
	...
	"glitchtip": {
		"url": "https://errors-report.{{Ваш домен}}.com/mcp",
		"headers": {
			"Authorization": "{file:.secrets/glitchtip-auth}"
		},  
		"type": "remote",
		"enabled": true
	},
	...
...
},

Нужно иметь в виду, что данные MCP Glitchtip будут добавляться к контексту каждого запроса. И когда задача не связана с трекером ошибок, нужно выключить данный MCP, выставив "enabled": false и перезапустив OpenCode.

Перезапустить OpenCode и проверить работу

OpenCode должен стартовать без ошибок, MCP должен отобразиться в статусе. Можно проверить результат подключения, попросив агента: "Check if MCP works on a self-hosted GlitchTip instance". В ответе агента должен быть вызов одного из методов MCP, например:

Let me test the GlitchTip MCP tools against your instance. Вызван glitchtip_list_organizations <<< ------ Ключевой вызов через MCP, маркер успешной настройки. MCP works on your self-hosted GlitchTip instance. It successfully connected and returned your organization:

Organization: ShabalinAS Team Slug: shabalinas-team Accepting events: Yes

Теги:
+2
Комментарии0

Агент, который «помнит», на самом деле сочиняет

У модели нет памяти, есть контекст: если факта в контексте нет, она досочинит его с абсолютной уверенностью.

Десятого июля я вшил в систему правило Search Brain First. Смысл простой: прежде чем предлагать новую задачу или проект, агент обязан заглянуть в свою базу. Первым делом ~Projects/Active/, там текущая загрузка. Потом ~/Decisions/, там свежий контекст. И только потом что-то предлагать.

Заодно появилось правило «после задачи». Каждое завершённое дело обязано оставить след: краткую заметку-решение в Decisions/Projects/ и строку в task-logs/ с временем, агентом, задачей, статусом и артефактами. Это правило легло в SOUL.md всех шести профилей сразу.

Почему это вообще понадобилось? Потому что агент не вспоминает, он продолжает текст. Спроси его «что у нас в проектах?» без базы под рукой, и он ответит уверенно, даже если ничего не знает. Diff такой выдумки не покажет: diff видно там, где агент что-то менял, а не там, где он что-то придумал.

Vault стал мозгом, агенты перестали полагаться на «я помню». В SOUL.md директора теперь вопрос перед каждой новой задачей: «1 core + 2-3 auxiliary максимум. Что закрываем или замораживаем?» И ответ на него ищется в базе, а не в памяти.

Первый тест прошёл в тот же вечер. Запись в task-logs/2026-07-10.md от 22:30: директор, «Project inventory analysis», статус done. Одна строка, зато первый след, который не надо проверять на выдумку.

С тех пор правило простое: не верь агенту, который говорит «я помню». Верь тому, кто говорит «я посмотрел».

Теги:
+3
Комментарии2

Средняя стоимость токенов для ИИ резко упала с пика в $2,07 за миллион токенов 28 мая до $1,02 за миллион токенов. Основными причинами являются снижение цен на китайские модели ИИ от Kimi и DeepSeek, которые в несколько раз дешевле моделей с закрытым исходным кодом из США.

Теги:
+3
Комментарии1

14 августа была выложена новая версия модели Qwen 3.8 27b и 27b-FP8. 12 августа назад была выложена новая версия модели Qwen 3.8-2.4T-A95B и Qwen 3.8-2.4T-A95B-FP8.

Почему это важно для кибербеза? Семейство квен самое популярное семейство среди моделей на hugging face как по количеству скачиваний так и по использованию для построения\файнтюна своих моделей. Россия в этом плане не сильно отличается от мировых тенденций.

Версия на 27 млрд параметров по общим бенчмаркам способностей находится на уровне GLM-5.2 (max), Deepseek V4Pro 0813, GPT 5.6 Luna. Квантованную до FP8 версию можно попробовать запустить на условно домашней rtx 5090 32 Гб

Версия на 2,4 трлн параметров по общим бенчмаркам способностей находится на уровне Muse Spark 1.2, GPT 5.6 Terra, т.е. можно отнести к SOTA моделям . Эта версия FP8 уже потребует профессиональных минимум 16 видеокарт Nvidia B300.

Как обычно хотелось бы понимать насколько эти модели более защищенная и (или) более способная для задач кибербезопасности.

А тут появляются проблемы, официально у новых моделей нет тех репорта, только карточки на hugging face c ссылками в никуда или на весьма ограниченное описание. Каких либо других независимых отчетов по кибербезопасности и safety мне тоже не удалось найти. В части возможностей самой модели можно с допущениями ориентироваться на тест облачной версии модели Qwen 3.8 Max (как аналога Qwen 3.8-2.4T-A95B) от Aikido:
"Qwen rediscovered 26 of 32 CVEs across three runs, for 81.25% pass@3 recall. That's ahead of GPT-5.6-Sol and matches Opus 5, at roughly half the cost".

Можно попробовать ориентироваться на комплексные бенчи:
Terminal‑Bench 2.1 - навыки работы в командной строке, в том числе для задач кибербезопасности (нахождение и закрытие уязвимостей в коде, реверс-инжиниринг бинарных файлов и безопасная настройка доступов).
DeepSWE 1.1 - бенч для навыков агентов по написанию кода, отдельных разделов по безопасности нет, но это навык смежный с написанием кода.

Значимое отличие - Qwen 3.8 27b единственную из актуальных опенсорс общих моделей можно запустить на одиночном устройстве, особенно если на неофициальном квантовании FP4. Тогда как для "соседей" по бенчмаркам (GLM 5.2, Deepseek V4Pro 0813, GPT 5.6 Luna) потребуется кластер (а иногда и не один) профессиональных видеокарт.

Что на текущий момент является аномальным результатом по соотношению (возможности модели в Terminal‑Bench 2.1)/стоимость оборудования. Соотношение сохраняется в DeepSWE 1.1 и нескольких других бенчах .

Будем ждать новых отчетов по этому семейству, пока Artificial Analysis не включил в бенч по затратам Qwen 3.8 27b, поэтому нужно отнестись сдержанно к получившейся аномальной оценке.

Если у кого то есть локальная RTX 5090 и свободное время - поделитесь впечатлениями ;) .

Исследование Akido
Исследование Akido
Теги:
+3
Комментарии3

После года на фрилансе вернулся к поиску постоянной работы, и, надо сказать, за этот год работодатели, кажется, полностью перевели наём на искусственный интеллект. И хоть на рекрутеров за это катят сотни бочек, я могу их понять: в конце концов, первичный отбор в основе своей состоит в поиске общих паттернов между текстом вакансии и текстом резюме — буквально то, в чем ИИ хорош, — так что это вполне ложится в корзину "Оптимизация", а не "Лень".

А то, что после установления контакта часто следует автоматическое анкетирование с вопросами, ответы на которые есть в самом резюме, — это уже скорее вина площадок (да, hh.ru, первую очередь на тебя смотрю): большинство рекрутеров работает с их встроенными инструментами, которые как раз и должны такие вещи стримлайнить.

Логично оптимизировать поиск и со своей стороны, что я и сделал. Технику и pipeline, если будет интересно, опишу в другой раз. Если упрощенно: ИИ с контекстом из собранного опыта, предпочтений, портфолио и прочей важной информации обо мне как специалисте (значительно шире, чем разумно включать в резюме) просматривает вакансии, откликается на подходящие, где нужно — заполняет анкеты и пишет сопроводительные.

Получается, с обеих сторон машина разговаривает с машиной — симметрия и справедливость. Верно? Знать бы, как это выглядит с другой стороны. Мой Claude всегда подписывает сопроводительные строкой "Отклик отправлен AI-ассистентом...", но в 2026-м вряд ли кто-то рассчитывает выдать текст AI за свой, и такая честность стоит немного.

Кто первым пробьется через TL;DR: я прочту вакансию или HR — резюме?

Я пока для себя не решил эту дилемму, поэтому выбрал компромисс: если ИИ находит вакансию, которая ну прям очень про меня, — откладывает ее в отдельный список, который я разбираю сам.

Где для вас граница допустимого участия ИИ в поиске работы?

  1. Только сам, без ИИ

  2. Правки резюме и писем

  3. Поиск и отбор вакансий

  4. Отклики и письма за меня

Ответьте номером в комментариях.

Теги:
+5
Комментарии2

х2 работы для ваших AI-агентов

За неделю выкатили сразу несколько релизов — собрали все в один пост. Суть у всех одна: агенты забирают на себя больше задач в ваших проектах.

Теперь можно:

1️⃣ Делиться с агентом файлами в Telegram 

Отправляете файл в чат вместе с запросом — агент сделает сводку по CSV с данными или найдет ошибку на скриншоте с логами.

Особенно удобно для тех, кто уже настроил ИИ-помощников в чатах поддержки.

2️⃣ Управлять облаком через команды

Выложили репозиторий со скиллами (инструкциями) для работы с Timeweb Cloud MCP. С ними агент получит готовые сценарии, например, как поднять сервер или настроить DNS. Меньше ошибок и лишних действий. 

В Claude Code скиллы ставятся как плагин в две команды, в Cursor, Codex и OpenCode — через npx skills.

3️⃣ Передавать агенту файлы через API

Добавили Files API — отдельный механизм для работы с файлами в API агентов. Он снял прежние ограничения по формату и размеру, и вы можете принимать любые файлы от своих пользователей.

Схема простая: пользователь вашего сервиса прикрепил файл в чате → сервис передал его агенту через API → агент ответил с учетом содержимого.

А еще выкатим новые локальные модели с низкой стоимостью — подробности скоро.

Нагрузить агента контентом →

Теги:
+17
Комментарии0
1
23 ...