Разработчик Гийом Мейер представил открытый инструмент Watermarks Remover, который помогает удалять невидимые водяные знаки из текста и изображений от ИИ-систем. «Если исследователь использует ИИ, чтобы изменить одну строку в конце десятистраничной работы, вся публикация потенциально может получить отметку. Это может превратиться в кошмар для доверия», — пояснил автор решения.
Watermarks Remover работает за счёт небольшого изменения текста при сохранении исходного смысла. Инструмент проверяет материал на наличие ИИ-маркировки, создаёт вариации формулировок и повторяет процесс, пока статистический паттерн не перестанет определяться. Для изображений используется похожий подход, только вместо слов меняются пиксели.
ИИ-агенты постепенно превращаются из чат-ботов в полноценные рабочие инструменты. Но многое зависит не только от выбранной модели, а и от того, какие навыки и инструкции ей подключить.
Собрали семь интересных Open Source-проектов, которые можно использовать с Claude Code, Codex, Cursor и другими агентами.
1. Taste Skill — чтобы агент не делал «нейросетевой дизайн»
Этот набор инструкций рассчитан прежде всего на работу с интерфейсами. Он помогает агенту принимать более осмысленные решения по композиции, типографике, отступам, плотности интерфейса и анимации.
В репозитории есть несколько специализированных навыков, включая работу с дизайном и генерацией референсов. Проект можно подключить через npx skills add, а сами SKILL.md использовать и в других агентных средах.
OpenDesign идёт значительно дальше обычного набора промптов. Это local-first платформа, которая превращает уже установленного coding-агента в дизайн-движок.
Она умеет работать с прототипами, веб-интерфейсами, мобильными приложениями, презентациями, изображениями, документами и видео. Результат можно экспортировать в HTML, PDF, PPTX и MP4. Поддерживаются Claude Code, Codex, Cursor, OpenCode и другие агенты.
Название проекта отлично описывает его идею: агенту предлагают вести себя как опытный разработчик, который не пишет код без необходимости.
Перед реализацией задача проходит несколько проверок: может, это вообще не нужно делать? Есть ли уже готовое решение в проекте? Справится ли стандартная библиотека? Есть ли нативная возможность? Можно ли решить задачу одной строкой?
И только после этого агент пишет минимально необходимый код.
Проект Addy Osmani — это набор из 24 навыков для AI coding agents. Внутри есть отдельные workflow для планирования, разработки, тестирования, отладки, ревью и упрощения кода.
Причём это не просто справочник. Каждый навык задаёт агенту последовательность действий, проверки и критерии завершения. Репозиторий рассчитан на Claude Code, Cursor, Codex, Copilot и другие среды.
5. Colleague Skill — превратить знания человека в навык
Здесь идея необычнее. Colleague Skill пытается дистиллировать знания и рабочие привычки человека в формат AI Skill.
Проект использует двухслойную архитектуру Work Skill + Persona и поддерживает сбор информации из нескольких источников. Позже концепция начала развиваться в сторону dot-skill, который уже не ограничивается только моделированием коллег.
HyperFrames превращает HTML, CSS, медиа и анимации в готовое MP4-видео. При этом проект специально адаптирован для работы с AI coding agents.
Агент может спланировать ролик, написать HTML, добавить анимации и медиа, проверить результат, сделать превью и отрендерить видео. Навыки поддерживают Claude Code, Cursor, Gemini CLI, Codex и другие совместимые агенты.
Главная тенденция здесь довольно очевидна: AI-агента всё чаще прокачивают не новым промптом, а набором специализированных навыков. Один и тот же агент может стать разработчиком, дизайнером, маркетологом или видеомейкером в зависимости от подключённого набора инструкций.
С Матроскиным и Винни‑Пухом: Сбер запустил нейросервис для создания открыток
Любители советской и российской анимации теперь могут добавить себя в компанию любимых мультгероев. Сбер и «Союзмультфильм» запустили бесплатную AI-фотостудию, которая превращает обычную фотографию пользователя в сцену с персонажем из известных мультфильмов.
Работает всё достаточно просто: на сайте нужно выбрать фон и героя, а затем загрузить собственную фотографию. Нейросеть объединит снимок с выбранным персонажем и сформирует готовое изображение.
В каталоге есть герои из:
«Простоквашино»;
«Винни Пух»;
«Жил-был пёс»;
«Ну, погоди!»;
«Чемпионы».
Отдельное место в проекте получил СберКот.
Количество генераций не ограничено, поэтому можно экспериментировать с разными персонажами и фотографиями, пока не получится понравившийся вариант.
Готовую картинку разрешается скачать или опубликовать в общей галерее прямо на платформе.
Попробовать сервис можно на официальном сайте проекта. По заявленной информации, он будет доступен до 21 сентября 2026 года.
Пользователь подключил Claude Code к духовке и научил нейросеть готовить: ИИ‑агент получил доступ ко всем датчикам печи, видеокамере и температурному зонду. По одному промпту ИИ может приготовить ужин и полностью управлять духовкой, помогая хозяину не тратить на это время.
Человек-паук: Новый день. Тот, кого никогда не было.
что-то пошло не так, но что..
Осторожно: это не спойлер к Человеку-пауку. Это, скорее, спойлер к будущему антифрода.
Питер Паркер – обычный парень из Нью-Йорка. У него есть имя, лицо, документы, друзья, работа, прошлое и убедительная биография. Есть только одна проблема: Питера Паркера никогда не существовало.
В кино это называется персонажем. В антифроде всё чаще приходится иметь дело с похожей конструкцией, только без костюма и паутины: лицо можно сгенерировать, документ подделать, биографию собрать, а цифровой след постепенно нарастить.
В итоге перед системой оказывается человек, у которого есть почти всё, что обычно подтверждает личность. Кроме самой личности.
В статье «Человек, которого никогда не было» разбираем, как появляются такие синтетические личности и почему проверить отдельно лицо и документ уже недостаточно.
И да, главный спойлер: в реальности никакого Питера Паркера в конце может не оказаться.
Представлен открытый проект ИИ‑учёного OmniScientist, который сам пишет статьи, составляет библиографию, таблицы и рисует схемы для любых исследователей:
анализирует любые файлы: изображения, видео, схемы, таблицы, документы, формулы и даже аудио.
выдвигает гипотезы как настоящая команда учёных.
проверяет информацию до последней запятой, чтобы не было ни одной выдумки или неточности;
строит графики, таблицы и схемы;
собирает результат в PDF и отдаёт в удобном формате;
знает русский язык и ориентируется в культурном контексте;
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.
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.
Перед стартом торговли реальными деньгами прогнал плановый аудит кода своей ML-системы — и нашёл два бага, из-за которых опубликованные цифры были лучше реальности.
Ошибка 1. Проскальзывание применялось только в live-контуре, но не в историческом бэктесте (комиссии были в обоих). Честный пересчёт: Sharpe системы ~2.7 → ~1.8, доходность за пять лет +75% → +47%. Треть доходности уходила в неучтённые издержки.
Два поворота. Бенчмарк (SMA-кросс) торгует чаще нейросети и пострадал сильнее (Sharpe 0.98 → 0.59) — отрыв системы от него после исправления даже вырос. А LightGBM-бейзлайн, который с одними комиссиями показывал «скромные, но плюсовые» +5%, с полными издержками ушёл в −19%: его кромка была тоньше издержек. «Модель немного зарабатывает после комиссий» — это не результат, а вопрос, какие издержки вы забыли.
Ошибка 2. Я публиковал стресс-тест: замороженная модель на чужой эпохе (2015–2020) теряет −28%, вывод — «в чужом режиме опасна». Аудит нашёл дыру в самом тесте: часть признаков физически существует только с 2020–2021, и загрузчик молча подставлял вместо них нули (виноват except: pass, «удобно» глотавший отсутствующую таблицу). Тест мерил не модель в чужой эпохе, а модель, ослепшую на две трети входов.
Перемер зрячей версией (только признаки, существующие в обеих эпохах): +22% вместо −28%, все шесть лет от −1% до +8.5%. Катастрофы не было — минус рисовали нули в данных, а не смена режима.
И каскадное следствие: раньше казалось, что от «катастрофы» спасает еженедельное переобучение (walk-forward на той эпохе давал +17%). Теперь видно: зрячая замороженная модель даёт +22% — переобучение ничего не спасало, спасать было нечего.
Чек-лист, если хотите проверить свой бэктест на те же грабли:
Все ли слои издержек применяются во всех симуляторах, или только в одном?
Бенчмарк несёт те же издержки? Частота сделок разная — эффект несимметричен.
Существуют ли все признаки модели на всём периоде стресс-теста?
Есть ли в загрузчиках данных молчаливые except, превращающие отсутствующую таблицу в нули?
Стресс-тест показал катастрофу — сначала проверьте тест, потом модель.
Подробный разбор — в UPD к статье про сидовый шум. Цифры в старых текстах не правил — только явный UPD: тихая правка убила бы весь смысл протокола честности.
Не является индивидуальной инвестиционной рекомендацией.
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.
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.
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.
Представлен проект MathCode — это терминальный помощник по программированию с ИИ со встроенным механизмом формализации математических формул. «Дайте ему математическую задачу на простом языке, и он автоматически преобразует её в теорему Lean 4 и попытается дать формальное доказательство — с помощью постоянно доступной интерактивной среды Lean REPL, многократно используемых библиотек теорем и аксиом, агентного доказательства и графа знаний Obsidian», — пояснили в команде проекта.
DeepSeek запустил агентскую среду Harness. Ключевая фича: плагином может быть всё. Модели, сессии, скиллы, песочницы, циклы и даже просто интерфейс. В Harness всё выдаётся в качестве готового к работе агента:
у среды своя архитектура на Cordis, которая позволяет менять компоненты в любое время;
схема простая: любая модель + любой компонент = готовый агент;
работает вообще с любыми компонентами;
по факту, это новый способ создания ИИ‑агентов, простой и максимально эффективный.
В сообществе разработчиков также представили 6000 готовых скиллов для DeepSeek Harness.
ИИ запустил гонку увольнений — два экономиста математически вывели формулу, по которой многие сотрудники останутся без работы в ближайшие годы:
логика простая: компания заменяет сотрудников на ИИ и забирает 100% экономии на зарплатах;
но уволенные люди теряют доход, меньше покупают — и продажи падают уже у множества других бизнесов;
сама компания ощущает лишь крошечную долю ущерба. Если на рынке N фирм, ей условно достаётся только 1/N потерь от общего падения спроса, а остальное размазывается по конкурентам.
поэтому увольнять выгодно даже тогда, когда массовые сокращения делают беднее весь рынок. Главное — быть в этом деле первым;
остальные видят снижение издержек и тоже подключают ИИ. Никто не хочет остаться последним бизнесом с «раздутым» штатом;
начинается гонка увольнений: сотрудники остаются без работы, что вызывает падение доходов, затем спроса и как итог — новые сокращения;
это классическая дилемма заключённого: каждая компания принимает рациональное решение, но вместе они приходят к провальному результату: товары стало дешевле производить, зато покупать их постепенно становится некому;
авторы исследования предлагают налог на автоматизацию, равный ущербу спросу, который фирма перекладывает на остальных. Полезный ИИ он не остановит: если внедрение действительно сильно экономит деньги, оно всё равно окупится. Зато исчезнет стимул увольнять людей только потому, что последствия оплатит весь рынок.
Представлен робот‑пылесос Matic за $1245, которому можно указать пальцем на грязь, а нейросеть устройства считает команду и пылесос поедет в то место. Благодаря ИИ робот понимает десятки команд, но при этом ничего не отправляется на внешние сервера — внутри чип Nvidia, на котором и крутится нейросеть.
Google запустил бесплатный курс по вайбкодингу, который доступен на русском языке — он учит создавать приложения с нуля без опыта. Курс AI for App Building занимает около 2 часов и входит в Google AI Professional Certificate, а после прохождения можно получить сертификат.
Продолжаем разбирать частые ошибки при работе с ИИ вместе с Константином, экспертом по ИИ в Naumen.
В первой части говорили о контексте, постановке задачи и конфиденциальных данных. Теперь смотрим шире: как работать с актуальной информацией, что делать, если застряли в диалоге с ИИ, и почему хороший результат часто требует экспериментов с подходами.
4️⃣ Верим, что ИИ знает все
Используем языковую модель как всезнающего помощника или как справочник: просим найти свежие факты и актуальную информацию и воспринимаем ответ как достоверный.
В чем суть
Изолированная языковая модель опирается на данные, на которых обучалась, и контекст текущего диалога. Сама по себе она не ищет информацию в реальном времени. Если нужной информации в доступных данных нет, модель может заполнить пробел правдоподобными, но вымышленными деталями.
Важно различать две задачи: работу с информацией, которую вы уже дали модели, и поиск актуальных фактов. В первом случае источниками знаний могут быть ваш текст, документ, таблица или код. Во втором нужны внешние источники и инструменты для работы с ними.
Как исправить
Учитывайте сильные и слабые стороны модели — она хорошо форматирует, извлекает и сокращает данные, переводит на любые языки.
Для проверки и поиска актуальных фактов используйте внешние инструменты —поисковые модули, RAG, MCP или другие подключения к источникам данных.
Не перегружайте контекст и подключайте нужные модули.
В связке с внешними инструментами модель получает данные из источника и помогает их обработать и структурировать.
Плохой промпт: «Какая сейчас актуальная версия библиотеки X и какие методы в ней устарели?».
Хороший промпт: «Используй официальную документацию библиотеки X, подключенную через MCP. Проверь актуальную версию и методы, которые помечены как устаревшие. Укажи дату релиза и добавь ссылки на соответствующие разделы документации».
5️⃣ Не спрашиваем ИИ, как с ним работать
Когда не понимаем, как подступиться к задаче или почему модель выдает не тот результат, часто ищем инструкции где угодно, только не в самом чате.
В чем суть
Мы привыкли искать помощь во внешних источниках. Но при работе с ИИ часть вопросов можно задать прямо модели: как лучше сформулировать запрос, каких вводных не хватает, почему ответ мог получиться неудачным или с чего начать задачу.
Как исправить
Опишите ИИ, что хотите сделать и что не получается.
Спросите прямо в чате, как лучше подступиться к задаче.
Если сложно сформулировать запрос, попросите ИИ задать уточняющие вопросы и помочь собрать ТЗ.
6️⃣ Не экспериментируем с подходами
Пробуем один и тот же способ работы для разных задач и, если результат не устраивает, решаем, что ИИ нам не подходит.
В чем суть
Работа с ИИ — это навык, которому нужно учиться, как когда-то работе с Word или Excel. Он развивается через практику, изучение возможностей и поиск своего рабочего формата.
Как исправить
Пробуйте разные подходы к задачам.
Тестируйте разные модели и связки инструментов.
Ищите свой рабочий формат и продолжайте экспериментировать.
Нет одного идеального способа работы с ИИ. Кому-то достаточно базовых возможностей модели, а кому-то нужно несколько открытых вкладок и интеграции в IDE.
ИИ-агента Manus предлагают протестировать бесплатно на две недели без ограничений до 25 августа (без карты, без номера телефона, только регистрация на сайте):
выполняет задачи без подсказок от начала до конца и по расписанию;
одновременно исследует сотни сайтов, книг, статей и других ресурсов;
команда ИИ‑систем внутри: планирование, задачи, проверка;
ИИ‑агент сам заходит на сайты, может заказать еду, забронировать билеты или спланировать отпуск;
работает с таблицами Excel, PDF, документами;
правит картинки прямо на экране;
подключается к Gmail, Slack, GitHub и другим платформам;
показывает свои действия в реальном времени и отчитывается о них.
