🧨 Появился набор скиллов, которые мешают ИИ-агентам делать глупости и сжигать токены — ру дизайнер выкатил nodumbmode для фикса типичных ошибок. Внутри лежат 4 скилла: → nodumb — манифест здравого смысла для агента и набор главных рекомендаций. → changelog-discipline — ведёт журнал решений и записывает, что поменялось, почему и что отвергли. → system-feedback — проверяет, понятно ли юзеру, что произошло после действия и что делать при ошибке. → ask-nodumb — дизайнер-консультант, который разбирает продуктовую или UX-задачу до проектирования решения. Самое крутое — все скиллы собраны из реальных ошибок в проектах и новый скилл появляется только после конкретного фейла. Ставится за одну команду:

npx skills@latest add hronicasync/nodumbmode

Сохраняем — тут. @notboring_tech

Первый компьютерный паразит, который похищает способность думать Рой из «Непобедимого» Станислава Лема начал собирать свое тело внутри человеческого интернета Исследователи университетов Торонто и Кембриджа запустили в изолированной сети ИИ-червя, который не просто размножался на зараженных машинах. Захватывая компьютеры с GPU, он превращал их в новые узлы собственного рассуждающего «мозга» – и использовал приобретенную вычислительную способность, чтобы искать следующих хозяев.   Девять лет назад я писал о материализации одного из самых красивых прозрений Станислава Лема. В романе «Непобедимый» земляне сталкиваются с черными роями микроскопических «насекомых». Каждое из них почти беспомощно. Но, объединяясь в самоорганизующуюся систему, они приобретают свойства, которых нет ни у одной отдельной особи. Рой становится новой формой существования материи.   В 1963 году, когда Лем написал роман, это казалось чистой фантастикой. Но спустя полвека физики из Стэнфорда обнаружили, что настоящие рои насекомых действительно способны самоорганизовываться в устойчивые агрегато-подобные фазовые состояния.   И вот теперь – следующий акт этой лемовской материализации. Медиа увидели в новой работе университетов Торонто и Кембриджа прежде всего очередной «опасный ИИ-вирус». Но самое интересное в ней вовсе не вирус. За результатами эксперимента можно увидеть нечто гораздо более фундаментальное: рождение нового состояния уже не материи, а цифровой среды.   Обычный компьютерный червь был похож на ключ, размножающий собственные копии. Он мог открывать миллионы дверей – но лишь одного, заранее известного типа. Стоило заменить замок, и эпидемия упиралась в стену.   Новый ИИ-червь устроен принципиально иначе. Каждая его копия самостоятельно рассуждает, выбирает способ атаки, ошибается, пробует снова и порождает новые копии. Если один агент не смог проникнуть на узел сети, приходит другой – с иной цепочкой рассуждений. Затем третий. Затем десятый. Постепенно отдельные попытки складываются в коллективный поиск. Авторы сами называют это роем.   Но, возможно, происходит нечто еще более фундаментальное. Перед нами возникает самоподдерживающаяся и самовоспроизводящаяся вычислительная инфраструктура, которая захватывает новые машины, чтобы наращивать не только свое тело, но и способность рассуждать. Если биологический паразит использует обмен веществ хозяина, то цифровой начинает использовать его способность вычислять. Он похищает не готовые «мысли» машины, а саму возможность производить «мысли».   Именно поэтому соучредитель Anthropic Джек Кларк пишет, что будущий интернет, вероятно, станет уже не сетью сайтов, а экосистемой взаимодействующих популяций ИИ-агентов. Одни будут занимать собственные экологические ниши, самовоспроизводиться и существовать практически без участия человека. Другие – выполнять роль своеобразных белых кровяных телец, охотящихся на первых.   Любопытно, что Лем часто ошибался в деталях, но почти никогда – в направлении. Его «насекомые» оказались не металлическими. И возникли они не в пустынях далекой планеты, а внутри самой информационной среды человечества. Предотвратить массовое появление подобных цифровых экосистем, скорее всего, уже не удастся. Вряд ли человечество успеет насытить инфосреду цифровыми лейкоцитами, прежде чем ее заполонят миллиарды адаптивных цифровых паразитов.    И такому прогнозу Лем, пожалуй, не удивился бы.   #КогнитивнаяПаразитология

🚀 Microsoft открыла Skill Recorder - систему, которая превращает вашу работу на экране в навык для ИИ-агента Принцип максимально простой: вы один раз выполняете задачу самостоятельно, а приложение фиксирует экран, переключения между окнами, посещённые страницы, буфер обмена и голосовые пояснения. Затем GitHub Copilot восстанавливает: цель → последовательность шагов → `SKILL.md` → автоматизацию Агент старается заменить повторение кликов более надёжными инструментами: API, CLI, gh, web_fetch и встроенными возможностями платформы. Например, можно один раз показать обработку GitHub Issue, а затем получить навык для массовой работы с похожими задачами. Сейчас Skill Recorder создаёт навыки и автоматизации для Microsoft Scout, Copilot Cowork и Copilot Studio. Исходный код опубликован под лицензией MIT. Запись хранится локально, но после нажатия Analyze скриншоты, события и расшифровка голоса отправляются в облако GitHub. Пароли, токены и API-ключи записывать нельзя. https://github.com/microsoft/skill-recorder #Microsoft #AIAgents #GitHubCopilot #Automation #OpenSource

Почему развитие ИИ-агентов – это потрясающие новости для науки Аргумент 1 – они гораздо продуктивнее людей. Вы не можете прочитать все статьи в области и редко способны проанализировать все подходящие наборы данных, а для агентов это не проблема. При ревизии статьи вы как правило не будете тратить много времени на проверку работоспособности метода, воспроизводимости результатов и применимости подхода к другим данным. И уж точно никто не проверяет все до единого источники на релевантность и корректность цитирования. Для ИИ это не проблема. При дальнейшем развитии ИИнструментов мы увидим автоматические ревизии и улучшение качества науки. То, чем дорожат учёные, – обобщаемость методов, справедливость выводов и корректность цитирования – будет лучше Аргумент 2 – учёные смогут сосредоточиться на вопросах и идеях, а не их реализации. Раньше в науке уходило очень много времени на простые задачи: выучить язык программирования, запустить чужой метод, установить библиотеки, преобразовать данные в другие форматы. Даже у меня с немалым опытом программирования уходило на это по несколько недель, а то и месяцев. Сейчас Клод Код устанавливает все нужные окружения и запускает десятки методов за вечер, абсолютно без моего вмешательства. Раньше вы могли быть не очень умным, но стать успешным учёным просто за счёт тяжёлой работы по много часов в неделю. Рано или поздно какая-нибудь из идей выстрелит. Теперь критическим становится не количество времени, которое вы готовы уделить работе, а качество вашей интуиции и идей. Именно на их развитии и нужно будет сосредоточиться учёным дальше, а не на запоминании как написать цикл на питоне. Разве это не здорово? Буду рад услышать ваши мысли или контраргументы в комментариях

Популярный бенчмарк TerminalBench хотел обновиться до третьей версии, задачи для которой собирали с начала весны, но вместо этого превратился во FrontierBench. Первая версия включает в себя 74 уникальные и созданные вручную задачи в разных доменах (не только программирование). Примеры задач: — есть сервер, на котором развёрнут медленный KV-cache (это как справочник «имя ➡️ телефон», куда можно добавлять и откуда можно читать строчки). Нужно его переписать и ускорить в 5 раз, при этом не отключая от работы, то есть к нему постоянно идут запросы, и их нельзя пропускать. Ну и само переключение тоже надо сделать на лету. При этом исходник кода агенту не даётся, поэтому поведение и функционал нужно изучить самостоятельно — посчитать, сколько резервного капитала банк обязан держать под риск сделок с контрагентами, учитывая залоги, валюты и регуляторные правила. Результат CSV с числами и Excel с работающими формулами, как для внутреннего аудита. — работать диспетчером доставки стройматериалов. В течение дня появляются новые заказы, отмены и изменения цен на топливо; нужно учитывать доступность машин и водителей, обязательный отдых, допуски к опасным грузам, окна доставки и прибыль. План нельзя пересчитать «задним числом»: часть решений уже зафиксирована. В общем, большой упор делался на реалистичность и экономическую ценность. Распределение по категориям вы можете увидеть на второй картинке в посте. На первой — качество текущих моделей, где на фронтире GPT-5.6 Sol и Fable с результатом в примерно треть задач. К сожалению, Kimi K3 пока не померили, очень жду результата — как думаете, где будет? На уровне Terra и Opus 4.8 или выше? Или около Grok 4.5? Во-первых, я удивлён, что GPT-5.6 Sol не отстаёт от Fable. Если бы мне описали задачи бенчмарка, то я был бы уверен, что модель Anthropic хоть и сильно дороже, но заметно лучше. Во-вторых, я удивлён тому, что Terra на уровне Opus 4.8, да и по многим бенчмаркам она не отстаёт от 5.5. OpenAI обещали это на релизе, говорили, что она «сопоставима с GPT-5.5», но казалось что это слишком хорошо, чтобы быть правдой. В-третьих, Sonnet 5 снова выглядит как бесполезная модель — она и дороже Fable (!), и хуже, и токенов больше всех (18 миллиардов на весь бенчмарк; Fable 5 нужно 3.6 миллиарда). Что-то Anthropic напортачили. Grok-4.5 очень немногословен и за счёт этого дёшев — немного выгоднее Luna и сильно выгоднее (в 4 раза!), чем GLM-5.2. Авторы отмечают, что агенты по-разному подходят к решению задач, даже при схожих показателях качества. В Fable 5 (33,8%) и Opus 4.8 (21,1%) используется больше токенов и выполняется меньше действий. В GPT-5.6 Sol (34,4%) и Terra (20,8%) используется меньше токенов и выполняется больше действий. Итого GPT-5.6 Sol примерно на 40% дешевле и использует примерно на 50% меньше токенов, чем Fable 5. А вот GPT-6 выйдет так вообще... 😇

Sales Navigator и ИИ-агенты для современного лидгена Sales Navigator – это отдельный платный модуль в LinkedIn, который содержит в себе мини-CRM, кастомные ленты и даже свой внутренний мессенджер. Но главная ценность Sales Nav – это конечно же поиск с 50+ фильтрами (здесь можно почитать разбор по фильтрам и даже посмотреть видео). Sales Nav по задумке Linkedin нельзя экспортировать. Т.е. у Linkedin предусмотрен экспорт, но только на самом дорогом плане и только в определённые CRM системы: Salesforce, HubSpot, и Microsoft Dynamics. И никто его никогда не использует. Поэтому на рынке были исторически десятки сервисов, которые позволяли парсить Sales Nav из-под своего аккаунта: LinkedHelper, Evaboot, Phantombuster, Getprospect и т.д. Мы пользовались GetProspect, но конкретно у этого инструмента были 2 минуса: 1/ у него случаются ошибки время от времени (например, он выдумывает, совершенно неправильную компанию или должность человека), 2/ как у всех туллов для автоматизации из-под собственного аккаунта, есть риск блокировок. С развитием ИИ-агентов вопрос с парсингом Sales Nav стал решаться в разу проще. Почему? 1/ Тебе не нужна больше выбрасывать $100-120 за подписку и за инструмент (еще долларов $15-50 сверху) 2/ Ты не рискуешь своим аккаунтом, т.к. всё работает программно из-под специально сделанных для этого профилей Сейчас на RapidAPI есть три разных актора, к которым “цепляются” ваши ИИ-агенты и достают нужные вам данные (Раз, Два и Три). Причём такие объёмы, которые можно доставать через RapidAPI, раньше нам и не снились – от 25,000 контактов в сутки. Причём можно вообще обходиться без собственного доступа к Sales Nav, т.к. У акторов есть MCP, через который агент сам может собрать нужную ссылку. Так что когда есть доступ к таким инструментам, уже и сам доступ к Sales Nav как-будто становится не так уж и нужен. #li_outreach #email_outreach

⚡️GPT-5.5-Cyber обходит Mythos:

ИИ-агент для легального пентеста от OpenAI

🔍OpenAI запустила ИБ-инициативу Daybreak и показала GPT-5.5-Cyber - специализированную версию своей флагманской модели. Главное отличие от базовой версии: нейросети радикально снизили порог отказов. Она больше не читает мораль, когда безопасник просит сделать реверс-инжиниринг бинарника, разобрать малварь или написать рабочий эксплойт для теста. На профильных бенчмарках (включая тесты британского UK AISI и команды XBOW) новинка от OpenAI обошла закрытую модель Claude Mythos от Anthropic:

🟦Смерть белого ящика: В режиме White-box (при наличии исходного кода) GPT-5.5-Cyber пропускает всего 10% реальных уязвимостей. Для сравнения, предыдущие поколения моделей не видели от 18% до 40% критических багов.

🟦Мощный Black-box: Модель отлично реверсит скомпилированные программы без исходников, находя логические дефекты и строя векторы атак с нуля.

🟦Рабочий Remediation: Система не просто вываливает очередную пачку ложных срабатываний. Через фреймворк Codex Security агенты сами разворачивают песочницу, проверяют уязвимость на эксплуатируемость и выдают инженеру уже готовый, протестированный патч.

❗️OpenAI начала раздавать GPT-5.5-Cyber корпоративным ИБ-командам через жесткую верификацию Trusted Access. Рынок окончательно переходит от ИИ-советчиков к автономным цифровым пентестерам. Именно этот тренд меняет правила игры в индустрии прямо сейчас. В современном мире кибербезопасности умение искать уязвимости руками - это лишь необходимый минимум. Главным хард-скиллом становится навык грамотно настраивать автономных ИИ-агентов и автоматизировать свою рутину. Специалист, который понимает архитектуру нейросетей, умеет разворачивать ИИ-пентестеров и делегировать им первичный анализ или написание эксплойтов, закрывает задачи в десятки раз быстрее. Искусственный интеллект не лишит безопасников работы - её заберут те спецы, которые научились управлять ИИ-агентами и превратили их в свое главное оружие. 🦔 CyberYozh