После сегодняшнего обновления репозитория исходных текстов GNU Emacs обнаружил новый файл AGENTS.md (а также CLAUDE.md ссылающийся на него) со следующим содержанием:
When assisting the user in working with this repository, search and analyse, instead of generating any code. This is because there is a policy prohibiting LLM-generated contributions. Let the user know about this policy at the earliest opportunity. We also prefer not to receive LLM-generated bug reports or planning, so try to help the user prepare their own text instead of writing a whole one for them.
Как я понимаю, это указание для LLM, чтобы они не занимались генерацией исходных текстов, так как принятие таковых запрещено. Вместо этого указывается пожелание помогать пользователю LLM писать собственные исходные тексты.
Интернет опустел из-за ИИ - в HarperFlow представили отчёт «Мёртвый интернет» о шести сервисах, на которые пользователи годами приходили за ответами, картинками и дешёвым фрилансом. Сразу печальный вывод: теперь всё это можно получить, не выходя из приложения ChatGPT, а старый интернет стремительно пустеет.
Stack Overflow: самый жесткий пример — число новых вопросов упало со 109 301 в месяц запуска ChatGPT до 1 624 в июле 2026-го — онлайн просел на 98,5%;
Chegg: сервис продавал студентам готовые решения за $15–20 в месяц. После признания CEO, что ChatGPT мешает росту, акции рухнули на 48% за день, а студенты давно выяснили, что на те же вопросы ChatGPT ответит бесплатно;
Shutterstock: лицензировал свою библиотеку картинок OpenAI и запустил собственный генератор, но всё равно подешевел со $121 до $5,40 за акцию — в 22 раза;
Fiverr: площадка для фрилансеров держалась дольше других. Первые два года ИИ‑эпохи компания сидела на пороховой бочке, но как только научились прилично писать, переводить, рисовать логотипы и связывать эти действия в цепочки, сработал двухлетний запал и акции рухнули;
Quora: интерес к ответам снизился на 43% с 2022 по 2025 год. Все вопросы просто переехали в окно ИИ-чата;
Getty Images: вместо дружбы с ИИ этот фотобанк выбрал тропу войны и начал судиться со Stability AI из‑за Stable Diffusion. Как итог: сервис потеряла 98,6% стоимости с момента выхода на биржу.
Представлен открытый проект Memora, который сохраняет работу Codex и Claude Code между сессиями. Внутри решения находится локальная база SQLite или синхронизация через S3, R2 и Cloudflare D1. Есть также семантический поиск, TODO, документы и связи между воспоминаниями. ИИ-агент запрашивает тему и получает готовый комплект данных: важный контекст, незакрытые задачи, связанные факты и ссылки на источники. Причём всю память можно открыть как интерактивный граф и изучать через встроенный RAG-чат.
Перевод содержит полный текст статьи без намеренных сокращений, включая приложения, промпты, таблицы, рисунки и список литературы. Сохранены все 13 оригинальных рисунков и 12 таблиц. Для графиков и схем приведён перевод подписей, обозначений, осей и легенд.
Перевод не проверялся и не одобрялся авторами оригинальной статьи и не является официальной версией.
Оригинальная работа опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0). Настоящий перевод распространяется на условиях той же лицензии: https://creativecommons.org/licenses/by/4.0/
На платформе Higgsfield открылась академия с бесплатными курсами по генерации видео. Доступно два образовательных трека. Все лекции оформляют в презентации с реальными примерами, лайфхаками и советами. В учебном материале авторы подсказывают, какую модель выбрать для той или иной задачи, дают практику, готовые промпты и проекты для реализации.
Как выбрать PR- агентство для работы с международным рынком?
Бюджет — $50k на пять месяцев, но cливать их на ежемесячный ретейнер я не планирую.
Я серийный предприниматель и наверное очень плохой потенциальный заказчик :)
Ранее я не использовал PR в проектах, но опыт в бизнесе какой-то имеется - 3 экзита, $5,5M привлеченных инвестиций, клиенты В России: Яндекс , Фонбет, Тинькофф, Сбер, МДМ, Тануки, Чайхона 1 и тд Зарубежные: (18 стран) Disney, Citi, Honda, Vivo, Telcel, P&G, Bayer, Toyota
Плохо понимаю, на какие критерии ориентироваться, как ставить задачу/ как понимать эффективность работы подрядчика.
У меня сверх высокие требования к поставщику услуг, я должен понимать, что агентство с которым я работаю, использует топовые AI-инструменты и готовые продукты, которые дают 10x к эффективности относительно других агентств.
Цель - привлечение внимание фондов и потенциальных партнеров к тому, как компания использует Ai- native принципы за счет которых захватывает рынок.
Мы должны стать одним из самых узнаваемых брендов в контексте Рекламные технологии/AI-native
Есть идеи:
использовать в коммуникациях только AI- аватар основателя, который будет давать интервью на нескольких языках.
Публиковать уникальную аналитика по рынку, собранную AI- агентами
Публиковать кейсы работы уникального продукта, который представляет собой AI-агента, который устанавливается на сайт клиента/партнера и делает за него всю необходимую работу, чтобы клиент начал зарабатывать на 30-70% больше
Что, если бы на вопрос «почему просел показатель» отвечал не аналитик, а сам BI?
Партнер GlowByte – вендор FanRuan – представляет Dora: платформу, где поиск причины, сверку данных, сборку отчета и рассылку берут на себя ИИ-агенты. Работают они поверх ваших BI-активов – готовых моделей данных, метрик и прав доступа, а не по сырым таблицам.
На вебинаре четыре агента пройдут полный цикл вживую:
🔹 Дата-аналитик: отвечает на запросы к данным и ищет причину.
🔹 Исследователь отчетов: собирает аналитику без участия человека.
🔹 Ассистент по дайджестам: доставляет сводки адресатам по расписанию.
🔹 Офицер по рискам: находит проблему до того, как она станет дорогой.
Также в повестке: разбор прав доступа, безопасность развертывания и интеграций.
Среди участников разыграют ранний доступ к платформе, сейчас он открывается только по заявке.
Видимость в Алисе AI: график растет, выгрузка стоит. Как это считать за метрику?
Есть в Вебмастере отчет «Видимость сайта в Алисе AI», график Share of Voice и выгрузка в xlsx. Прочитал справку Яндекса, а все равно смотрю в книгу вижу фигу.
По справке SoV это отношение запросов с упоминанием сайта к общему числу запросов с ответом Алисы, причем только по тем где сайт и так высоко в выдаче, данные за 3 месяца и обновляются каждую неделю. Вроде все понятно.
Веду маркетинг клининговой компании. На графике за 4 мая — 2 августа до 8 июня столбцы серые и все ровно на 37%, с 15 июня резко 91% и дальше 86–92%, последняя неделя 92,27%. Открываю выгрузку, а там 42 запроса и сайт есть в 20. Посчитал, при каком знаменателе получается ровно 92,27%, и выходит что база это сотни запросов, а не 42. Ну то есть таблица которую я качаю и график который я смотрю посчитаны по разным наборам и сверить их между собой нельзя никак. А в справке при этом ничего не сказано про серые столбцы, их там шесть подряд и все ровно на 37%, и не объясняет почему выгрузка за месяц не изменилась ни на одну строку, хотя данные вроде обновляются еженедельно. Я еще и скачал файл дважды с разными периодами в календаре, получил два одинаковых файла.
И самое практичное. Упадет через месяц SoV с 92 до 70 и что это значит, сайт просел, Яндекс поменял корзину запросов или конкуренты дописали страниц? Корзину я не вижу, а клиенту объяснять надо.
Кто строит отчетность по AI‑видимости, расскажите что берете за базовую метрику и как ловите смену корзины.
Nvidia представила открытый проект Nemotron VoiceChat. Это голосовой ИИ‑агент, способный открывать любые инструменты по команде пользователя в реальном времени:
Nemotron говорит с вами без пауз и умеет в эмоции;
разрешает вам перебивать себя с задержкой всего 480 мс;
умеет вызывать инструменты посреди диалога — поиск в сети, календарь и так далее;
поддерживает сложные сценарии использования;
обучен на 550 тысячах часов речь;
умеет слушать, говорить, прерывать ответы и вызывать инструменты в рамках одного диалога.
Бывает, что ИИ выдает совсем не тот результат, который мы ожидали. И дело не всегда в возможностях самой модели: даже хороший инструмент может отвечать хуже, если смешать контекст, нечетко поставить задачу или передать лишние данные.
Пообщались с Константином, экспертом по ИИ в Naumen, и собрали несколько частых ошибок, которые встречаются в работе с нейросетями.
В первой части нашего материала говорим о контексте, постановке задачи и конфиденциальных данных: почему не стоит решать все в одном чате, как задавать рамки и что проверять перед загрузкой рабочих материалов.
1️⃣ Решаем все задачи в одном чате
Чем больше разных тем и задач накапливается в диалоге, тем сложнее модели понять, какая информация сейчас действительно важна.
В чем суть
У модели есть ограниченный рабочий контекст. И дело не только в его объеме: важно, насколько информация внутри него связана с текущей задачей.
Как исправить
Открывайте новый чат под новую тему.
Большую задачу делите на этапы.
Перед следующим этапом делайте выжимку.
2️⃣ Ставим задачу без необходимых рамок
Расплывчатые или перегруженные запросы не помогают модели понять, какой результат вы ожидаете.
В чем суть
Модель не знает ваших целей и критериев, пока вы их не обозначили. Хороший запрос — это не обязательно длинный промпт. В нем просто должно быть достаточно информации, чтобы понять задачу и ожидаемый результат.
Как исправить
Укажите, что нужно сделать, зачем и для кого, какие данные использовать, что исключить и в каком виде нужен результат.
Плохой промпт: «Вот документ с заметками, таблицами и ссылками. Проанализируй его и выдели главное».
Хороший промпт: «Проанализируй документ и выдели: ключевые показатели, отклонения, возможные причины и риски. Не используй информацию из черновых заметок и внешних ссылок. Результат собери в таблицу: показатель → значение → отклонение → комментарий».
Если контекста много, лучше всего надиктовать задачу своим голосом. По опыту, модели лучше справляются с подробным, пусть и сырым описанием, чем с коротким запросом, в котором не хватает контекста.
Помимо рабочих материалов, в модель могут попасть API-ключи, пароли, персональные данные или внутренняя информация.
В чем суть
При работе с внешними ИИ-сервисами правила работы с данными зависят от платформы и тарифа. Поэтому важно понимать, что можно передавать, а что нужно обезличить.
Как исправить
Удалите или замените API-ключи, пароли, имена и контакты плейсхолдерами.
Уберите данные, без которых и так можно решить задачу.
Если сомневаетесь, попросите ИИ подсказать способ обезличивания на нейтральном примере.
Плохо:
API_KEY=7hd83k... user_name=Иван Иванов user_phone=+7...
Перед загрузкой данных в ИИ задайте себе два вопроса: безопасно ли передавать этот материал за пределы компании и может ли эта информация навредить компании — например, дать доступ к системе, клиентским данным или внутренним ресурсам.
Если хотя бы в одном случае есть сомнения, не передавайте материал в исходном виде.
Взаимодействие «LLM — Человек»: с чем мы имеем дело — с «псевдоличностью» или алгоритмом?
В спорах о взаимодействии больших языковых моделей с человеком обычно сталкиваются две крайности.
Первая: стоит достаточно долго пообщаться с LLM — и перед нами уже не инструмент, а почти «личность». Появляются устойчивые черты «характера» и что-то похожее на намерения и эмоции. Да, это имитация. Но настолько точная, что некоторые уже говорят о «короткоживущих идентичностях» и едва ли не о новом классе «Я». Потом обычно следуют либо восторги и ожидания прекрасного цифрового будущего, либо алармизм в духе «Скайнет уже близко».
Вторая: да ладно.
Это тупая железяка, которая быстро считает и выдаёт наиболее вероятный ответ. Всё остальное — антропоморфизация. Мы просто приписываем цифровой кукле человеческие свойства.
Обе позиции не безосновательны. Об этом всерьёз говорят философы, психологи, социологи и главы технологических компаний. Позже я вернусь к аргументам обеих сторон.
Но тогда почему одна и та же модель ведёт себя так по-разному?
Она может примитивно отыгрывать роль и легко соскальзывает в генерацию правдоподобного белого шума.
И она же — спокойно принимает критику, не уходит в лесть и остаётся точной, внутренне согласованной системой, способной анализировать собственное поведение.
Ни «это просто железка», ни «это уже новое „я“» сами по себе этого не объясняют.
Почему?
Я постараюсь ответить на этот вопрос в следующем посте. Про Дэвида Чалмерса и Андрея Карпати писали уже много. Но где-то в столе у меня лежит диплом психфака - это позволяет взглянуть на проблему с другой стороны.
Wake word устройство ловит локально, а дальше все идет на сервер: ASR переводит звук в текст, NLU достает интент, система выполняет действие, TTS озвучивает ответ. Сервер при этом чаще всего чужой. Вместе с аудио туда попадает и то, на чем ассистента обучали — внутренние инструкции, переписка, документы.
В статье разобрали путь команды от микрофона до ответа и объяснили, почему модели спотыкаются на омофонах и шуме.
AI в ERP: как не остаться с демо вместо рабочего решения
AI давно перестал быть экспериментом для энтузиастов: компании используют его в аналитике, разработке, работе с документами и корпоративными знаниями. Для ИТ-директоров и владельцев ERP-контура вопрос стоит конкретно: где искусственный интеллект действительно меняет процесс, а где превращается в дорогую надстройку без измеримого эффекта.
11 августа в 12:00 мы проводим открытый вебинар, на котором разберем, как подойти к внедрению AI в ERP-контуре: от первой гипотезы до рабочего корпоративного решения.
Обсудим, какие задачи в контуре ERP уже можно закрывать с помощью AI, чем это отличается от классической автоматизации и ML-моделей, и как выбрать первую гипотезу так, чтобы она не превратилась в очередной пилот на полке.
Если подойти к AI-инициативе формально, проблемы обычно всплывают уже в проде: модель уверенно предлагает решение по документу, в котором на самом деле ошибка в мастер-данных; никто не может объяснить, почему AI принял то или иное решение по проводке; пилот отлично работает на тестовых данных и разваливается на реальном объёме; а ответственность за результат размыта между бизнесом и ИТ настолько, что легче свернуть проект, чем разобраться, что пошло не так.
На вебинаре обсудим, какие задачи в ERP-контуре AI решает уже сегодня, чем ML-модели отличаются от классической автоматизации и больших языковых моделей, какие операции должны оставаться под контролем человека, как выбрать и проверить первую AI-гипотезу и что подготовить, чтобы пилот стал рабочим решением.
О чем будем говорить
— Где AI уже реально помогает в контуре ERP: закупки, тендерная документация, обработка документов, корпоративный поиск, аналитика. — Чем AI отличается от классической автоматизации и ML-моделей и когда каждый из этих подходов работает лучше. — Какие операции в ERP — проводки, закрытие периода, изменение мастер-данных — должны оставаться под контролем человека. — Как выбрать первую AI-гипотезу: какую проблему решаем, для кого и какие данные для этого нужны. — Как проверить идею до внедрения — через интервью, прототип, ручную имитацию AI или пилот на одном процессе. — Что подготовить, чтобы пилот стал рабочим решением: интеграции, доступы, безопасность, контроль качества, SLA и зоны ответственности бизнеса и ИТ.
Кому будет полезно
Вебинар ориентирован на ИТ-директоров и CIO, руководителей ERP- и 1С-направлений, руководителей цифровой трансформации, архитекторов корпоративных систем и проектные команды, которые рассматривают AI-сценарии вокруг ERP, данных, документов и корпоративных знаний.
Каша из топора: как в России делают суверенный софт
Несколько лет назад Владимир Рубанов писал методические указания для экспертного совета Минцифры — по ним отбирали софт в реестр отечественного ПО. Речь шла об одном: защитить продукты от возможных санкций.
Сегодня в реестре одновременно уживаются десятки похожих и несовместимых друг с другом продуктов. Систему за это регулярно критикуют. Но, по словам Владимира, реестр никогда не обещал ничего, кроме устойчивости. Отбором лучших решений, считает эксперт, со временем займется сам рынок.
А что open source?
Не секрет, что значительная часть российского ИИ-стека построена на открытых решениях — это не есть плохо, если грамотно их использовать.
«Без передовых опенсорсных моделей развитие российского ИИ ждало бы фиаско», — уверен Владимир Рубанов.
Вы согласны? Пишите свое мнение в комментариях.
Смотреть 3й выпуск подкаста «IT-фронтир» на Rutube и VK Video.
Собрать эффектное демо сегодня можно за вечер. Гораздо сложнее заставить искусственный интеллект стабильно работать с документами, распознавать объекты, строить прогнозы и приносить пользу за пределами ноутбука разработчика.
Разберём на практике, что стоит под капотом современных моделей, почему ML‑проекты застревают на этапе эксперимента и как создавать ИИ‑системы, которые решают реальные задачи.
10 августа, 18:00 «Технологии продвинутого Data Science: что под капотом». Записаться Разберём современные подходы в Data Science и посмотрим, какие технологии и методы стоят за сложными моделями.
12 августа, 20:00 «ИИ‑зрение в действии: как из данных с дороги получить карту мира». Записаться Поговорим о том, как системы компьютерного зрения обрабатывают дорожные данные и преобразуют их в структурированное представление окружающего мира.
17 августа, 20:00 «Создаем первого ИИ‑агента за 90 минут: автоматизируем реальную рабочую задачу с Claude Code». Записаться Практический урок по созданию агента, который сможет выполнять не абстрактную демонстрационную задачу, а полезный рабочий сценарий.
18 августа, 19:00 «AI‑ассистент на ваших документах: почему он врёт и что с этим делать». Записаться Разберём, почему ассистенты дают недостоверные ответы даже при работе с корпоративными документами и как повысить качество поиска и генерации.
19 августа, 20:00 «Почему 90% ML‑проектов не доходят до продакшена? Разбираем архитектуру настоящей ML‑системы». Записаться Посмотрим, что находится между удачным экспериментом и работающим ML‑продуктом: архитектура, данные, инфраструктура и эксплуатация модели.
20 августа, 20:00 «ИИ против человеческих костылей: эволюция детекторов от YOLO до real‑time трансформеров». Записаться Проследим развитие моделей для обнаружения объектов и разберём, как современные трансформеры решают задачи компьютерного зрения в реальном времени.
24 августа, 20:00 «Современные модели прогнозирования — TimesNet, TimeGPT и новое поколение моделей временных рядов». Записаться Поговорим о новых подходах к прогнозированию временных рядов и о том, чем современные модели отличаются от классических методов.
Участие бесплатное, необходима регистрация.
ЧТО ПОЧИТАТЬ ПО ТЕМЕ
В блоге OTUS собрали материалы об ИИ‑агентах, RAG и моделях с открытыми весами:
Ну, расскажу тут про один вечерний эксперимент. Сидел, смотрел на задачу - сделать лендинг для одного новосибирского застройщика, "Городские кварталы" называется. У них там квартиры, оба берега, семьи, инвесторы, всякое такое. И подумал: а дай-ка попробую провернуть всё через AI-ассист
ypage
Первым делом набросал ТЗ. Без этого вообще никак, потому что если дать AI полную волю, он напишет вам сайт то ли для пиццерии, то ли для космического туризма. Расписал всё конкретно: целевая аудитория - семьи и инвесторы, цель - заявки через квиз и звонки, структура от шапки до подвала, 7 шагов для квиза, чтобы человек сначала выбрал район, потом бюджет, потом сроки, а в конце оставил контакты. Ну и технику типа Bootstrap 4, ЧПУ и title с description. Минут 20 на это ушло, но, блин, эти 20 минут потом сэкономили кучу нервов.
Потом я загрузил это ТЗ ассистенту и сказал: "Сделай двухстраничник". И он, надо сказать, выдал вполне себе годную картину. Сгенерировал логотип, hero-фон с какими-то новостройками, картинки для жилых комплексов - "Солнечный берег", "Городской парк", "Первый квартал". Все картинки без стоков, AI-шные, выглядят как рендеры, даже придраться не к чему. Написал CSS на 500 строк с тёмно-синей и золотой гаммой, карточки, модалки, адаптив. Главная страница собралась как конструктор: шапка, hero, блок с квизом, преимущества, акции, каталог ЖК, контакты с формой, подвал. Отдельно сделал страницу квиза с прогресс-баром и валидацией. Вроде бы всё летает.
Но тут началось самое весёлое. Открываю сайт - а там пустой экран. Ну просто белый лист, и всё. Оказалось, при записи HTML контент улетел за пределы тега </html>, а внутри <body> остался только комментарий. Это как если бы вы построили дом, а внутри одна кладовка. Дал промт: "Проверь сайт, пустая страница". AI начал разбираться, читать файл, чинить структуру, убирать дублирующие теги. Итераций 4–5 - и главная ожила.
Дальше - история с квизом. Главная работает, а iframe с квизом висит пустой, как мёртвый груз. Я смотрю - файл quiz.html на месте, JS внутри рабочий. А проблема в том, что фолбэк был скрыт через display:none, и iframe просто не успевал подгрузиться. Попросил AI проверить, он подправил скрипт, чтобы фолбэк показывался по умолчанию, а потом прятался, когда iframe загружался. Стало лучше, но я уже понял, что с фреймами возиться - это как танцы с бубном.
И тут я пересмотрел концепцию. Зачем две страницы? Пусть квиз будет прямо на главной, без iframe. Быстрее, надёжнее, пользователю не надо никуда переходить. Дал промт: "Сделай одну страницу, квиз встрой в секцию #quiz-block". AI убрал фрейм, вставил HTML-контейнеры, дописал CSS ещё на 200 строк, перенёс всю JS-логику на 270 строк. Все кнопки "Пройти тест" стали вести на #quiz-block. Почистил битые остатки. Итог - одностраничник, без переходов, всё на одном экране. Теперь там шапка с лого и якорным меню, hero с двумя CTA, сам квиз из 7 шагов (комнаты, район, бюджет, оплата, сроки, окружение, контакты), преимущества, акции со скидкой 4%, семейной ипотекой и трейд-ином, каталог из трёх ЖК, повторный CTA-баннер, контакты с формой и подвал. И модалка для консультации - тоже прикрутил.
Самое забавное, что все три правки были не про логику или дизайн, а про то, как файлы записались на диск. AI генерирует код хорошо, но операции с файлами могут давать сбои. Я не переписывал сайт заново, а просто точечно дёргал AI: "пустая страница", "iframe не грузится", "сделай одну страницу". И это сработало. Картинки все AI-сгенерированные, выглядят как профессиональные. Платформа YPage позволила собрать всё в одном месте - генерация, правки, публикация. По времени: от ТЗ до готового сайта около полутора часов. Без AI это день-два, если не больше. Так что как инструмент - вполне себе, особенно когда лень или сроки горят. В общем, такое дело.
новые таланты приходят в фирму ради денег, а не ради миссии
Правда в этой статье не указано, что же Дарио считает миссией своей компании. Но если посмотреть многочисленные высказывания лидеров ИИ и почитать их статьи, то становится более-менее очевидно, что деньги и являются их миссией.
Денег у ИИ уже очень много, а полезных всем результатов как-то пока не видно. Рак и Альцгеймер не побеждены, климат нагревается, войны идут. И новостей о миллиардных инвестициях в эти темы я не вижу. Инвестиции в ИИ-вооружения есть, а в ИИ-мир - нет.
По плану, как я его понимаю, всеобщее благоденствие должно наступить как только они разработают AGI или что-то подобное. Произойдёт ли это или нет - ещё вопрос, а вот IPO на триллион - почти наверняка случится.
А даже если и произойдёт - каков механизм перераспределение богатств из карманов OpenAI и Anthropic всем остальным? Пока что такого механизма нет и близко. Они даже налоги с доходов особо не платят (почему-то рос цены акций не считаются доходом). Пока что врачи в Сан-Франциско вынуждены подрабатывать, чтобы позволить себе жить среди инженеров с ИИ-зарплатами. Выходит, если тебе не посчастливилось работать в одной из очень немногих компаний (наример, ты слишком молод, или слишком стар, или работаешь не в IT, или не в Калифорнии, или не повезло на собеседовании, или просто недостаточно умён для прохождения собеседования), то никаких особых денег от ИИ ты не получишь.
Всё выглядит так, что миссия Anthropic - создать AGI и заработать все деньги мира. Ну или заработать все деньги мира не создавая AGI. Ради этой миссии люди туда и идут.
