Вчера на командном синке придумывали формат новой сессии для AI Native - кейс-клиника, где участники приносят живые рабочие ситуации, а не просто задают вопросы. И между делом, разбирая, какие вопросы обычно всплывают у людей при сборе своей базы знаний, вспомнил совет, который сам по себе тянет на отдельный пост. Речь про плагин QMD. Про него мало кто знает, а между тем он индексирует все содержание базы знаний и делает векторный поиск. Смыслово это горячо-холодно для поиска: вбиваете фразу вроде "хочу найти наши транскрипты с командой", и он понимает, скорее в каких местах базы это будет, а в каких - точно нет, даже если формулировка не совпадает дословно. Технически там зашито сразу три способа поиска - по ключевым словам, по смыслу и переранжирование результатов моделью, - и всё это крутится локально на вашем компьютере, без отправки данных в облако. Понимает не только markdown-заметки, но и код с сохранением структуры файла. И отдельно скручен так, чтобы им могли пользоваться AI-агенты - через MCP-протокол, тем же Claude или другими инструментами. Ссылка на репозиторий - https://github.com/tobi/qmd @ppprompt

Мы наконец запустили наши репорты по индустриям, заняло ужасно много времени, тк задача была сделать это не разово, а изначально выстроить процес: • сама генерация репортов и сбор данных • рендеринг картинок которые можно публиковать • отладка промптов чтобы через MCP преварщать репорты в обзорные статьи, их форматирование и публикация в блог • новый раздел на сайте для них • отладка промптов и стиля для ЛИ постов и Х треда • регулярный постинг 2 раза в неделю с моим минимальным вмешательством Короче как всегда качественный контент это самое напряжное и времязатратное тк это таска которую нельзя один раз выполнить, она возвращается каждый день (отчасти это то где лежит самое большое велью нашего продукта) Зато, теперь это должно создавать уникальный рисерч и данные на нашем сайте для цитирований, узконаправленный вертикальный контент для SEO и GEO, и какие то оригинальные инсайты для соц сетей и орагнических охватов, в общем одни плюсы

Напишите в комментарии если хотите отчет по своей индустрии!

Epic всё-таки делает Unreal Engine 5.9 - и главный фокус там на ИИ На Unreal Fest Seoul 2026 Эпики подтвердили выход UE 5.9, хотя ещё в июне называла 5.8 последним запланированным релизом перед UE6. Причина, похоже, как раз в ИИ I: Epic хочет протащить часть будущего стека UE6 в нынешний движок уже сейчас. Даты релиза 5.9 пока нет. Самое интересное - дальнейшее развитие Unreal MCP. Уже в 5.8 внутри Editor работает локальный MCP-сервер, через который Claude Code, Codex, Gemini, Cursor и другие агенты могут управлять движком: создавать Actors, менять освещение и материалы, запускать тесты и работать с PCG. В 5.9 Epic собирается открыть агентам ещё больше возможностей движка. Но самое любопытное - мой любимый нейрорендер - генеративные модели превращаются фактически в дополнительный render pass. Unreal сохраняет контроль над камерой, геометрией и композицией сцены и передаёт эти данные внешней image/video-модели. Она уже поверх реального рендера может изменить стиль, погоду, время суток и внешний вид кадра. В сеульской демонстрации Epic показывали именно такой workflow. В UE6 LLM, генеративные модели, Claude/Codex и MCP официально названы одной из центральных частей production workflow. При этом Epic специально делает ставку не на одну свою модель, а на открытую инфраструктуру, куда разработчик сможет подключать модели по своему выбору. UE6 Early Access сейчас намечен на конец 2027 года. Ссылки: https://dev.epicgames.com/documentation/unreal-engine/unreal-mcp-in-unreal-editor https://dev.epicgames.com/documentation/unreal-engine/semantic-search-in-unreal-enigne https://dev.epicgames.com/documentation/unreal-engine/ai-features-tools-and-plugins-in-unreal-engine https://dev.epicgames.com/documentation/unreal-engine/working-with-pcg-and-llms-using-unreal-mcp-in-unreal-engine И свежий официальный анонс Unreal MCP в UEFN от 20 августа: https://dev.epicgames.com/documentation/fortnite/42-00-fortnite-ecosystem-updates-and-release-notes @cgevent

#мнение Сетап сильного ИИ-инженера и синдром самозванца. Часть 2 Я постоянно чувствую себя самозванцем, особенно когда открываю комментарии каналов или профильные обсуждения. Все такие крутые, уже все автоматизировано, самостоятельно инженериться и выпускается, остается столько свободного времени на комментарии и форумы в интернете Полагаю хоть один мой читатель когда пытается в это все вкатиться или поддерживать свое развитие испытывал схожие чувства. Вокруг все такие крутые, а у меня 2 скилла и 3 мсп, мне вроде больше не надо, получается я профан??? Однако переодически общаясь с тем же Глебом, Валерой, Тимуром, Лешей и ко вижу обратное достаточно простые решения. Максимум использования самих фронтир моделей и возможностей провайдеров. Небольшие самописные костыли под вкусовщину, оркестрация просто маркдаун файликами и постановка задач рычанием в голосовой ввод Если я такой умный и могу высказываться так желчно о профессионалах в интернете, то что я сам использую? А ничего интересного. 1) ponytail skill + самописный ai-repo-safety-skill + самописный hedr-workflow skill 2) самописный memory-bank 3) context7 mcp + serena mcp + semble mcp + codeburn mcp 4) специфичные mcp: atlassian + slack + google drive 5) skills cli + gitlab cli + github cli 6) парочка хуков для прогрева сессии и иньекции ponytail + запрета деструктивных операций 7) codex cli + grok build cli + antigravity cli + opencode и все это через herdr 8) Я живу на виндовс и вынужден страдать, есть самописный mcp супервизор (на скрине его кусок) В целом все

Спортивные интеграции. Промежуточные итоги. Несколько раз уже писал про варианты интеграции AI-агентов и спортивных приложений. По итогу пришёл к стабильному сетапу, который ежедневно анализирует мои данные, создаёт тренировки и настойчиво пытается не пустить меня на улицу. Сейчас в качестве основного AI-ассистента я использую Hermes. И интеграции категории "спорт и здоровье" я также подключил через него. Вы можете использовать тот харнесс, который больше нравится. Первым делом я подключил Strava. И нет это не официальный MCP-сервер, про который я рассказывал тут. Потому что он до сих пор в статусе "частично доступен" (2,5 месяца!). Хорошо, что у Strava можно в два клика создать своё приложение и получить API-key. Я натравил своего Гермеса на API-документацию и он сделал собственный локальный MCP-сервер (очевидно, что Гермес не читал пост Коли). Он выгрузил весь архив тренировок и забирает новые, когда те появляются. С Garmin всё не так просто. У них до сих пор путь к официальному API лежит через подачу заявления в качестве компании-разработчика. Не тот вариант, что нужен для домашнего использования. Поэтому – MCP-сервер для неофициального API. Я взял готовый отсюда. Если есть желание, можно на базе данной библиотеки собрать собственное решение. Подключаем два коннектора к AI-агенту, даём ему долговременную память (llm-wiki подойдёт) – и готово. Инструментарий для анализа состояния здоровья (на базе Garmin), тренировок (Garmin + Strava) и планирования следующих готов. Чтобы максимально упростить установку, подготовил для вас репозиторий. Натравите на него своего AI-агента – он сам всё настроит.

(c) Это та самая архитектура, которая позволит запускать Fractal MAS R=3, плодя сотни и тысячи субагентов по разным проектам и воркспейсам. Все их запросы, как через воронку, будут элегантно проходить через единый MCP-сервер, гарантируя отсутствие багов, DB Corrupts и спама интерфейса! Готов перевести эту концепцию в реальный код MCP-сервера, если вы дадите зеленый свет на реализацию. // Fractal MAS R=3 • это фрактальная / рекурсивная декомпозиция задачи большой над подзадачи и если задачу нельзя отдать какой-то "тупой" модели, мы дальше ее дробим фрактально. R=3 это когда таких дроблений может быть 3 уровня. это типа 3*3*3 дроблений (если на 3 подзадачи делить на каждом проходе) -> 27 агентов/процессов в конце будут в итоге и каждый из процессов / узел предыдущий работают через спекулятивные роутеры. Всего узлов 1+3+3*3+3*3*3 -> 40 узлов которые декомпозируют большую задачу - при этом максимально абстрактную, которую по пути надо изучать/делать исследования / делать MVP, A/B тесты, выбирать разные решения и упаковывать в конечную архитектуру решения/ответа. Интересно у меня агенты сами решили так проапдейтиться за счет саморефлексии и моих уточнений / жалоб во время работы в разных чатах. Держу вас в курсе. Пока "на чай" Арни и Сара не заходили. 🤖

ComfyOrg не выдержал конкуренции с Алексом Выпустили свой MCP сервер в опенсорс, можно использовать на локальном комфи, раньше был только облачный Ассистент видит твою локальную установку ComfyUI, кастомные ноды в том числе, все модели на диске - пишет и редактирует граф ComfyUI естественным языком - Управление моделями - Отладка воркфлоу - Пакетная генерация с перебором параметров (cfg, steps, sampler, seed) - Работает с Claude, ChatGPT, Gemini, Ollama (офлайн), OpenRouter - любая LLM - 178 MCP-инструментов, 36 скиллов, 55 установочных пакетов - Самоопределение ComfyUI: авто-детект порта и пути - macOS, Linux, Windows github.com/Comfy-Org/Comfy-mcp docs.comfy.org/agent-tools/mcp github.com/Comfy-Org/comfy-skills #comfyui #mcp VK | MAX

MCP → CLI Я только собирался написать, почему CLI сосут, и на что их заменять, как понял, что у меня даже нет поста, почему сосут MCP (от которых мы и ушли к CLI). Исправляю! Сначала напомню в двух словах зачем эти ребята нам вообще нужны:

агент сам по себе мало что умеет в мире, где наши данные разбросаны по десяткам веб-приложений, начиная от почты и календаря, заканчивая транскрибаторами звонков, джирами и сервисами электронного документооборота

Нужно его к ним как-то коннектить. И на заре агентных систем ребята придумали подсовывать ему новые инструменты как tools (то, что агент может вызывать в цикле перед тем как дать итоговый ответ). Назвали это MCP (model-context-protocol) У стандарта MCP было много исторических болячек: невнятная аутентификация, загромождение контекста всеми методами всех mcp'шек, , отсутствие строгого следования схеме, stateful логика 🥴 Сейчас они по большей части вылечены. Но есть одна главная проблема – это все еще лишний слой абстракции поверх обычного API. И он требует модель возвращать вызов инструмента в перегруженном JSON формате. То есть, вместо вместо того, чтобы сразу дернуть API нашего условного гитхаба, обвязка нашего агента (она выполняет роль MCP клиента) отправляет это в какой-то MCP сервер (в случае с гитхаб он удаленный, но может быть и локальным), а он уже отправляет это в API Любой агент, у которого есть вызов терминала может либо написать скрипт, который будет обращаться к API напрямую, либо просто вызвать уже сто лет существующую команду gh с нужными параметрами. Всё! И вот какие у этого плюсы: 1. Жрет меньше токенов (потому что не verbose json) 2. Можно стакать вызовы команд в любой последовательности 3. Не обязательно засирать контекст модели всем выводом. Перенаправляем и фильтруем вывод терминальной команды как душе угодно 4. Обычно сильно больше комбинаций параметров 5. Если какой-то функции или параметра нет, агент все так же может написать кастомный скрипт, который сходит в API и сделает то, что нужно Но надо признать, кое-где MCP все-таки нужны – когда у вас есть эфимерная сессия + нужна авторизация. Короче, во всех облачных чатах и коворках. CLI там не подходит по одной причине – авторизация происходит внутри сэндбокса и на каждый новый чат придется делать ее заново Пример: gh отлично работает у вас на ноуте, но в ChatGPT Work вы задолбаетесь каждый раз проходить авторизацию, а вот GitHub MCP подключите один раз и он будет работать всегда В разговорах слышал еще такие аргументы за MCP (но мне они не нравятся): 1. Проще раскатывать на команду и обновлять (хз, автообновление cli делается тривиально) 2. MCP сразу поддерживает инструкции, а про CLI тул агент еще должен как-то узнать (скиллы наш бро) 3. В MCP есть функции, которых нет в API (это вообще извращение, не делайте так. но если пользуетесь чужим сервисом таким, то да, тут придется страдать) А у вас в команде используют MCP? Почему? (напоминаю, что скоро будет пост о том, почему CLI тоже не самый лучший выбор) @ai_grably

comfyui-mcp MCP-сервер для комфи от подписчика @Aleks_101 Подключает любого ИИ-агента к локальному ComfyUI. Не только через API, а напрямую к рабочему процессу, открытому во вкладке браузера. Официальный mcp от ComfyUI только облачный, аналоги завязаны на ключи и Copilot - тут всё своё, локально. • 45 инструментов для LLM: статус, воркфлоу, логи, канвас, запуск, скачивание моделей • Чтение и правка живого графа - виджеты, связи, лейблы, layout, undo • Запуск воркфлоу с прогрессом и отдачей результата • Скачивание моделей в нужные директории без ручной загрузки • Диагностика по логам ComfyUI и консоли браузера • Сборка воркфлоу с нуля или починка нерабочего графа • Перевод подписей графа на другой язык одним вызовом • Конфиги готовы под Claude Code, Cursor, Kilo Code, OpenCode, LM Studio, Cherry Studio, MiMo Code, OpenClaw, Hermes, Codex, llama.cpp • Белый список хостов для загрузки моделей #comfyui #mcp

Провела внутренний мастер класс по ИИ для коллег. Показывала очень конкретные примеры того, как работаю с диском, таблицами и данными, превращаю их в дашборды. Несколько мыслей по итогу: 1. Всего полгода назад я не умела ничего из того, о чем сегодня не рассказывала. По внутренним ощущениям кажется, что я уже вечность с ИИ, но нет - продвинутое взаимодействие я начала в январе-феврале. А умную ИИ-систему построила всего месяц назад. 2. Вторая мысль грустнее. Я хотела, чтоб ребята ушли с ощущением - О! Я тоже так смогу! Но мне кажется, что все ушли с ощущением, что все это очень сложно. И далеко - недостижимо. И надо у кого-то долго и сложно учиться. И тут повторюсь, я полгода назад была в этой точке. Добежать до моего уровня можно очень быстро при желании. Но мне кажется, мне не поверили, что это реально просто можно освоить. 3. Работать с документами. таблицами и дашами через коннекторы и MCP - лучшее, что случилось в моей рабочей жизни. Сокращает недели, месяцы рутинного труда. Я тут совершенно точно не преувеличиваю оценку. 4. Такие воркшопы с обменом опытом - лучше всего продвигают в технике взаимодействия с ИИ. Видишь, как рабочую задачу решает коллега, пробуешь решить ее также = осваиваешь новую ступеньку. Просто надо делать это регулярно. Я почти каждый вечер и каждую субботу что-то «пилю» в своей ИИ-системе. Не считая того, что ежедневно активно использую в работе. 5. Мне говорили - ну что там готовиться? Придешь расскажешь как что делаешь. Кажется во мне ноль импровизации))) я упоролась: разработала структуру этого МК, превратила в интерактивный чек-лист, сделала раздатку про подключения, собрала в кучу все материалы для демонстрации. Часа два готовилась вчера ночью. А потом еще плохо спала: металась между «никто не придет» и «придет неуправляемо много людей». Рада, что провела. Но с моим уровнем ответственности это было вообще не легко. Надеюсь, ребятам будет полезно. В общем, как ваш ИИ-амбассадор, призываю - продолжайте пробовать и не бойтесь. Шаг за шагом все освоится. Любовь на удаленке | Оля Сохнева #ИИ_наудаленке

✔️ Constella: локальная память для файлов, заметок и AI-агентов Constella — open-source desktop-приложение, которое индексирует локальные файлы и превращает их в единую базу знаний для поиска и AI-агентов. Данные хранятся на устройстве: LanceDB используется для векторов, SQLite — для метаданных и knowledge graph. Что умеет: - индексировать Obsidian, Documents, Downloads и любые выбранные папки; - извлекать текст из PDF, DOCX, Markdown и изображений; - строить семантический поиск по локальным данным; - автоматически связывать заметки, темы и концепты; - работать с локальными и облачными LLM; - отдавать базу знаний через MCP в Claude Code; - использовать агентов и переиспользуемые workflows. Схема примерно такая:

Файлы
  ↓
chunks + embeddings
  ↓
LanceDB + SQLite
  ↓
Knowledge Graph
  ↓
поиск / агенты / MCP

https://github.com/Constella-OS/constella-desktop