Готово: https://www.facebook.com/share/p/1CrtgK7nnV/ - тут все детали по каждой оптимизации вынул 15 алгоритмов/структур данных и дал еще кучу оптимизаций. Уже все знают про Book to skill подход. А кто делал Book to SOTA/AI+Infra evolve? - дать ИИ изучить книгу и применить оттуда самые подходящие практики/советы и которые идеально в вашу систему/харнесс впишутся? Вот у меня пример с двумя книгами - классика computer science из которых за 5 минут выжало 15 гипотез, каждая из которых может дать минимум 2%+ оптимизации. С олимпиадных соревнований / курсов из школы/универа сразу вспомнил названия: - Префиксный Автомат Кнута-Морриса-Пратта (называли ласково КМП) - Автомат Ахо-Корасик (смеялся с названия) - Кучи Фибоначчи (помню в 2008/2009 гадали, а где реально в production это может использоваться) - Кодирование Хаффмана - Страничные Индексы B+ Деревьев - DFS Поиск в Глубину с Alpha-Beta Отсечением - Дерево Фенвика / Двоичное Индексированное Дерево // Привет моим преподавателям первого курса

Продолжение Один из комментаторов у Никиты написал, мол, как же импликации нет в языках программирования, когда там есть if (a) b? Но что значит? В известных мне языках программирования это даже не является выражением, но если бы являлось, каким было бы его значение? Иными словами, что бы нам дал вывод print (if (a) b)? Конечно же true! Ведь в этом буквально состоит работа языка программирования: обеспечить b, когда истинно a. Если он этого не делает, то зачем такой язык программирования нужен? Но в то же время, если a ложно, то глядя на эту строчку мы никак не сделаем вывод о том, произойдёт ли b. Может, какая-то другая часть кода обеспечит b. Строчка if (a) b никак не способна предотвратить b. Получается какая-то эзотерика, и только потому, что никто никогда не рассматривает if (a) b как логическое выражение и не пытается оценить его истинность. Всех интересует только логическое выражение a по отдельности, потому что от его истинности зависит, может ли быть уверены в том, что произойдёт b. Импликация в языках программирования была бы, если бы можно было написать if (a→b) c, то есть «если из a следует b, обеспечь c». Но нафиг это надо? Как мы уже выяснили, когда значения a и b уже известны, значение истинности их импликации не несёт никакой пользы и почти никакого смысла.

Что-то я чувствую себя как в этом эпизоде. Я опять проверяю границы агентов. @softwarevlogger прислал мне репозиторий и сказал: «Я это сделал тремя промптами». Смотрю — а там идея пересекается с тем, что делаю я. Я просто скормил знания о своём проекте и об этом репозитории и сказал: изучи, сопоставь, а классные идеи, которых у нас нет, — укради. И fabble украл эти идеи, делегировал опусам (я, кстати, до сих пор не смотрел, но вижу, что апа постоянно перегружается и интерфейс меняется). Ещё один из опусов попросил разрешения на изменения в ридонли-системе памяти, на основе которой я всё построил. Как я понял, в своей системе поиска локальных видео я покрыл ещё один use case. Но я еще не смотрел 🤓

1/ Google Antigravity 2 IDE UI (Control Plane): Человек работает в привычном графическом интерфейсе IDE, ставит задачи, просматривает diffs и дает человеческое одобрение (Human Gatekeeper). Контекстное окно в UI остаётся минимальным, так как тяжелые логи не попадают в чат. 2/ Hybrid Orchestration Bridge (hybrid_orchestration_bridge.py): Запрос из UI транслируется во внешний Headless CLI Work Engine в виде неинтерактивной команды agy -p "task" --sandbox. 3/ Programmatic Context Control Engine (context_pruner_v2.py): Программно обрезает технический шум терминала, выставляет жесткие токеновые бакеты и дополняет префикс промпта до границы 4096 токенов (для >85% попаданий в KV-кэш). 4/ AWS Bedrock Tiered Gateway (aws_bedrock_router.py): • Простые интенты и ранжирование отправляет на копеечную модель Amazon Nova Micro ($0.035 / 1M токенов). • Сложный рефакторинг и кодинг отправляет на Claude Sonnet ($3.00 / 1M токенов) с использованием Bedrock Prompt Caching (90% скидка на чтение из кэша). 5/ 3-Слойная Память + SearchOS Lake + SEED Hindsight: • CoALA Memory: Записи штампуются метками времени (valid_at/invalid_at valid_at/invalid_at), предотвращая использование устаревших фактов. • SearchOS Lake: Перехватывает поисковые запросы субагентов в SQLite WAL mode, экономя 80–90% API расходов. • SEED Hindsight: Подмешивает извлеченные уроки прошлых ошибок, поднимая успешность первично сгенерированного кода до 95.9%. 6/ Возврат в UI: CLI возвращает в IDE UI строго типизированный контракт (CodeChangeV1), не раздувая историю диалога.

А нам точно нужны code agents? Фича маленькая, а дифф прилетает на +1500 −1400. Через пару дней запрос на следующую фичу в тот же модуль, и агент снова перелопачивает всё, снова 1500 строк на ревью. Прочитать такие объёмы в таком темпе невозможно физически, и после нескольких итераций ты перестаёшь понимать сервис, в котором ещё вчера свободно чинил баги на лету. Когнитивная нагрузка взлетает до небес, хотя разработчик должен был бороться со сложностью, а не плодить её. На возражения обычно отвечают, что агент это как команда из десяти сеньоров. Только команда несёт ответственность и становится предсказуемой, а модель забывает контекст, повторяет те же ошибки и десять раз за час соглашается с любым «вы правы». Обсудим, где проходит граница между LLM как вторым мнением и LLM как автором кодовой базы.

Короче, раз уж у меня есть подписка ChatGPT я иногда отдаю ему в параллель некоторые задачи Раньше когда лимит сессии подходил к концу просто юзал сброс и работал дальше, но теперь нашел вот такой промт:

Run a comprehensive adversarial unit test sweep that deliberately targets edge cases, malformed inputs, race conditions, boundary values, resource exhaustion, state corruption, and invalid assumptions; ensure every test earns its place by being necessary, non-duplicative, and validating meaningful behavior as completely as is practical; remove or consolidate weak or redundant tests; fix every failing test, add permanent regression tests for each bug found, and repeat until the suite passes cleanly with no unexplained failures and strong coverage.

Использую его в новой сессии + включаю максимальный Ultra ризонинг Фишка в том, что Codex (в отличии от Claude) не останавливается посреди задачи если у вас закончился лимит, а будет работать до конца. Он универсален почти для любого проекта, но вы можете адаптировать его под свой проект/задачи Главное не используйте с /goal или субагентами, иначе кодекс может остановиться на месте 😏 @tips_ai

AI Design How-to Со студентами доводим до продакшена несколько сервисов и везде стоит вопрос дизайна. Все эти нейрослоповые веб-сервисы с зелено-фиолетовыми цветами и квадратиками всплывающими уже набили оскомину. Поэтому советую им такой вариант по росту сложности, но и потенциальному эффекту. 1. Поставить дизайн-скилл. Есть несколько хороших, мне нравятся https://github.com/Leonxlnx/taste-skill https://github.com/Nutlope/hallmark https://github.com/nextlevelbuilder/ui-ux-pro-max-skill Можно ставить все 3, можно выбрать лучший для ваших задач (не только сайты, но и документы и презентации, например) 2. Использовать Stitch от гугла для дизайна https://stitch.withgoogle.com/ Очень гибкая система с огромными лимитами на постройку/переделку сайтов/приложений 3. Просить сгенерировать дизайн ChatGPT Это один из лучших генераторов картинок на текущий момент и плюс - можно сгенерировать например сотню разных вариантов и потом выбрать лучшие идеи. Лимитов практически нет. Потом просто закинуть в ИИ-ку и попросить сделать вот так 4. Claude Design Вариант скорее для продакшн и больших студий с готовым брендбуком. Старается максимально следовать вашим гайдам и делать хорошо не только сайты, но и презентации Но для маленьких сервисов и презентаций "на выкинуть" скорее оверил, жрущий лимиты. Ну и в целом советую поглядывать или закидывать свои задачи на DesignArena и выбирать модель, что работает с вашими типа графики/визуализации лучше. Вот что на текущий момент получается: Веб-девелопмент (фронтенд) - GPT Sol Веб-девелопмент (фулстек) - Fable, Opus Гейм-девелопмент - Fable Android dev - Opus React Native - Opus SVG - Fable и спец-модель Arrow ASCII-ART - Fable Слайды - Fable и Manus Картинки/графика всех видов - GPT Image и Reve 2.1 Видео - Gemini Omni Flash Аудио - Gemini Сервисы для создания приложений с нуля - Replit (неожиданно), Emergent, Anything и только потом Lovable и прочие, в том числе где-то в серединке Figma Make и Canva https://www.designarena.ai/leaderboard

Перед поездкой в Японию хотел вспомнить катакану и хирагану, но не хотел перебирать кучу платного говна в аппсторе, и тк я знал что для меня работает и что конкретно я хочу видеть, завайбкодил себе в Рорке вот такой мини тренажер с подсказками. (Есть веб версия). После такого конечно хочется сделать масс рассылку на тян разрабов и сказать что они больше не нужны, но нет, нужны. А тренд на персонализированый софт это круто, мне зашло! Вообще с японским тут интересная история, он намного лучше воспринимается на слух чем корейский или китайский, и легче произносится, поэтому какие то слова прилипают сами. Мое баготое аниме детство тоже дает свой вклад—я могу рандомно посреди дня вспомнить как сказать море, мама, или снег, а какие то фразы типо ittekimasu, ganbatte, или kiotsukete я узнаю из контекста и понимаю что они значат, хотя никогда их не учил! Короче языковой барьер тут как ни парадоксально ближе к Европе—при должном желании в быту можно заговорить довольно быстро.

Стоит пару месяцев посидеть без работы, как мнение сноба синьора о методах ОМ тут же меняется. Прямо сейчас былые хейтеры ОМ проходят через гнев, торг и принятие. И вот что интересно — их ценности меняются в зависимости от обстоятельств. Пока человек сыт и уютно кодит в любимом корпорате, ему легко через губу смотреть на гнилозубых вкатунов за фильтрами найма. Как только он сам оказывается в этой толпе, внезапно, это кажется несправедливым и нечестным. Задумайся: если твои ценности исчезают при первом же неудобстве, то зачем они были нужны? Это скорее временные выебоны, ничего фундаментального в них нет. "Семья важнее работы" -> но за х3 бабок забью на семью. "Я никогда не вру" -> ой, не могу найти работу уже 3 месяца, ну ладно, время накрутки бррбррр ОМ с распростертыми объятиями примет и всему обучит былых скептиков, никакого злорадства. Но стоило ли из-за временных предпочтений (я сыт, поэтому ненавижу голодных) осуждать других людей и публично клеймить их за желание просто работать на работе? Ведь тогда клеймо теперь на вас.

В последнее время все актуальнее вопрос: а может перейти на open source модель и снизить зависимость/убрать риски, ну или сэкономить —> сделал для вас скилл по мотивам ответа на такой же вопрос для своих пайплайнов: https://github.com/BayramAnnakov/oss-migration-eval что делает: 1) анализирует самые "жирные" пайплайны 2) определяет, по какой метрике будем сравнивать модели (что такое "правильно") 3) составляет "золотой датасет", чтобы заранее определить, на каких кейсах будем сравнивать 4) берет шортлист кандидатов на основе лидербордов artificialanalysis (по качеству) и openrouter (по популярности) 5) прогоняет модели, считает точность на золотом датасете 6) (опционально) может погонять в режиме autoresearch промпты, чтобы даже на слабой модельке добиться гуд результатов 7) и советует что брать :) удачи! P.S. до выхода kimi k3 на моих пайплайнах победила kimi k2.6

Ну, это так для сравнения. Юзает ли кто-нибудь Gemini нынче? Кажется, совсем у них дела плохи. Раньше хоть дешевые мелкие модели были (мы в CodeAlive вовсю их гоняли при индексации), а сейчас вообще юзкейсы непонятны. Я, кстати, в добавку к Codex и Claude взял еще на Grok подписку и использую в кач-ве ревьюера - действительно находит много интересного, я доволен. А Fable использую как эксперта-консультанта, вызываю просто из Codex через свой скилл agents-consilium. Еще молва пошла, что квен 3.8 якобы дюже силен. Но бенчмарков нету вообще, что подозрительно. Успел уже попробовать кто-нибудь новый квен? У меня уже хобби команду ревьюеров из сильных моделей собирать: обычно 5.6 Sol medium/high делает, затем зовет Grok 4.5/GLM 5.2/Opus 4.8 ревьюить, затем когда у простых работяг вопросов не остается, передает работу Fable на ревью. Видимо, команда моя скоро пополнится новой кими и квеном. @ai_driven

После записи с Александром Битаром (Frescio) продолжили общаться и поняли, что пара тем в интервью получились шире, чем влезло в монтаж Поэтому попросил его развернуть пару моментов отдельно со своей экспертной стороны Делюсь 🤩 Думаю, будет полезно тем, кто строит что-то на AI прямо сейчас 1️⃣ По каким конкретно признакам ты видишь, что медовый месяц заканчивается уже сейчас?

👨🏻‍💻: Провайдеры AI-моделей переводят энтерпрайз-клиентов и часть физических с подписочной модели на API-based Т.е. раньше можно было использовать, например, Copilot в Github по подписочной модели, где ты платишь фикс несколько десятков-сотен долларов в месяц, но по факту пользуешься токенами на несколько тысяч долларов Сейчас эта возможность частично остается для обычных пользователей с индивидуальной подпиской в ChatGPT, Claude, но за Copilot на Github уже надо платить через API Также Anthropic & OpenAI перевели как минимум часть своих энетрпрайз клиентов на API-план Для индивидуальных пользователей тоже видно "затягивание поясов" - например, два апдейта подряд Anthropic вводит токенизаторы, которые за те же запросы потребляют в 15-30% больше (пример - релиз Claude Sonnet 5) токенов, по сути, уменьшая нагрузку на свою инфраструктуру не снижая выручки

2️⃣ На что стоит обратить внимание уже сегодня тем, кто строит продукт на AI?

👨🏻‍💻: Стоит сформулировать ответы на два вопроса: 1) строю ли я нечто такое, что не смогут через полгода убить Anthropic/OpenAI/Google одним апдейтом своей экосистемы? В качестве наглядного примера - стартап viktor, о котором я неделю назад читал пост-мортем, написанный их фаундером. Кратко - они сделали AI-сотрудника, который пересекается по функционалу с Claude Tag Они не закрыли стартап, но теперь вынуждены напрямую конкурировать с Антропиками 2) если мой продукт зависит на 100% от способностей моделей OpenAI/Google/Anthropic/etc. - что я буду делать, если завтра они их отключат/повысят цены на API в 2 раза...?

3️⃣ В какой момент стало понятно, что агентов без инвестиций не поднять? Как ты пришел к этой мысли?

👨🏻‍💻: Агентов и физическое устройство теоретически можно было поднять самостоятельно, но на это ушло бы раз в 5 больше времени. И, в результате, все равно все пришло бы к инвестициям Пришел путем простого расчета того, сколько денег нужно на партию устройств, дистрибуцию, логистику, не говоря об инфраструктуре... В 2026 главное - скорость. Так что мы отдали приоритет тому, что могли быстрее запустить

4️⃣ Что бы ты сказал человеку, который застрял с пет-проектом и не может понять, туда ли вообще движется?

👨🏻‍💻: Я застревал десятки раз, и мой шаг №1 всегда: остановиться, выдохнуть, спросить себя "чего я хочу?" Затем "как я вижу идеальную картину будущего?" От ответов на эти вопросы будут зависеть конкретные шаги по проекту: либо мне нужно изменить подход, либо его приоритизировать, либо убить Например - вначале у нас во Фреско не был определен портрет юзеров, из-за чего позиционирование выглядело размытым. Я закинул ссылку на продукт в несколько чатов, где сидели разные аудитории и точечно собрал обратную связь Одна из целевых групп явно отличалась по формату слайдов, которые они обычно делали. Проанализировав наш техстек и особенности генерации слайдов мы с моим ко-фаундером поняли, что до этой группы мы дойдем позже, а сейчас нам лучше сфокусироваться на других, более похожих на нас пользователях Если вы совсем не знаете, что делать - поищите ментора, спросите совета в нетворк-чатах... на крайний случай есть claude/chatgpt :) пометка от Гегама: задать любой вопрос ты можешь в комментах к любому моему посту, так, на всякий случай ;) Главное, пользоваться ими осознанно

А что думаешь ты — медовый месяц реально заканчивается?) Пиши в комментах, а мы обязательно заглянем и ответим 💪 📱 Смотреть полное интервью