Как я с Клодом собрал команде личный кабинет Собирался написать этот пост недели две: идея внутри горела, а я всё равно тянул — ровно потому, что фигачил как раз то, о чём хочу рассказать. Но пора перестать размышлять о вайб-кодинге и показать, что из него всё-таки удалось собрать, а то первая волна эйфории уже схлынула и вымываются те, кто ушёл в мертворождённые продукты. Но начну с контекста. У нас в Overgear, как у любой модной и прогрессивной компании, в начале года случился мощный FOMO: либо оседлаем волну AI-изации, либо из лидера тихо сползём в отстающие, потому что утонем в рутине с её нищим КПД. Поэтому наметили несколько стратегических проектов под автоматизацию и раздали инструменты всей команде — чтобы набивала шишки. На один из таких проектов позвали стороннего интегратора. Он озвучил нехилую сумму за внедрение, и у меня сразу внутри: «wtf, да я сам сделаю лучше» — и сел разбираться с Клодом. Первые потуги были неуклюжие: я только осваивал дисциплину и завалил папку проекта десятками сборок на localhost, по сути мусором. Но уже через неделю почти без усилий поднял свой VPN-сервер ускоритель интернета, который не блокируется: вся семья и друзья на нём сидят, вроде даже без перебоев и жалоб. Тут внутренний авантюрист завёлся сильнее и завёл меня в точку, где я решил замахнуться сразу на рабочий инструмент для всей команды — чтобы люди меньше времени тратили на отчётность и сбор данных, а нужные цифры вытягивали через MCP (это коннекторы нейронок с внешними сервисами вроде Google Ads, GA4, CRM) почти без ручной возни. Проще говоря, свой личный кабинет для команды. Он на скрине — цифры только замазал, так как NDA, все дела. Дальше меня затянуло как в воронку: стал по модулям собирать функцию за функцией и закрывать не только отчётность, но и рутину, которая порой съедала до 30% времени человека. Теперь у ребят вроде как больше места для творчества — мозг не выгорает на операционке. И работают тут ровно те же правила, что для любого продукта: смотришь метрики (MAU, DAU и прочие), проверяешь, даёт продукт больше пользы или больше отъедает ресурса. И где-то здесь я поймал настоящую маниакальную зависимость: пилить и пилить эту ценность, а потом проверять — стала она ценностью или ты просто потешил своё эго очередным инструментом. Побочки, как у любой зависимости, тоже налицо: меньше спишь, уходишь в это с головой и забываешь уделять время родным (Анисия, каюсь!). Спасает, кажется, одно — привычка на каждой собранной штуке спрашивать себя: пользуется ли ей вообще хоть кто-то. Кто на этот вопрос забивает, тот и клепает продукт за продуктом в стол — так и пополняется кладбище мертворождённых. Стала ли это в итоге ценностью для команды — пока честно сказать не могу, ребята только тестируют. Но одно скажу точно: нам удалось проскочить «долину смерти» и распробовать потенциал и вайб-кодинга, и более глубокой работы с данными. Так что Viva la AI лично от себя подпишу, а как с этим быть каждому — это уже сами посмотрите. А у вас как сложилось с вайб-кодингом? Удалось собрать что-то реально рабочее — или пока всё живёт на localhost? Константин Сухачев

Как этот блог принес мне 300.000$+ теперь с начала года каждый месяц я начинаю с подбивания своей таблички доходов и расходов. так вот, там у меня в самом низу есть отдельный столбец "итог за всё время" в разных валютах. смотрится это после рублевых подсчетов конечно также нелепо как и разные мировые циферблаты часов со временем нью-йорка и токио у стойки регистрации в отелях. но это дает мне возможность сверять свои доходы и расходы с общемировыми и очень отрезвляет, позволяя побольше сохранять и правильно вкладывать, так как я понимаю, что это нихуя не норма и нужно эту аномалию не разбазаривать на право и на лево

табличка у меня динамичная, этот перерасчет итога делается каждый раз когда я её обновляю, спасибо клоду за это, иначе пришлось бы каждый раз все итоги плюсовать в калькуляторе и пересчитывать по текущему курсу, как я это делала раньше

я в предыдущем посте обещала поделиться тут когда и как именно каждая сотка случалась — так что отчитываюсь: 1) первый рубеж в 100к$ был пройден за полтора года благодаря залету одного видео в рекомендациях ютуба, каналу и чатам с собесами и эксклюзивам на бусти 2) второй рубеж в 200к$ был пройден за полгода благодаря вышедшему на ютуб гайду по трудоустройству, раскрутки бусти, канала и чатов с собесами + запуск шапок дал пару монет 3) третий рубеж в 300к$ удалось пробить за те же полгода благодаря паре удачных вложений в мае-июне, всё тем же активам бусти/трибуту и курсу по собесам завтра хочу снять отчетное видео про все свои 10+ источников дохода, которые перепробовала помимо найма. интересно самой посмотреть и вам показать что сколько принесло, в какие сроки, где усилия окупились, а где случился кровавый океан в который я бы больше не полезла ни за какие деньги думаю, эти цифры и размышления дадут вам пищу для ума на тему "с чего начать на вашем месте сейчас было бы выгоднее всего". почти все источники создавались без вложений денег за всё время, так что как антикризисные он себя хорошо показали на следующей недельке будет, ожидайте! а пока желаю вам хороших выходных, покатайтесь на велике по лесу и поплавайте где-нибудь 😎 я лично так свои выходные и проведу

#Нейропрожарка THE MYSTERIOUS ISLAND — тизер по «Таинственному острову» Жюля Верна Автор: Janky Mess «Таинственный остров» — моя любимая книга детства. Пятеро беглецов на воздушном шаре, остров без карты, кто-то невидимый, кто не даёт им погибнуть. Нормального фильма по ней так и не сняли, вот и собрал тизер сам — таким, каким этот мир всегда жил у меня в голове. Инструменты: — Nano Banana — генерация кадров (стиллы персонажей и сцен) — Seedance — оживление кадров в видео (через Higgsfield) — Higgsfield — площадка, где всё генерил. Годовая подписка, 6000 кредитов в месяц, на тизер сжёг около 70% — Topaz Video AI — апскейл до 4K (модель Proteus) — DaVinci Resolve — монтаж, цвет, грейд, зерно — Suno — музыка Времени ушло 4 дня. @cgevent

📊 Тренды Компании часто реагируют на тренды слишком поздно — на их пике, что рискованно и дорого. Например, Nestle купила бренд Jenny Craig за $600 млн в 2006 году, когда мода на диеты с низким содержанием жиров уже проходила, и позже продала его с убытком. Другая ошибка — обсуждать тренды абстрактно, без анализа их влияния на клиентов, конкурентов и поставщиков. Иногда тренды превращаются в «псевдотесты» для самоуверенных руководителей, как в случае неудачного слияния Time Warner и AOL. Эффективнее искать тренды через практические инструменты. Так, PepsiCo устроила конкурс «Do Us a Flavor» для Lay’s, чтобы определить востребованные вкусы — просто, недорого и полезно для бизнеса. Фаундер | Бизнес и Стартапы

🐡 Еще одна интересная работа от Sakana AI, они представила работу Learning Multi-Agent Coordination via Sheaf-ADMM, которая будет показана на ICML 2026. Авторы рассматривают интеллект как распределённую систему: сложная задача делится на пересекающиеся фрагменты, а каждый агент работает только со своей частью. Затем агенты согласуют решения с соседями на границах, где их области пересекаются. В Sheaf-ADMM координация строится в несколько раундов. Сначала агент предлагает локальное решение. Потом он сверяется с соседями и сглаживает конфликтующие части. Если согласия нет, конфликт сохраняется в памяти и влияет на следующий раунд переговоров. Подход проверили на задачах, где одному агенту не хватает всей информации. В Multi-Agent Sudoku каждый агент видел только строку, столбец или блок 3×3. Sheaf-ADMM решил 93% задач, тогда как сопоставимый message-passing baseline набрал 11%. В image classification при domain shift по размеру canvas обычная CNN падала до 11% accuracy на MNIST, а метод Sakana AI сохранял 86%. В maze pathfinding Sheaf-ADMM достиг точности message-passing baseline, но использовал 5-мерный канал коммуникации вместо 42-мерного. Координация агентов полностью прозрачная. Можно видеть, как локальные агенты спорят, корректируют решения и приходят к общему результату, вместо того чтобы прятать всё в hidden states. Метод опирается на ADMM из distributed optimization и sheaves из applied topology. Метод помогает нескольким агентам решать одну сложную задачу по частям, договариваться на пересечениях и собирать итоговое решение без постоянного обмена всей информацией. Paper: https://arxiv.org/abs/2605.31005 Code: https://github.com/SakanaAI/sheaf-admm Blog: https://pub.sakana.ai/sheaf-admm/ @ai_machinelearning_big_data #ai #ml #sakana

Сколько заработал Стэнфорд на венчуре? У Стэнфорда есть инвестиционный фонд размером больше $40 млрд – эндаумент. Он собран в основном из пожертвований бывших студентов, его задача – растить капитал и тратить прибыль на университет. Студенты, которые бесплатно поступают в Стэнфорд, учатся за счет эндаумента. Согласно официальному отчету, в 2025 фонд перечислил Стэнфорду $1.9 млрд – на стипендии, исследования и зарплаты преподавателей. Давайте разберемся, на чем фонд зарабатывает. Стэнфорд редко заходит в сделки напрямую, зато много инвестирует в фонды: по сути, структура эндаумента работает по принципу фонда фондов. За все время существования самую большую отдачу дал один класс активов: venture capital и growth equity. Эти вложения принесли университету $10.9 млрд прибыли при доходности 20.4% в год (по этому классу активов). Это очень классный высокий показатель. Вот примеры успешных инвестиций: • Airbnb – инвестировали в 2009 на seed-раунде. IPO в декабре 2020 при оценке $40.6 млрд. Принес Стэнфорду $700M+ • DoorDash – основан четырьмя студентами Стэнфорда в 2013, пока они еще учились. IPO в декабре 2020 при оценке $32.4 млрд. Принес Стэнфорду ~$200M Так почему институция, которая обязана быть консервативной, держит больше трети капитала (38%) в самом рискованном классе активов? Ответ: на горизонте в десятилетия именно рискованная часть портфеля отвечает за рост, который невозможно получить на публичных рынках. Недавно объяснял, что венчур не должен быть единственной составляющей вашего портфеля. У Стэнфорда есть облигации, акции, недвижимость, хедж-фонды, которые в совокупности отвечают за стабильность. А инвестиции в венчур – за асимметричный рост. Благодаря этому классу активов и получается уже больше 35 лет держать стабильно высокий уровень доходности. Рекомендую изучить описание структуры портфеля. Даже если вы только начинаете путь инвестора, важна насмотренность в том как мыслят огромные фонды, особенно такие успешные.

Увидел новый опенсурс проект, который решает для агентов проблему подключений внешних сервисов через MCP и API Например вам нужно поработать с Notion через агента, и он начитает искать, есть ли у сервиса MCP, какой API, как авторизоваться. Так вот integrations.sh собирает в себе кучу сайтов и разные способы подключения к ним: 1/ MCP 2/ API и их спецификации 3/ GraphQL ендпоинты 4/ CLI утилиты 5/ Auth инструкции Всего в каталоге около 6000 интеграций У них есть свой MCP:

mcp add --transport http integrations https://integrations.sh/mcp

Или по API:

curl https://integrations.sh/api/[ДОМЕН]/detect

В итоге меньше слитых токенов, агент сразу знает как подцепиться к нужному сервису. @tips_ai #tools

Thinking Machines Миры Мурати превратила закрытую экспертную оценку Bridgewater в обучаемый навык и обошла frontier-модели, снизив число ошибок на 29.8%. В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание. Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом. Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией. В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон. Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться. В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций. Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost. Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face. https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

Apple приостановила разработку AirPods Pro с камерами По данным инсайдера Kosutami, новая модель AirPods Pro с инфракрасными камерами могла быть отложена на неопределённый срок. Инсайдер не предоставил какую-то конкретную информацию. Однако ранее отмечалось, что Apple может отложить запуск, если не будет удовлетворена качеством новых ИИ-функций. Предполагается, что инфракрасные камеры должны использоваться для некоторых функций Apple Intelligence, а также для считывания движения рук и настройки звучания под условия окружающей среды. Релиз новых AirPods Pro должен был состояться в начале этого года. Сначала Apple отложила запуск из-за задержки обновлённой Siri, но теперь релиз может не состояться вовсе.

LLM-менеджеры Есть такие менеджеры, которые всегда знают, как нужно делать. Я их называю LLM-менеджеры. Чем отличается он отличается от обычного менеджера? LLM-менеджер может бесконечно рассказывать про то, как важно построить воронки, собрать фокус-группу, сегментировать клиентов, провести интервью, как важно (выберите подходящее) растить ретеншен, выручку, ценность, аудиторию, вовлеченность. В отличие от Claude или ChatGPT, такие менеджеры не смогут ответить на вопрос, что конкретно можно попробовать для решения проблемы. Зато LLM-менеджер намного лучше любой нейронки объяснит, почему важно принять правильное решение. Обычный менеджер может сказать, что не знает ответа на вопрос, когда не знает ответа на вопрос. Он может рассказать, как при помощи Claude Code упростил себе работу с данными, какую логику использовать при принятии решения, почему эта гипотеза сработала, а другая нет. Будьте обычными.