Monogram AI Визуальный интерактивный интерфейс для работы с AI агентами. Вместо привычного чата с текстом ребята делают ставку на UI. Задаешь свой запрос "Поесть суши", получаешь карту с адресами, хочешь приготовить печеньку, пожалуйста, красивенький рецепт. Посмотрите фотки. Прикольно наблюдать как классические чат-боты постепенно превращаются в полноценные интерфейсы, супераппы, если хотите. Те самые, настоящие, подстраивающиеся под контекст, а не вываливающие на тебя доски объявлений с плашками сервисов. В каком-то смысле переизобретение поисковиков только без лишних переходов. Удобно, быстро. Думаю тренд подхватят и другие, а ребятам успехов, молодцы. Не зря в июльском топе Product Hunt засветились. Источник #рекомендуетсяизучить

Почему стоит держаться подальше от OpenCode Интересный обзор от инженера Luke Wren. Автора бесит и качество работы, и безопасность. 1. Тратит ваши деньги впустую Когда агент общается с LLM, провайдеры (Anthropic, OpenAI) умеют кешировать уже отправленный контекст: повторно те же токены стоят в разы дешевле. Но кеш работает только если начало разговора не меняется ни на символ. OpenCode ломает это постоянно: перечитывает одни и те же файлы заново, вставляет в промпт текущую дату (изменилась минута – кеш умер), выкидывает куски контекста без необходимости. Итог – вы платите полную цену за токены, которые могли стоить копейки. Вторая беда – обрезка контекста. Если прервать агента на полпути, он может «забыть» важное – например, спеку проекта, которую вы ему скормили. Дальше он работает, не помня, что вообще нужно было сделать. Плюс мелочи: с подагентами нельзя пообщаться, когда они тупят, интерфейс в терминале жрёт память, ломает многострочный ввод и не поддерживает базовые шорткаты редактирования. 2. Это дыра в безопасности AI-агент выполняет команды на вашем компьютере. Чтобы он не натворил дел, ему нужны ограничения – «вот это можно, вот это спрашивай у пользователя». Вопрос в том, как эти ограничения устроены. OpenCode проверяет команды по тексту: смотрит на строку, которую агент хочет выполнить, и решает, опасная она или нет. Например, можно запретить команды git. Проблема: shell – это полноценный язык программирования, и одну и ту же команду можно записать бесконечным числом способов. Автор показывает десять обходов, вот пара для понимания: – echo 'git clean -fdx' | bash – формально это команда echo, «безобидная». Но она передаёт запрещённый git прямо в shell, и тот выполняется – python3 -c 'import subprocess; subprocess.run(["git", "checkout", "."])' – формально это python, а не git. Фильтр пропускает То есть запрет работает только против агента, который не пытается его обойти. А LLM может обойти его даже случайно, просто потому что так «удобнее» написать команду. Дальше хуже. Кнопка «Always» (разрешить навсегда) запоминает разрешение слишком широко: один раз одобрили безобидный echo hello – и теперь агент может выполнить echo 1 > /sys/class/gpio/gpio21/value. Это уже запись в системный файл. Перенаправление вывода (>) вообще не проверяется. И на десерт: у OpenCode уже был CVE – уязвимость, при которой можно выполнять произвольные команды на машине пользователя. Показательно, как закрыли issue об этом: его закрыл бот для «протухших» тикетов. Не человек, разобравшийся в проблеме, – бот, который чистит старые обращения. Автор говорит: фильтровать команды по тексту – бесполезно в принципе, это "и так сойдет", а не безопасность. Настоящая изоляция делается средствами операционной системы: Landlock в Linux, Seatbelt в macOS – механизмы, которые физически не дают процессу трогать файлы за пределами разрешённых. Тогда неважно, как хитро записана команда, – ОС просто не даст ей навредить. Стоит прочитать целиком, если пользуетесь, особенно раздел с обходами правил безопасности. https://wren.wtf/shower-thoughts/stop-using-opencode/

47 маркетинговых навыков для AI-агентов 🔹 coreyhaines31/marketingskills ⭐ 38587 звёзд · JavaScript Набор Agent Skills для Claude Code, Codex, Cursor и Windsurf, покрывающий CRO, копирайтинг, SEO, аналитику и growth-инжиниринг. Всё лежит в 47 markdown-файлах, связанных перекрёстными ссылками: copywriting тянет за собой cro и ab-testing, revops — sales-enablement и cold-email. В основе иерархии — навык product-marketing, к которому обращаются остальные. Ставится через npx CLI, плагин Claude Code, клонирование, git submodule или SkillKit для мультиагентных сценариев. В версии 2.0 переименовано 17 навыков, а page-cro и form-cro склеены в общий cro. При апгрейде с v1.x старые папки не удаляются автоматически — придётся чистить руками. репозиторий Полезная Репа 📈

Про обновлённый Codex App. Поработал с ним плотно после релиза и пока что впечатления сугубо положительные. Я знаю, что на Windows всё не очень хорошо с интерфейсами, но это сделано исключительно для того, чтобы пользователям винды было привычнее :) Сам по себе проект всё ещё достаточно сыроват, но надеюсь, что обновлениями всё-таки доведут до готовности. Время вайбкодинга – это когда "ну, оно же запускается!" является достаточным аргументом для отправки приложения в продакшн. Для моих задач Codex, даже в текущем состоянии, оказался удобнее, чем VS Code + официальное расширение от OpenAI. Наконец-то в Codex App добавили возможность просматривать и редактировать исходный код и файлы, не открывая сторонние IDE. Плюсы по сравнению с VS Code: есть просмотр PDF без дополнительных плагинов. Минусы по сравнению с VS Code: нет просмотра видеофайлов без дополнительных плагинов. Codex App теперь умеет ставить сам себе цели без вызова /goal. Я давал три длинные задачи, но он только в одном случае решил поставить себе цель. Возможно, играет роль фраза "Пока всё не закончишь и все тесты не будут зелёными, не останавливайся". Можно из интерфейса Codex вызвать классический GPT-чат, провести там исследование с помощью Pro-модели (или deep-research, если вы до сих пор умудряетесь выживать на подписке за $20), а потом передать результаты из чата сразу в активную рабочую сессию Codex. Это удобно. В codex добавили целую пачку системных плагинов. Я не помню, какие из них были до, но сейчас список выглядит следующим образом: 1. github@openai-curated – для работы с git. 2. documents@openai-primary-runtime – работа с текстовыми Word/Docx-документами. 3. spreadsheets@openai-primary-runtime – работа со всеми видами таблиц. 4. presentations@openai-primary-runtime – работа с презентациями. Кстати, надо будет попробовать. Как раз есть одна задачка, чтобы набросать уже готовую презу под конкретное оформление. 5. pdf@openai-primary-runtime – работа с pdf. Попробовал вчера с ним поработать – достаточно хорошо умеет править, но надо чётко формулировать свои задачи и ограничивать его от вкорячивания скриншотов посреди страницы. 6. template-creator@openai-primary-runtime – создаёт шаблоны документов, таблиц и презентаций. Чтобы потом можно было переиспользовать. 7. visualize@openai-bundled – инструмент для создания графиков, диаграм, карт, симуляций и визуализации данных. Мне очень нравится, как Sol рисует схемы при помощи этого инструмента. Для меня это лучшее обновление, отлично вписывающееся в пайплайн. 8. browser@openai-bundled – собственный браузер. Сейчас Codex саботирует установленный мною Playwright и использует исключительно этот тул для web-ui-тестов. Итого: я переехал на Codex App из VS Code по состоянию на сегодня. В нём есть почти всё, что мне надо для идеального инструмента для разработки с агентами. Плюс – регулярно использую подключение с телефона к ноутбуку, чтобы продолжить сессию, пока нахожусь не дома. Как у вас опыт с обновлением Codex App?

Goldman Sachs: использование токенов AI-агентами может вырасти в 24 раза к 2030 году. AI-агенты становятся первым серьёзным тестом на стоимость для всего AI-бума. На этой неделе уже писали, что Uber и Microsoft пересматривают дорогие сценарии использования агентов. Обычный чат-бот может просто ответить один раз. А агент планирует, вызывает инструменты, проверяет результат, исправляет ошибки и снова повторяет цикл. Из-за этого один пользовательский запрос может съесть в 10 раз, 50 раз или даже намного больше токенов, чем обычный ответ. Бычий сценарий Goldman Sachs: месячное потребление может дойти до 120 квадриллионов токенов к 2030 году, при этом стоимость inference за токен будет падать на 60–70% в год.

Как мы набросали 3 новых продукт за 3 часа На прошлой неделе с командой работали оффлай и в последний день решили сделать хакатон. Было офигенно! Рассказываю что успели: 1. Задача была – повеселиться, выйти немножко за рамки текущего продукта и "дать себе волю". Не было надежды что что-то из этого можно будет использовать в проде Разбились на 3 команды и делали 3 новых версии для продукта: - Маймит для HRов - Маймит для Sales - Маймит для исследователей У нас давно есть идеи вертикализации, тк сейчас продукт слишком для "всех" Короче поверх текущего Маймита за 3 часа нужно было - закасдевить клиента из воронки - навайбкодить решение, - показать решение клиенту, получить от него фидбек На выходе получили три работающих прототипа, каждая команда провела всем демо Из интересного: В sales-сегменте два агента работали параллельно: Fable и GPT 5.5 xHigh. Фейбл по итогу оказался более консистентный текущему продукту, гпт чуть больше нейрослоп (промпт был одинаковый) Для команды это было прикольно двумя вещами: - посмотреть какие подходы в работе с coding agent эффективнее: кто-то потратил половину времени на план и огромный промпт-цель. Кто-то делал итерациями и 5 параллельными агентами (оказалось хуже) - познакомиться и повзаимодействовать глубже с ребятами из команды, тк были и разрабы и сейлзы условно Результаты хакатона будем развивать дальше в продукты (дай бог). То, что получилось нельзя вчистую использовать в проде, но теперь точно будет легче тк есть вижн, первые черновики и проработка мероприятие зашло команде, немножко напоминает подготовку вечернего мероприятия в лагере – все торопятся, азарт, идеи и вот это всё. В комментах покажу pdf в sales-сегменте для сравнения от Fable и GPT 5.5 xHigh

Далеко идущие цели. Или как за выходные потратить 80% недельной Pro-подписки OpenAI за $200 на экспериментах с /goal. /goal – это режим для AI-агента (я использовал Codex CLI), который позволяет задать агенту цель. Он будет идти до неё, пока не достигнет. Важно, что перед финальным ответом, агент вернётся к исходной цели и перепроверит, а точно ли он её достиг? Как сделать так, чтобы AI-агент мог работать над задачей по-настоящему долго? Мы должны задать следующее: 1. Конечный результат. Чем подробнее – тем лучше. 2. Критерии, описывающие, что такое "готово". 3. Какие у модели есть ограничения. Ключевой пункт на самом деле. Потому что он создаёт для модели feedback-loop. 4. Инструменты, с помощью которых соблюдение ограничений можно проверить. Как это можно организовать на практике: 1. Идём в GPT-5.5 Pro. 2. Надиктовываем ему детально идею проекта, который хотим реализовать. 3. Сообщаем, что сейчас будем собирать детальное ТЗ, которое нужно сразу записывать в md-файлы для подготовки итогового zip-архива (чтоб не потерял ничего по пути). 4. Просим провести с собой глубокое интервью (с вариантами ответов и подсветкой правильного по мнению модели – так проще проходить опрос на 100 вопросов), чтобы вы с GPT понимали детали реализации на 100% одинаково. 5. Далее, опционально, можно уточнить "А будет ли готово к продакшну то решение, которое сейчас описано в ТЗ?". И получить ещё пачку вопросов в интервью с вариантами ответов, чтобы подсветить другие аспекты проекта. 6. Разбиваем с помощью GPT ТЗ на конкретные задачи. Выполнение каждой должно быть проверено через запуск тестов. Unit+автотесты+playwright для UI-тестов. Это те самые ограничения, которые обеспечивают feedback-loop после каждой задачи. 7. На базе сформированного архива просим сделать `/goal`-промпт, который будет ссылаться на md-файлы внутри архива (ибо ограничение в 3000 символов на `/goal`). 8. Готово. После прохождения всех описанных выше этапов – я получил 26 часов работы в /goal-режиме на выполнение 400+ задач по реализации проекта. Схема достаточно общая. Посмотреть на долгий /goal она позволит. Получение production-ready продукта не гарантировано. Придётся напильником доводить до того, что нужно. Есть моменты, в которых её можно улучшить. Например, более суровый feedback-loop и описание каждой из задач в определённом формате. Про свои находки в этих (и других) направлениях расскажу в следующих постах.

Pico Claw. Настройка за 15 минут Примерно с мая этого года использую Pico Claw для агентских сценариев. Меня спрашивали что это и как его настроить — записал на эту тему ролик. PicoClaw — AI-агент, который ест <10 МБ RAM и работает на любом железе. Я сам лично его использую для проверки разных гипотез применения ИИ-агентов в моих задачах. Ничем не хуже опенкло и гермеса для моих задач, но весит в десятки-сотни раз меньше. В ролике — полная установка на пустой VPS: безопасность (SSH, fail2ban), установка одной командой, подключение к ИИ-мозгам (без VPN), веб-интерфейс, Telegram-бот и ограничение доступа по IP. Ссылки на ролик на всех площадках: 📹 YouTube | VK | Rutube | Dzen 📹