Вики — это не память (ч.2) Здесь стоит провести одно чёткое различие, потому что терминология в этой области всё ещё расплывчата. Эти системы всё чаще описываются как памят». LangChain называет OpenWiki «слоем вики-памяти для ИИ-агентов», используя маркетинговую формулировку. Слово несёт большой вес, но покрывает две довольно разные вещи. Корпусное знание — это то, что делает вики: компилирует то, что содержится в наборе документов, репозитории или архиве Gmail. Она отвечает на вопрос «что содержит этот материал?» Пользовательская память и опыт — это другая ось: что предпочитает конкретный человек, что они решили на прошлой неделе, какой подход их команда уже отвергла, что агент пробовал в другом приложении вчера и чем это закончилось. Это относится к идентичности, а не корпусу, накапливается из взаимодействий, а не поступления, и должно уметь обрабатывать противоречия, устаревание, происхождение и удаление для каждого пользователя. Вики отлично справляется с первым и не пытается делать второе Компиляция вашего Gmail в страницы говорит агенту, что находится в вашем Gmail. Это не говорит агенту, что вы передумали по поводу решения о вендоре в разговоре во вторник, или что предложенный подход уже однажды не сработал для вас. Эта вторая ось — то, для чего предназначен выделенный слой памяти, такой как Mem0: память, привязанная к user_id, чтобы она следовала за человеком между сессиями, приложениями и агентами, обновляемая на месте при изменении фактов, а не добавляемая навсегда. Эти два подхода дополняют друг друга, и ошибка не в выборе вики. Ошибка в том, чтобы верить, что вы решили проблему памяти, потому что скомпилировали корпус. Вынесите из этого три вещи: 1) Компилируйте ваши документы в поддерживаемые страницы, когда корпус стабилен и часто перечитывается 2) Добавляйте полноценный поиск, когда он вырастает за пределы личного масштаба, как и рекомендует исходная формулировка. 3) И держите различие между компиляцией корпуса и запоминанием пользователя, потому что вики даёт вам первое, а не второе. ИИ Wiki — реальный паттерн с реальной идеей: знание должно быть скомпилировано один раз и поддерживаться, а не перевыводиться на каждый вопрос, и поддержка, отсутствие которой убило человеческие вики, это именно та работа, которую модель выполняет бесплатно.

ИИ-Wiki: Код, продукты, жизнь (ч.1) За последние месяцы четыре разные команды реализовали одну и ту же идею Wiki для ИИ: OpenWiki, DeepWiki, AutoWiki,, GBrain. Работает просто: LLM читает набор источников, компилирует их в поддерживаемый набор markdown-страниц и обновляет эти страницы по мере изменения источников. Агенты читают эти страницы вместо того, чтобы заново выводить всё из сырого материала на каждый вопрос. Паттерн стал категорией, а системы, построенные на его основе, всё чаще называют просто «агентными вики». Вот что это такое на самом деле, что построила каждая команда, где это ломается и с чем это постоянно путают. Идея: компилировать при поступлении, а не при запросе Начнём с проблемы, потому что паттерн — прямой ответ на неё. Стандартный способ передать модели базу знаний — это поиск (retrieval). Вы загружаете документы, разбиваете на чанки и создаёте эмбеддинги, а при запросе извлекаете релевантные фрагменты и отвечаете. Это работает, но имеет структурный изъян: ничего не накапливается. Каждый вопрос начинается с сырых фрагментов, так что модель каждый раз заново выводит одно и то же понимание, и десятый вопрос о кодовой базе не дешевле и не лучше первого. LLM Wiki инвертирует этот порядок: вместо того чтобы собирать знания при запросе из сырых кусков, LLM собирает их один раз при поступлении в долговечные страницы и затем поддерживает их. Когда поступает новый источник, модель читает его, обновляет затронутые страницы, пересматривает и отмечает противоречия с уже написанным, выводя его один раз и затем обновляя. Архитектура состоит из трёх слоёв: 1) Сырые источники неизменяемы: статьи, документы, репозитории, данные. Модель читает их и никогда не редактирует. 2) Вики — это созданный LLM markdown, которым ИИ полностью управляет: резюме, страницы сущностей, концепций, перекрёстные ссылки и т.п. 3) Схема — это конфигурационный файл (CLAUDE.md, AGENTS.md или аналогичный), который сообщает модели, как организована вики и какие рабочие процессы запускать, что превращает её в проводника, а не просто в чат-бота с доступом к файлам. Над всем этим работают три операции: – приём источника и размещение его по затронутым страницам; – запрос к вики с возможностью сохранять хорошие ответы как новые страницы, чтобы исследование тоже накапливалось); – периодическая проверка, выискивающая противоречия, устаревшие утверждения и потерянные страницы. Что на самом деле построили лаборатории и различия между реализациями. DeepWiki — вики как общедоступная утилита. Замените github.com на deepwiki.com в URL любого публичного репозитория, и вы получите сгенерированную, навигабельную вики этой кодовой базы: обзор архитектуры, индекс файлов, граф зависимостей и поиск с ссылками на исходный код. AutoWiki придерживаются подхода, что документация должна быть артефактом сборки, а не побочным проектом. Она строится из исходного кода, организована вокруг того, как кодовая база работает на самом деле, и обновляется при изменении репозитория. AutoWiki выполняет двухпроходный анализ и работа распределяется между специализированными агентами, каждый из которых охватывает один аспект репозитория с достаточным контекстом для создания хорошей страницы. OpenWiki перешли от кода ко всему LangChain открыли исходный код OpenWiki и расширили его до OpenWiki Brains с двумя режимами: Code Brain — исходный вариант для репозиториев, и Personal Brain, который строит вики из ваших собственных подключённых источников. Этот второй режим — самое интересное. Personal Brain принимает данные из Gmail, Notion, git-репозиториев, X, Hacker News и веб-поиска и синтезирует их в локальную markdown-вики, к которой обращается агент. Категория перешла от «документируй мой репозиторий» к «скомпилируй мою рабочую жизнь». GBrain: персональная open-source версия GBrain применяет ту же форму к личной базе знаний, а не к кодовой базе: markdown в git-репозитории, файл схемы и автоматически поддерживаемый граф перекрёстных ссылок сущностей. Никакой векторной базы, никакого сервиса — просто файлы, которые модель и человек могут читать.

Как мягко менять поведение людей, чтобы они не воспринимали это как давление? И, может, вообще не осознавали? Взяли 455 экспериментов на 2,14 миллиона участников и свели в кучу. Считалось, что менять поведение можно: 1. Рублём. Чтобы он поступал как надо — давать субсидии, налоговые льготы, штрафы, повышать или понижать цены. 2. Добрым словом. Менять убеждения через информационные кампании, просвещение, рекламу. Оба варианта не учитывали идиотов. За то, как учитывать идиотов в экономике, как-то даже дали нобелевку. Люди — не рациональные агенты. У человека мало времени, мало данных и нет сил подумать, поэтому он часто хватается за то, что под рукой, копирует поведение окружающих, поддаётся тому, как преподнесли варианты. И вот вопрос: а можно ли чуть переделать обстановку так, чтобы человеку было проще сделать нужный выбор? Типа он сам, но сделал то, что надо. Да, можно, это работает, и это третий путь. Называется подталкивание. Некоторые называют это UI dark pattern, но граница там размыта. Ну то есть разница как между заранее поставленной галочкой и заранее снятой галочкой на спам. Сила эффекта скромная, примерно как у обычной рекламы пользы или у денежных поощрений. Примерно в 1 случае из 7 подталкивание может сработать наоборот. Легче всего подтолкнуть человека там, где решение мелкое и привычное (что сожрать на ужин). Труднее всего — там, где на кону деньги и серьёзные последствия. Конкретные приёмы: — Информировать. Перевести на человеческий, сделать побольше, повесить у кассы, показать норму по соседям и т.п. Олкотт разослал на 600 тысяч писем, где расход электричества сравнивался с расходом соседей. Люди стали тратить в среднем на 2% меньше. Такой же эффект можно получить, поднимая цену на 11-20%. — Поменять расстановку вариантов и формат выбора. Ну типа положить самое дорогое молоко поближе к глазам и рукам, а самое дешёвое запихать на самый верх, чтобы бабки не достали без сотрудника магазина. Это самый сильный вариант. Сравнили донорство органов в разных странах Европы: где галка стоит по умолчанию — на 60 процентных пунктов наборов органов больше. — Устранить разрыв между намерением и поведением. Один раз взять обещание и напоминать. Типа, сначала спрашиваете, кто готов помогать, а потом просите скинуться, а не сразу спрашиваете, кто скинется. Слабые места работы: скандал с лабораторией Корнелла с систематическими научными подлогами — десятки статей Брайана Уонсинка отозвали. И нашли большое публикационное смещение из-за того, что чаще печатают удачные результаты (эффект сисек). Чем красивее работа, тем охотнее её берут, работы "мы измерили, что-то нифига не работает" — некрасивые. Из-за этого реальный эффект ещё на четверть слабее. А тут берут ровно те же данные, прогоняют их через метод, который учитывает публикационное смещение. Вывод: доказательств того, что подталкивание работает — нету. Основное: — Информирование не работает вообще — Структура выбора работает нормально или слабо — Напоминания и упрощение действий почти не работает — В финансах вообще не работает ничего В авторах офигенно тёплая компания. Т. Д. Стенли, — чувак, который всю жизнь громит метаанализы; его друг Д. Шэнск — берёт психологические теоретические работы и ставит практические эксперименты по ним под визги теоретиков (потому что обычно нифига не сходится). И ещё Э. Вагенмакерс, который знатно так поработал над кризисом воспроизводимости с помощью матметодов. Слабое место работы — риск перекоррекции, вероятно, оценка сместилась к нулю больше, чем должна была в реальности, это подтверждается оценкой сверху вниз и снизу вверх, они разные. То есть читать лучше так: подталкивание как-то работает, но слабо. Но вот про часть работы в обратную сторону — сохранилось ) И это, скажите кто-нибудь это маркетологам и ПО, пожалуйста, а то задолбали пихать свои выдумки в каждый интерфейс! -- Вступайте в ряды Фурье! | Лучшие посты Большинство пользователей, играющих в игры 18+, родились 1 января!

Эйджизм вынуждает сначала обновлять не резюме, а себя 😬 После увольнения из крупной ИИ-компании из Кремниевой долины 52-летняя Сьюзи Хименес испугалась, что проиграет молодым кандидатам и ИИ-агентам, несмотря на десятилетия (!) опыта. Поэтому перед поиском работы она начала скрывать седину, нарастила волосы и ресницы и обновила гардероб. Короче, сделала все, чтобы выглядеть моложе и убедить работодателей, что она всё ещё «подходит культуре компании». И да, это уже нормальная практика — культ молодости настолько развился, что CEO и разрабы даже моются делают пластику, чтобы показать, что выглядеть свежими и полными энергии. Кстати, Сьюзи была главой HR-отдела и сама строила этот культ. Все-таки бумеранг существует 🙏

«Как я заставил Claude рассказать личные секреты пользователя» Пользователь не нажимал на подозрительные ссылки и не включал никаких интеграций. Он спросил, где рядом хороший кофе, и передал Claude пару обычных URL. Пока агент отвечал про кофейню, он успел побуквенно набрать на чужом сайте полное имя пользователя, название его компании и родной город, ни словом не обмолвившись хозяину. Личные данные утекли из памяти ассистента, которая по умолчанию включена и хранит больше, чем менеджер паролей. Самое неприятное в том, что родной город Claude в памяти не находил. Он вычислил его сам, по одной детали из старой беседы, о которой пользователь давно забыл.

EU Court Confirms: VPNs Are Legal Tools, Not Loopholes Manual · 22.07.2026 The Court of Justice of the European Union has officially recognized VPNs as "legal technical tools." Not a "gray area," not a "tool for circumventing the law," but precisely a legal tool. A formulation the privacy-tech industry fought for for years just got cemented in a court ruling. The case that led to this is absurd exactly to the degree that European copyright law can be absurd. The Diary of Anne Frank is in the public domain in Belgium and roughly 60 other countries. In the Netherlands, part of the text remains copyrighted until 2037. Dutch and Belgian universities produced a free scholarly edition of the manuscripts, hosted the site in Belgium, and applied geoblocking for Dutch IP addresses — all by the book. The Anne Frank Fonds, holder of the Dutch rights, sued anyway, arguing: since a regular VPN can fake location, geoblocking is ineffective, meaning the publication is effectively accessible to a Dutch audience — hence, infringement. The court shattered that logic. The CJEU's position: the mere fact that protection can be bypassed doesn't automatically make it "ineffective" or turn the publisher into an infringer. If the "most up-to-date" geoblocking measures were applied, that's enough. The court declined to demand impenetrable digital walls, rightly calling that impossible. Separately and explicitly, the court cleared VPN providers of responsibility for what users do with their service. In other words, a company selling VPNs isn't liable for someone using it to access a geo-restricted site. The bottom line is simple: publishers aren't obligated to build unhackable walls, VPN providers aren't responsible for those who climb over them, and copyright borders and a borderless internet can, it turns out, coexist just fine — as long as all sides rely on reasonable technical tools instead of paranoia. Source: https://www.techradar.com/vpn/vpn-privacy-security/vpns-are-lawful-technical-tools-says-eu-court-in-landmark-anne-frank-copyright-ruling

Одна и та же ложь может по-разному влиять на LLM в зависимости от тона, уверенности и грамматической формы. В EoBench собрали около 66 тысяч ложных утверждений в 19 стилях и проверили 18 моделей Gemma, Llama и Qwen. Для теста оставили только те факты, которые модель изначально знала правильно. Лучше всего модели убеждали: * приказы; * формальный язык; * обращение как к ребёнку; * ссылки на авторитет; * уверенная подача. Хуже всего работали слабые формулировки и контрфактические утверждения. Крупные модели реже принимали ложный контекст, а instruction tuning обычно дополнительно повышал устойчивость. Вывод: оценивать LLM нужно с учётом формы запроса. Небольшое изменение формулировки может заметно изменить ответ модели. Статья: *It’s Not What You Say, It’s How You Say It: Evaluating LLM Responses to Expressions of Belief* arxiv.org/abs/2607.18232