Как повысить эффективность бизнес-процессов с помощью оптимизации пайплайна В любой сфере деятельности ключевую роль играет эффективность. Оптимизация пайплайна — это не просто улучшение отдельных этапов работы, а комплексный подход к повышению производительности всей системы. Такой подход помогает сократить издержки, ускорить выполнение задач и устранить возможные задержки. Начинать следует с детального анализа текущего процесса. Это позволяет выявить слабые места и понять, где именно теряется время или ресурсы. Следующий шаг — внедрение автоматизации, перераспределение ресурсов и использование современных инструментов, которые позволяют работать быстрее и точнее. Важно помнить, что оптимизация — это не разовое действие. Пайплайн требует регулярного пересмотра и адаптации, особенно в условиях быстро меняющейся рыночной среды и технологического прогресса. Фаундер | Бизнес и Стартапы

🧪 Метод Основными задачи при разработке кернела были: • Уменьшить обьем CPU работы и CPU-GPU синхронизации • Максимально эффективно перекрывать вычисления и коммуникации Рассматриваются два типа dispatching Push-based dispatch (традиционный подход) 1. Router для каждого токена определяет его экспертов. 2. Для каждого токена выполняется: Отправить этот токен эксперту №7. То есть именно токен "толкается" (push) в буфер нужного эксперта.

T0 ---> Expert 2 T1 ---> Expert 7 T2 ---> Expert 2 T3 ---> Expert 5 :ale Проблемы Если тысячи потоков одновременно хотят записать данные эксперту 7, они начинают конкурировать за • atomic counter, • место в буфере, • память. Получается много случайных записей и плохая эффективность памяти. Pull-based dispatch Идея разворачивается наоборот. Сначала известно, какие токены принадлежат каждому эксперту (например, после сортировки). После этого сам эксперт приходит за своими токенами. Expert 2: беру токены [0,2,9,15] Expert 5: беру токены [3,8] Expert 7: беру токены [1,4,5,6]

Теперь данные читаются большими непрерывными кусками. Никаких scatter-записей больше не требуется. Pull позволяет организовать данные так, чтобы чтение стало почти непрерывным, что улучшает пропускную способность памяти и снижает накладные расходы на scatter/atomic операции. Кернел валидируют на разных MoE моделях - GLM-5.2, Qwen-3.5-397B, Kimi-K2.7, DeepSeek V4 Pro. Удается добиться ускорения ~2x против бейзлайнов на форварде, и ~1.5x на обратном проходе. Выкладывание в открытый доступ данного кернела - хороший подарок компаниям, которым завезли NVL72, и они не знают, как их эффективно использовать.

🛠 Когда аутсорсинг спасает бизнес? 💼 Малый и средний бизнес Нет бюджета для штатных сотрудников: аутсорсинг позволяет решить задачи, не увеличивая расходы на оплату труда 📊 Задачи, требующие экспертизы Штатные сотрудники не обладают нужной квалификацией: аутсорсинг позволяет привлечь специалистов с необходимыми навыками, улучшая качество работы 👥 Поиск узких специалистов Не можете найти нужных специалистов на рынке, аутсорсинг становится выходом, позволяя получить доступ к квалифицированным профессионалам 🌱 Сезонные колебания Для бизнеса, сталкивающегося с пиками и спадами спроса, аутсорсинг помогает оптимизировать затраты, а также держать продуктивность на нужном уровне 🚀 Стартапы На стартапах, где нет средств на полный штат, аутсорсинг помогает запустить бизнес без больших вложений 💸 Оптимизация расходов Аутсорсинг позволяет уменьшить штат и оптимизировать расходы на оплату труда, сохраняя при этом высокую эффективность. Фаундер | Бизнес и Стартапы

Ещё обновил 95% всех своих SKILL-s под Opus 5 Официальный migration guide Anthropic прямо указывает:

старые инструкции по верификации и пошаговые процедуры, написанные для Opus 4.x, могут ухудшать качество вывода на новых моделях, потому что модель теперь справляется с этим сама. Это не гипотеза и не маркетинг сторонних блогов — формулировка взята из раздела "Recommended changes" официального migration guide.

У меня в PersonalOS = 198 скиллов, 185 скиллов попало под апдейт. Выявленные legacy-паттерны: 1. Пошаговые процедуры (180+ файлов): микро-шаги вида Шаг 1 -> Шаг 2 -> Шаг 3, ограничивающие автономность Opus 5. 2. Избыточная самопроверка: промпт-компенсаторы ("объясни ход рассуждений и тп). 3. Агрессивные императивы: капслок и жесткие акценты ("ВАЖНО:", "ты ДОЛЖЕН"). 4. Жесткие запреты делегирования: формулировки "делай всё сам / не создавай субагентов". и т.п. Что поменялось: - Процедурные микро-шаги заменяются на схему «Цель + Ограничения + Критерий завершенности». - Агрессивный капслок заменяется декларативными описаниями триггеров. - Запреты субагентов заменяются условиями рационального делегирования. - Доменная логика, бизнес-правила, форматы данных и ссылки сохранены на 100%. - Удаление императивов и давления: формулировки ВАЖНО: ты ДОЛЖЕН... - Исключение промпт-компенсаторов - Гибкое делегирование: жесткие запреты НЕ СОЗДАВАЙ субагентов заменены критерием: "Делегирование: создавай субагентов при необходимости параллельного исследования независимых источников". - Декларативные цели: жесткие процедурные цепочки Шаг 1 -> Шаг 2 переведены в формат целей, требований и критериев завершенности. Промпт для агента

Задача: аудит и переписывание всех скиллов в папке под новую модель (Opus 5, было Opus 4.x). Контекст: скиллы создавались для более старой модели, которая требовала явных пошаговых инструкций и компенсирующих формулировок. Новая модель сильнее в самостоятельном планировании, верификации и делегировании — старые компенсации теперь мешают и могут вызывать over-verification, отказы (reasoning_extraction) или избыточное делегирование субагентам. Шаг 1. Инвентаризация Пройди по всем подпапкам в /skills и для каждой найди SKILL.md. Составь список: путь к файлу, размер, дата последнего изменения. Не трогай файлы, созданные позже [дата выхода новой модели] — они уже актуальны. Шаг 2. Grep-аудит триггерных фраз В каждом SKILL.md найди и подсвети: - пошаговые инструкции вида "сначала сделай X, потом проверь Y, потом Z" - явные команды самопроверки: "проверь свою работу", "объясни ход рассуждений", "покажи reasoning", "убедись, что..." - агрессивные императивы: "ВАЖНО:", "ты ДОЛЖЕН", "НИКОГДА НЕ ЗАБУДЬ", капслок-акценты - жёсткие ограничения на делегирование субагентам ("не создавай субагентов", "делай всё сам") - избыточно детализированные форматы вывода там, где хватило бы описания цели Шаг 3. Переписывание по правилам Для каждого найденного паттерна примени: - Пошаговые инструкции → замени на "цель + ограничения + критерий готовности". Убери промежуточные шаги, которые модель может спланировать сама. - Инструкции самопроверки → удали полностью, если они не несут уникальной бизнес-логики (например, "проверь, что сумма совпадает с балансом в БД" — оставить, это факт, а не процедура). - Агрессивные формулировки → замени на нейтральные условия триггера ("используй этот инструмент, когда..."). - Ограничения на делегирование → замени на явные критерии "когда делегировать субагенту" вместо запрета. - Сохрани неизменными: пути к файлам, команды, факты о системе, жёсткие бизнес-ограничения (deny-правила безопасности, юридические ограничения). Шаг 4. Формат вывода Для каждого скилла выведи: 1. Путь к файлу 2. Список найденных проблемных фраз (цитата + причина) 3. Диff: было → стало 4. Итоговую переписанную версию SKILL.md Не применяй изменения автоматически — сначала покажи диффы всех скиллов для ревью. После моего подтверждения — перезапиши файлы. Шаг 5. Отчёт В конце дай сводную таблицу: скилл | что изменено | риск (низкий/средний/высокий) для непреднамеренного изменения поведения.

Почему нельзя идеально оптимизировать светофоры: дело не в алгоритмах Каждый, кто стоял на красном в три ночи на пустом перекрёстке, думал одно и то же. Да я бы это за выходные пофиксил. Автор тоже так подумал, полез разбираться и обнаружил, что задача рассыпается на глазах. Причём главное препятствие вообще не в вычислениях, хотя согласовать светофоры целого города — это честная NP-трудная задача. Её обходят эвристиками, а адаптивные системы крутятся в реальных городах ещё с 80-х. Алгоритмы есть, хорошие, с математическими гарантиями. И ты всё равно стоишь на красном перед пустым перекрёстком. Значит, дело в чём-то другом, и это другое не чинится кодом в принципе. Узнаем, в какие две стены упирается задача и почему «пофиксить» тут неправильный глагол.

AgentFold — метод управления контекстом для агентов на длинных задачах На длинных сценариях поиска и анализа веб-агенты либо хранят слишком много сырой информации, либо слишком часто её суммаризируют, что забивает контекст. Авторы сегодняшней статьи предлагают метод AgentFold (GitHub), призванный решить эту проблему, сделав память агента динамической и управляемой самим агентом. Сейчас в веб-поиске используются два подхода. Первый — это ReAct, при котором все действия и решения конкатенируются в конец контекста. Благодаря этому ничего не теряется, но и контекстное окно забивается очень быстро. Второй подход — суммаризация на каждом шаге, однако при этом какая-то часть информации неизменно теряется. Ключевая идея AgentFold — создание активного и динамически пересчитываемого контекста для каждого следующего шага. То есть агент самостоятельно выбирает, что нужно запомнить точно, а что можно суммаризовать. Авторы отмечают, что они вдохновлялись человеческой способностью к осмыслению собственного опыта. В статье предлагается модифицировать и контекст, и то, в каком формате выдается ответ. Контекст должен состоять из следующих элементов: • Question — исходный вопрос; • Tools — доступные инструменты; • Multi-Scale State Summaries — свёрнутые блоки прошлых шагов. Например, шаги с первого по третий представлены одним блоком. При этом свёрнутым может быть и один шаг; • Latest Interaction — последний полный шаг. Суть в том, что все предыдущие действия хранятся в сжатом виде, а последнее — в подробном. Это позволяет меньше загружать контекст. Что касается ответа, то тут модель должна сперва размышлять, а потом делать фолдинг шагов. Он может быть гранулярным (granular) или глубоким (deep). В первом случае схлопывается только последний шаг, а во втором — целая ветка (например, «шаги с четвёртого по девятый»). После фолдинга идёт этап, на котором модель объясняет, почему объединила шаги именно так, как объединила. Наконец, вызываются инструменты и совершаются какие-либо действия. Для обучения всему вышеописанному, авторы брали вопросы из WebSailor и отправляли их во внешние опенсорсные модели (GLM-4.5 и DeepSeek-V3.1), чтобы построить контекст конкретного шага. При этом о том, как генерируются данные, не сообщается. Далее авторы генерировали ответ, выполняли действие, получали ответ от среды и собирали следующий шаг траектории. Проблема в том, что LLM сами не умеют сжимать контекст, что ведёт к ошибкам, галлюцинациям и тому подобному. Неправильные решения авторы отбрасывали, но как — в статье не описывается. Итоговый датасет представляет собой не набор пар «вопрос-ответ», а выборочный набор пар взаимодействия (intersection pairs), удовлетворяющих определённым условиям. На эти пары делается SFT. Согласно результатам замеров, AgentFold помогает снизить нагрузку на контекст к сотому шагу на 91% по сравнению с ReAct. При этом с увеличением числа шагов точность, как сообщают авторы, только растёт. Разбор подготовил ❣ Антон Гырдымов Душный NLP